高光譜影像雜訊模式估計

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：13

、訪客IP：18.218.254.122

姓名

陳建文(Chien-Wen Chen) 查詢紙本館藏

畢業系所

資訊工程學系

論文名稱

高光譜影像雜訊模式估計
(The Estimation of Noise Covariance Matrix in Hyperspectral Remotely Sensed Images)

相關論文

★ 基於GPU的SAR資料庫模擬器：SAR回波訊號與影像資料庫平行化架構 (PASSED)	★ 高頻譜影像物質含量估計運用加權最小平方法
★ 利用X光乳房攝影產生之紋理特徵影像在腫瘤偵測上之研究	★ 利用高光譜影像作異常物偵測
★ 無參數加權特徵萃取對遙測及醫學影像目標偵測的應用	★ 利用電腦自動化對數值高程模型作線形偵測
★ 高光譜影像異常物偵測與識別之平行運算方法與其效能評估	★ 利用多光譜影像的光譜與空間資訊結合數學型態學進行海洋油汙偵測
★ 低解析度車牌視訊之強化與辨識	★ 利用遙測影像自動萃取校正點
★ 新的影像融合演算法應用於多光譜遙測影像	★ 利用影像處理進行遙測影像的河道偵測與醫學影像的血管偵測
★ 可調式都卜勒主動雷達校正器之改良研究	★ 基於色彩校正的遙測影像變遷偵測
★ 利用固定式攝影機即時偵測土石流	★ 藉由電腦視覺自動偵測土石流

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

依據前人理論推導証明，雜訊白化最小平方誤差﹝Noise Whitening Least Squares、NWLS﹞ 可改進傳統最小平方誤差﹝Least Squares、LS﹞的效能，而如何精確估計雜訊分佈是NWLS最重要的一部份。NWLS它是物質含量估計及次像素﹝Sub-Pixel﹞分析方法，用最小平方誤差法估計線性光譜混合模型中物質含量，也引用加權矩陣投影及兩個物質含量限制條件。加權矩陣為雜訊白化矩陣，雜訊白化是將原高光譜影像資料空間投影到新資料空間，雜訊形成相同且獨立分佈﹝Identically and Independent Distributed、i.i.d.﹞，也會讓雜訊局限於多維單位圓之內。雜訊為隨機﹝Random﹞信號，每一種雜訊來源可視為一個隨機變數，根據中央極限定理，雜訊隨機變數總和，其分佈趨近於高斯分佈。雜訊估計和雜訊模式估計差異在於前者估計資料點雜訊成份，後者則估計雜訊分佈。在論文中使用不同估計雜訊方法進行實驗，將高頻信號視為估計的雜訊部份，計算雜訊互變異矩陣描述雜訊分佈。實驗結果証明使用巴特沃斯高通頻域濾波器﹝Butterworth High-Pass Filter﹞其估計最好，最能符合雜訊原始分佈。雜訊分佈估計越符合，NWLS估計物質含量越精確，估計影像信號也是會越精確且能提升訊雜比﹝Signal to Noise Ratio、SNR﹞。在實驗中也有比較雜訊消減和雜訊白化對信號估計的改善程度比較，結果是雜訊白化改善效果大於雜訊消減。

摘要(英)

It has been proved that the Noise Whitening Least Squares (NWLS) can significantly improve the performance of the original Least Squares (LS), and how to better estimated the noise distribution is the most important step in NWLS. It is a method for target abundance estimation base on sub-pixel analysis. It solves linear spectral mixture model by least squares solution with two constraints and the weighted matrix. The weighted matrix is the noise whitening matrix. In the noise whitening processing, it projects the original hyperspectral space to a new data space. The noise will form identically and independent distribution (i.i.d.) after the projection. After the noise whitening projection and it will be distributed in unit circle in multidimensional space. The noise is a random signal. The sources of noise can be viewed as random variables. According to the Center Limit Theory, the distribution of the sum of N independent random variables will become gaussian distribution when N goes to infinity. The difference between estimation of noise and noise model is that; the former estimate the noise value in data point, and the latter estimate the distribute of noise by its covariance matrix. In this thesis, we compare different noise estimation methods, which estimation noise by the high frequency part of the signal and the experiment results shows the butter method high-pass frequency filter gives the best results. If we has better estimation of noise, the NWLS can estimate the abundance more accurately. In this case, we will have better estimation of the signal and higher signal to noise ratio (SNR). We also compare the performance of de-noising and noise whitening processing. The result shows the noise whitening processing is better than the de-noising.

關鍵字(中)

★ 雜訊互變異矩陣
★ 加權最小平方估計
★ 雜訊消減
★ 雜訊白化
★ 高光譜影像

關鍵字(英)

★ Noise Whitening
★ Noise Covariance Matrix
★ Hyperspectral Images
★ Weighted Least Squares
★ Denoising

