基于空譜信息豐度約束的高光譜圖像組稀疏解混方法
【專利摘要】本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，具體公開了基于空譜信息豐度約束的高光譜圖像組稀疏解混方法，其實(shí)現(xiàn)步驟為：輸入高光譜圖像數(shù)據(jù)集及標(biāo)準(zhǔn)光譜庫；利用均值漂移算法對(duì)高光譜圖像數(shù)據(jù)自適應(yīng)分組；對(duì)每組高光譜圖像數(shù)據(jù)進(jìn)行組稀疏解混；利用每組高光譜圖像數(shù)據(jù)對(duì)應(yīng)的豐度矩陣作為依據(jù)修剪光譜庫；輸出高光譜圖像數(shù)據(jù)稀疏解混結(jié)果。本發(fā)明考慮高光譜數(shù)據(jù)和光譜庫數(shù)據(jù)的結(jié)構(gòu)特點(diǎn)，將組稀疏解混和光譜庫修剪策略用于高光譜圖像解混，提高了現(xiàn)有技術(shù)中對(duì)高光譜數(shù)據(jù)稀疏解混的精度。本發(fā)明的方法是基于半監(jiān)督的高光譜圖像解混方法，擁有稀疏解混的優(yōu)勢(shì)和較高的解混精度，是一種有效的高光譜圖像解混方法。
【專利說明】基于空譜信息豐度約束的高光譜圖像組稀疏解混方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，更進(jìn)一步涉及遙感圖像【技術(shù)領(lǐng)域】，具體是一種基 于空譜信息豐度約束的高光譜圖像組稀疏解混方法。

【背景技術(shù)】
[0002] 高光譜遙感圖像技術(shù)在近幾年來有很快的發(fā)展，其研宄主要致力于尋找使計(jì)算機(jī) 智能地學(xué)習(xí)和識(shí)別高光譜圖像真實(shí)地物類的技術(shù)方法。高光譜圖像在城市規(guī)劃、環(huán)境檢測(cè)、 植被分類、軍事目標(biāo)探測(cè)以及礦物地質(zhì)識(shí)別等諸多方面都有著巨大的應(yīng)用前景。由于高光 譜成像儀分辨率及地物地形復(fù)雜度的影響，使得圖像中單個(gè)像素存在著多種物質(zhì)的混合， 從而形成混合像素，影響了對(duì)高光譜圖像的進(jìn)一步解譯和應(yīng)用，因此，高光譜圖像解混技術(shù) 成為當(dāng)前遙感領(lǐng)域最有研宄意義的一門課題。最為普遍的高光譜圖像解混模型是線性混合 模型，該模型描述高光譜圖像中的混合像元是一組少量地物即端元的線性組合，并被噪聲 干擾，由于該模型簡單實(shí)用、物理意義明確，常被作為基本模型來解決高光譜解混問題。高 光譜解混的過程是：首先，提取高光譜圖像中存在的端元光譜信息；其次，獲得混合像元中 不同端元的比例信息即豐度信息。另外，由于高光譜圖像具有數(shù)據(jù)量大、冗余信息多、含有 噪聲等不利因素，因此要求在高光譜解混技術(shù)方法具有一定的抗干擾和高精度的能力。
[0003] 目前，高光譜解混方法主要包括基于幾何、統(tǒng)計(jì)和稀疏回歸的三大類方法。基于稀 疏回歸的高光譜解混方法作為一種半監(jiān)督的方法越來越得到很多人的認(rèn)可和研宄，它避免 了端元數(shù)目的估計(jì)和端元譜信息的提取，利用光譜庫可以同時(shí)實(shí)現(xiàn)獲取端元信息和豐度估 計(jì)。由于高光譜圖像中每個(gè)像元包含的端元數(shù)目遠(yuǎn)遠(yuǎn)小于光譜庫中的維度，得到的稀疏表 示的系數(shù)是稀疏的，符合數(shù)據(jù)稀疏表示的特性，因此，利用基于稀疏回歸的高光譜解混方法 可以得到有效的結(jié)果。
[0004] Marian-Daniel Iordache 等人在論文"Sparse Unmixing of Hyperspectral Data"（GRS，2011)中提出了基本的稀疏解混，它是對(duì)高光譜圖像中的每個(gè)混合像元分別獨(dú) 立的進(jìn)行解混，同時(shí)獲得端元信息和豐度信息，解決稀疏解混模型利用了變量分裂和增廣 拉格朗日的方法（SUnSAL),這個(gè)方法是基于交替方向乘子法的理論。
