一．项目简介
在现代社会的发展进程里，遥感技术无疑是不可或缺的一部分。而遥感技术在经过二十世纪后半叶的发展，无论在理论上、技术上和应用上均发生了重大的变化。其中，高光谱图像技术的出现和快速发展更是这种变化中十分突出的一一个方面。我们可以了解到，光谱分辨率在数量级范围内的光谱图象称为高光谱图像。
高光谱图像具有丰富的光谱信息，能够提供地物的诊断性特征，具有重要的应用价值。但是其空间分辨率较低，混合像元现象严重。多光谱图像的空间分辨率较高，易于获取，融合高光谱图像和多光谱图像，提升高光谱图像的空间分辨率是有效的方法。我们知道，一般一维数组，我们称之为向量（vector）；二维数组，我们称之为矩阵（matrix）；三维数组以及多位数组，我们称之为张量（tensor）。
因为非负矩阵分解作为矩阵低秩逼近的方法之一，由于强调分解因子的非负性，数据的可解释性强，而且分解结果能够很好地表示事物的局部特征，所以可以成功运用到音频、图像等各个领域。自然地，可以把非负约束推广到张量层面，即非负张量分解（NTF）。
T.Hazan，S.Polak和A.Shashua[1]在研究如何提取图片局部特征（local parts feature）时，建立了非负张量分解模型。通过实验发现，相比非负矩阵分解，非负张量分解更能捕捉到图像的局部特征。而该课题研究基于非负张量CP分解的高光谱图像融合方法，在张量分解的框架下融合高光谱与多光谱图像，提升高光谱图像空间分辨率。
在该课题中，需要掌握高光谱图像结构及表示方法；高光谱图像与多光谱图像的关系；张量分解方法，包括CP分解，Tucker分解等；掌握非负张量分解的高光谱图像融合模型，优化方法。
二．文献综述及主要参考文献
1.观点[8-12]
最近几年，为了提高高光谱图像的空间分辨率，人们在设计图像处理算法方面做了大量的工作。最常见的问题之一是HS数据与高空间分辨率多光谱（MS）数据的融合。基于不同的理论，提出了多种技术来解决这一数据融合问题，包括分量替换（CS）、多分辨率分析（MRA）、光谱分解和贝叶斯概率。此外，还研究了空间分辨率增强对分类的影响。对比分析了所有方法对HS-MS融合问题的鲁棒性。总结了算法的特点，阐明了具有较高通用性的算法[2]。
与此同时，非负矩阵分解(CNMF)解混合(CNMF)用于低空间分辨率高光谱和高空间分辨率多光谱数据的融合，以产生具有高空间和光谱分辨率的融合数据。 基于线性光谱混合模型的CNMF算法将高光谱和多光谱数据交替地非混合成端元和丰度矩阵。将两个数据相关的传感器观测模型构建到每个NMF解混合过程的初始化矩阵中[3]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
