● 摘要
高光谱遥感是当前国际对地观测发展的主要和重要方向，其为地物提供了丰富的光谱、图像、辐射三重信息，能够用于直接识别地物属性。然而高光谱成像遥感数据的特点与结构对高光谱成像数据分析与处理技术提出了新的挑战和更高的要求。因此，本论文针对如何从海量高光谱数据中提取所需的有用信息以及目前数据处理模型与方法存在的仅仅利用数据的一阶二阶统计特性建模、大多数情况下假设数据服从高斯分布以及仅仅利用数据的单一特征（光谱/图像/特征空间的信息）等问题，引入新的理论、新的技术、新的方法，开展了高光谱遥感数据精确建模与应用处理技术研究，从一定程度上解决了高光谱数据处理与应用中的准确性、可靠性、自动性的问题。本论文的主要工作如下：（1）本论文在查阅大量文献、资料和总结前期研究工作的基础上，详细分析和研究了高光谱数据特点和结构，引入了概率分布、统计分析、分形、非平稳信号分析、光谱相似度度量以及模式识别等理论和方法，开展了高光谱数据精确建模与应用处理技术研究；（2）引入因子分析模型、分形理论和经验模式分解模型，提出了基于因子分析模型、分段信息量维数、本征模函数的高光谱数据降维方法，在保留数据所提供的信息、保持数据原有特性的同时，突出数据的局部特征，增加波段间的可分性；（3）针对一阶、二阶统计量不能完全表征高光谱数据的特点与结构，引入了独立成分分析（Independent Component Analysis, ICA）模型，提出了基于改进量子遗传算法的ICA高光谱数据异常检测模型，降低了算法的虚警率；并且改进了基于互信息最大化的ICA混合像元分解模型，实现了无先验信息情况下的高精度端元提取；（4）针对高光谱数据分布具有较长“拖尾”特性的问题，建立了基于椭圆廓线分布的非高斯高光谱数据处理模型，并利用基于椭圆廓线 －分布模型的随机期望最大的方法实现了高精度的高光谱数据分类；（5）引入数学形态学的理论，提出了基于扩展数学形态学的异常目标检测方法，充分利用了高光谱遥感数据提供光谱和空间信息，有效的提高了算法的可靠性和精确性；并结合正交子空间投影的方法，提出了正交子空间投影与扩展数学形态学相结合的端元提取方法，有效的提高了不同类型端元区分的准确性。本论文的研究工作得到了民用航天预研项目和中国地质调查局国土资源大调查项目的支持。