[0005] 隨后在此基礎(chǔ)上，提出了一種改良的實(shí)現(xiàn)對(duì)高光譜圖像所有像元同時(shí)施加稀疏約 束的解混方法，由于高光譜圖像中包含的所有端元數(shù)目遠(yuǎn)小于光譜庫維數(shù)，得到的豐度矩 陣是行稀疏的，也就是說光譜庫中只有少量的譜特征用來擬合高光譜圖像中的所有像元， 通過解決協(xié)同稀疏回歸的問題，提升了高光譜圖像的解混效果，采用的是協(xié)同的變量分裂 和增廣拉格朗日的算法（CLSUnSAL)，它也是交替方向乘子法理論的具體實(shí)現(xiàn)。但是上述兩 種稀疏解混方法仍然存在的不足之處是：并未考慮高光譜圖像數(shù)據(jù)的區(qū)域結(jié)構(gòu)信息和進(jìn)一 步減弱光譜庫中地物光譜間高相關(guān)性對(duì)稀疏解混的影響。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的是克服上述現(xiàn)有技術(shù)的不足，提出一種基于空譜信息豐度約束的高 光譜圖像組稀疏解混方法，利用高光譜圖像的區(qū)域結(jié)構(gòu)信息，減弱光譜庫中地物光譜高相 關(guān)干性的影響，使高光譜圖像稀疏解混效果進(jìn)一步得到提高。
[0007] 本發(fā)明的技術(shù)方案是：
[0008] (1)輸入高光譜圖像數(shù)據(jù),···,.V,,和標(biāo)準(zhǔn)光譜庫 3=[?1,...? /,...八；^9^'其中_^9^1為高光譜圖像數(shù)據(jù)中的第1個(gè)像元的光譜特 征，O y e 9?ixl為標(biāo)準(zhǔn)光譜庫中的第j個(gè)地物光譜，L為波段數(shù)，η為像元個(gè)數(shù)，m為光譜庫中 包含的地物光譜個(gè)數(shù)，識(shí)表示實(shí)數(shù)域；
[0009] (2)利用均值漂移算法對(duì)高光譜圖像數(shù)據(jù)Y進(jìn)行自適應(yīng)分割，分割為k個(gè)區(qū)域，每 個(gè)區(qū)域即為一組，則￥=沁 1，..'，...，61;}，其中6>[?"，：^]，1 = 1，?，1^為高光譜 圖像數(shù)據(jù)分割得到的第i組像元集，IGiI為第i組像元集內(nèi)包含的像元個(gè)數(shù)；
[0010] (3)通過組稀疏解混的方法對(duì)步驟⑵中得到的每組像元集Gi, i = 1，…，k分別 進(jìn)行稀疏解混：
[0011] 3a)輸入由高光譜圖像數(shù)據(jù)分割得到的一組像元集匕和光譜庫A，設(shè)置初始迭代 次數(shù)iter = 0,光譜庫A中地物光譜個(gè)數(shù)t = m ;
[0012] 3b)利用組稀疏回歸的模型求解像元集GJi應(yīng)的豐度矩陣Xi，數(shù)學(xué)模型 為^-G^+/L|X ;.|21 s. t XiS 0,其中第一項(xiàng) |μ(-是誤差項(xiàng)，

【權(quán)利要求】
1. 基于空譜信息豐度約束的高光譜圖像組稀疏解混方法，其特征在于：包括以下步 驟： (1) 輸入高光譜圖像數(shù)據(jù)F= ，….Vi，…，.r,,]e沢/x"和標(biāo)準(zhǔn)光譜庫3=[七，…，其中.為高光譜圖像數(shù)據(jù)中的第i個(gè)像元的光譜特 征，a;.e$txl為標(biāo)準(zhǔn)光譜庫中的第j個(gè)地物光譜，L為波段數(shù)，η為像元個(gè)數(shù)，m為光譜庫中 包含的地物光譜個(gè)數(shù)，'^表示實(shí)數(shù)域； (2) 利用均值漂移算法對(duì)高光譜圖像數(shù)據(jù)Y進(jìn)行自適應(yīng)分割，分割為k個(gè)區(qū)域，每個(gè)區(qū) 域即為一組，則Y= (G1,...Gi,...，Gj，其中G) =[.νρ···，_ν_]，i= 1，…，k為高光譜圖像 數(shù)據(jù)分割得到的第i組像元集，IGiI為第i組像元集內(nèi)包含的像元個(gè)數(shù)； (3) 通過組稀疏解混的方法對(duì)步驟（2)中得到的每組像元集Gi,i= 1，…，k分別進(jìn)行 稀疏解混： 3a)輸入由高光譜圖像數(shù)據(jù)分割得到的一組像元集匕和光譜庫A，設(shè)置初始迭代次數(shù)iter= 0,光譜庫A中地物光譜個(gè)數(shù)t=m; 3b)利用組稀疏回歸的模型求解像元集匕對(duì)應(yīng)的豐度矩陣Xi，數(shù)學(xué)模型為 -G^+A|X,|2a 5·?