論文目次

摘要 i
誌謝 iii
目錄 iv
圖目錄 vii
表格目錄 ix
第一章緒論 1
1.1、前言 1
1.2、研究動機與目的 2
1.3、研究方法與論文架構 2
第二章高光譜光學遙測影像 3
2.1、光譜 3
2.2、遙測影像簡介 4
2.3、遙測影像的四種解析度 5
2.3.1、空間解析度 5
2.3.2、光譜解析度 6
2.3.3、輻射解析度 8
2.3.4、時間解析度 8
2.3.5、解析度之間相互關係 9
2.4、光譜影像雜訊 9
第三章目標物質含量估計 11
3.1、何謂目標物質含量估計 11
3.2光譜線性混合模型 11
3.3最小平方誤差法目標物質含量估計 12
3.4加權矩陣最小平方誤差法目標物質含量估計 15
3.5加權矩陣選用 16
3.5.1 單位矩陣 16
3.5.2 互變異矩陣的白化矩陣 17
3.5.3 相關係數矩陣的白化矩陣 17
3.5.4 雜訊互變異矩陣的白化矩陣 18
第四章雜訊模式估計 19
4.1、影像空間濾波器 19
4.2、影像頻域濾波器 21
4.3、影像小波分解 23
4.4、影像相鄰像素差值 26
4.5、多變量迴歸分析 27
4.6、主成份分析 28
4.7、正交子空間投影 29
第五章模擬實驗 32
5.1、模擬高光譜影設計 32
5.1.1、模擬信號設計 32
5.1.2、模擬雜訊設計 34
5.2、物質含量估計最小平方法效能 36
5.2.1、模擬實驗流程 36
5.2.2、最小平方估計效能分析 37
5.2.3、加權矩陣最小平方估計效能分析 38
5.3、雜訊模式估計效能分析 40
5.3.1、模擬實驗流程 40
5.3.2、實驗使用雜訊估計方法說明 41
5.3.3、模擬實驗結果 42
5.4、雜訊估計與雜訊模式估計效能分析 44
5.4.1、模擬實驗流程 44
5.4.2、模擬實驗結果 45
5.5、影像信號光譜估計誤差分析 46
5.5.1、模擬實驗流程 47
5.5.2、模擬實驗結果 47
5.6、未知影像資訊的信號估計 49
5.6.1、模擬實驗流程 50
5.6.1、模擬實驗結果 51
第六章結論與未來研究方向 54
參考資料 56
附錄一、專有名詞中英文對照 58
附錄二、實驗數據 60

參考文獻

[1] R. C. Gonzalez and R. E. woods, Digital Image Processing (Second Edition), Prentice – Hall, 2002
[2] L. L. Scharf, Statistical Signal Processing, Reading, MA:Addison-wesley, 1991
[3] C.-I Chang, Hyperspectral Imaging : Techniques for spectral Detection and classification, New York : Kluwer, 2003
[4] J. C. Goswami and A. K. Chan, Fundamentals of Wavelets Theory, Algorithm and Applications. John Wiley & Sons. INC. 1999
[5] J. A. Richards, X. Jia, Remote Sensing Digital Image Analysis, Springer 1999
[6] Simon Haykin, Adaptive Filter Theory ( Third edition) , Prentice – Hall, 1996
[7] AVIRIS Web-Page, http://aviris.jpl.nasn.gov
[8] C. L. Lawson and R. J. Hanson, “Solving least squares problems”, in Proc. Classics in Applied Mathematics, Philadelphia, PA, 1995
[9] D. Heinz and C.-I Chang, “Fully constrained least squares linear mixture analysis for material quantification in hyperspectral imagery”, IEEE. Geosciences, Remote Sensing., vol.39, no. 3, pp. 529-545, Mar. 2001
[10] B. Bro and S. D. Jong, “A fast non-negativity constrained least squares algorithm”, J. Chemom. , vol.11, pp.393-401, 1997
[11] H. Ren, Q. Du and J. Jeasen, “Constrained Weight Least Squares Approaches for target detection and classification in Hyperspectral Imagery”, IEEE Transactions on Geosciences and Remote sensing, vol.6, pp.3426-3428, 2002.
[12] C.-I Chang and B. Ji, “Weighted Abundance linear spectral mixture analysis”, IEEE Transactions on Geosciences and Remote sensing, vol.44, no.2, February 2006
[13] Q. Du, “Noise Estimation for remote sensing image data analysis”, Imaging Spectrometry IX. Edited by shen, Sylvia S.; Lewis, Paul E. Proceedings of the SPIE. Vol. 5159, pp.246-254, 2003
[14] C.-I Chang and Q. Du, “Estimation of number spectrally distinct signal sources in hyperspectral imagery”, IEEE Transactions on Geosciences and Remote sensing, vol.42, no.3, pp. 608-619, Mar 2004
[15] A. A. Green, M. Berman, P. Switzer, and M. D. Graig “A transformation for ordering multispectral data in terms of image quality with implications for noise removal”, IEEE Transactions on Geosciences and Remote sensing, vol.26, no.14, pp.65-74, 1988
[16] C.-I Chang, “Orthogonal subspace projection (OSP) revisited : a comprehensive study and analysis”, IEEE Transactions on Geosciences and Remote sensing, vol.43, no.3, pp. 502-518, March 2005
[17] Q. Du, H. Ren and C.-I Chang, “A comparative study for orthogonal subspace projection and constrained energy minimization”, IEEE Transactions on Geosciences and Remote sensing, vol.41, no.10, 2003
[18] H. Ren and C.-I Chang, “Automatic Spectral Target Recognition in Hyperspectral Imagery”, IEEE Transactions on Aerospace and Electronic Systems, vol.39, no.4, pp. 1232-1249, October 2003

指導教授

任玄(Hsuan Ren)

審核日期

2006-7-10

推文