基于Hadoop云计算的高光谱图像端元提取算法设计与实现(2)
4.3 管理系统的设计与实现 24
4.4 系统测试 33
结 论 40
致 谢 41
参考文献42
1 绪论
1.1 研究背景
高光谱遥感（Hyperspectral Remote Sensing），意思是具有高光谱分辨率的遥感科学与技术[1]。高光谱遥感起源于测谱学，在二十世纪时，就用来分析分子及原子的结构，然而到八十年代才出现了成像的光谱技术。这项技术的产生让在宽波段中探测不到的物质，可以被高光谱遥感探测到。其技术原理是，几乎所有的物质在零K的热力学温度下，都能发射电磁波，同时也能反射或吸收别的物质发生的电磁波。而这项技术就是准确的接收并记录这些物质在互相作用下产生的电磁波。
由于所有的物质因其种类、性质、生存条件等各有不同，所以各自有完全不一样的发射和反射电磁波的性质。于是，经过接收和记录这些物质发射或者反射的各种不同的电磁波，并对它们进行分析，就能够得到丰富的地质物质信息，与此同时，通过收集和分析穿过大气层的电磁波与物质产生相互作用的辐射，就可以了解地球上各处的植物、土地、岩石的构造，和地表地物的特征。
地物是纷杂无章的，物质种类繁多，环境多样，产生的辐射也不同，加之互相作用，更是难以辨识，遥感器获取的电磁波信号是把像元作为单位的，由于遥感器的空间分辨力的限制以及自然界地区的复杂多样性，遥感图像中的每一个像元所相对的地貌一般都包扩不同的覆盖类型，而这具有不一样的光谱响应特征的像元就称作混合像元[3]。混合像元记录了不同性质的物质特征，是不同物质的综合。对于复杂的地貌情况，比如各种植被、土壤，而且不同的矿物质掺杂其中，导致混合像元普遍存在获取的图像中，这种情况下收集到的电磁波光谱，遥感器并不能有效的将其进行详细准确的分析。
1.2 国内外研究现状
1.3 研究目的和意义
随着数字地球的提出，高光谱遥感技术在科学与技术以及日常的生活中占了越来越重要的地位。从获得的高光谱数据中，可以获取光谱并进行地物分类，根据单一地貌的纯净的像元光谱可以将混合的地貌的光谱解混后进行分类，因而像元解混和端元提取成为高光谱遥感技术的关键的步骤。
混合像元分解是高光谱遥感应用技术中公认的难题，主要是由于传感器的空间分辨率有限，同时自然界中的地貌是复杂多样的 ，尤其是地物本身的尺寸就比较小，导致像元很少由单一地表覆盖类型组成，通常都是几种地物的混合。所以解决混合像元分解的问题是必然的，如此才可以提高遥感应用的精度。
虽然混合像元分解的技术成长到现在已经有了很高的进展，而且在统计和几何等多个方面有了深入的发展和提高。但是因为高光谱遥感图像它自身空间的分辨率等因素的影响，导致它的数据量非常大，同时算法的计算过程很是复杂[3]。如果使用普通的串行处理的方法，操作的过程中大量的浮点运算能够很大的降低计算机运行的速度，超常的费时严重的遏制了混合像元分解的实时性，除此以外，目前花在计算机上的成本还是是很高的。
由此可知，提高高光谱遥感图像的处理速度是一个重要问题，由于高光谱数据量特别大，计算很是复杂，导致它的运行速度特别慢。于是，为了解决以上的问题，本文希望能够利用Hadoop云平台的分布式并行计算能力，提升端元提取算法的处理效率，从而提高图像处理速度。
因此，本课题在云计算平台上研究高光谱遥感图像的端元提取技术，利用Hadoop的分布式并行计算能力，设计一个高光谱图像端元提取系统，优化设计高光谱图像端元提取算法，提升算法的处理效率，并在地质勘探岩矿识别领域进行实验应用。
上一篇：计算机网络病毒传播过程研究