孓>0,其中第一項(xiàng)|μ^-句匕是誤差項(xiàng)， \\H\\f = ^/irace丨表示任意矩陣H的F范數(shù)，trace{·}為矩陣的跡，模型的第二項(xiàng) =Σ:Η2是矩陣的k:范數(shù)，其約束了矩陣行稀疏，X嚷示豐度矩陣Xi的第」行，m為豐度矩陣的行數(shù)，λ為正則項(xiàng)參數(shù)； 3c)令迭代次數(shù)iter=iter+Ι，利用步驟3b)獲得像元集GJt應(yīng)的豐度矩陣Xi對(duì)光 譜庫A進(jìn)行修剪，更新光譜庫A，光譜庫修剪的具體步驟為： 第1步，輸入豐度矩陣Xi=[X\ .χ\. ·.，χ--Β光譜庫A=Iia1,·..a」,.·.，am]，叉^為 豐度矩陣的第j行向量，a」為光譜庫中的第j列光譜特征； 第2步，判斷行向量d中的所有元素是否均大于閾值τ，初始閾值τ大小一般取 2Xe_3,若滿足條件，則保留光譜庫中對(duì)應(yīng)的εν否則，從光譜庫A中剔除aj; 第3步，得到新的光譜庫A，更新閾值τ=iter*T和參數(shù)t= |A|，|A|為新的光譜 庫A中包含的地物光譜個(gè)數(shù)； 3d)重復(fù)步驟3b) - 3c)，直至滿足終止條件，終止條件為最大迭代次數(shù)iter= 20或者 光譜庫中剩余地物光譜個(gè)數(shù)t<T，閾值T的取值范圍為p<T< 2p，p為高光譜圖像數(shù)據(jù) 中包含的端元數(shù)目，可以由基于最小誤差的高光譜信號(hào)識(shí)別算法估計(jì)得到； (4) 獲得k組像元集（G1,...Gi, ...，GJ對(duì)應(yīng)的豐度矩陣（X1,...Xi, ...，XJ，其中 第i組像元集匕對(duì)應(yīng)的豐度矩陣，輸出高光譜圖像數(shù)據(jù)解混結(jié)果。
2. 根據(jù)權(quán)利要求1所述的基于空譜信息豐度約束的高光譜圖像組稀疏解混方法，所述 步驟3b)中數(shù)學(xué)模型的具體求解步驟為： 第1步，對(duì)于數(shù)學(xué)模型-q.|lX|A||2ilw>ο中已知的變量Gi,a， λ做預(yù)處理，令C(而，=JlGi111/z|G;|，Gi=Gi/consi^A=A/const，λ=λ/const，const 表示一個(gè)中間變量，IGiI表示像元集Gi內(nèi)包含的像元個(gè)數(shù)； 第2步，引入輔助變量U，使得U=Xi,則數(shù)學(xué)模型等價(jià)于如下形式：
V3=U 其中匕+的）=(匕）為指示函數(shù)，I%I為矩陣％的列數(shù)，V %為矩陣V3的第i列，tK+(V3i)的數(shù)學(xué)表達(dá)式如下所示：
第3步，根據(jù)交替方向乘子法，引入增廣拉格朗日乘子01/^，02/^，0 3/^，以為常數(shù)， 公式（1)等價(jià)轉(zhuǎn)換為如下形式：
第4步，設(shè)迭代次數(shù)τι= 0,常數(shù)μ彡0,初始化U?，令，匕((>)，Ρ3(ω， ，Df，Df初始值為零，固定其他變量，分別求變量U，V1,V2,V3,D1,D2,D3的值； 1) 固定變量V1,V2,V3,D1,D2,D3，求變量U的值 得：U(n+1)-(A
其中：g= +Z)〉"、& = +1?")，A= 0") +Ζ)3('?> 2) 固定變量U，V2，V3,D1,D2，D3，求變量V1的值
3) 固定變量U，Vi，V3,Di，D2,D3，求變量V2的值
又 此處求解需分別計(jì)算矩陣0一的每行C+1)，其中， 幻?2,;.為矩陣的第r行，函數(shù)vectsofU·，·）是行向量軟閾值函數(shù)，計(jì)算公 式為：
4) 固定變量U，V1,V2，D1,D2，D3，求變量V3的值 F3(,/+1) ^argmm^riU^^F^^,F3 ) 得：emax("(7i -Dl'O) 5) 更新變量D1，D2，D3
第5步，令迭代次數(shù)n=n+i，重復(fù)上述對(duì)變量u，V1,v2,v3,D1, %，〇3的求解過 程，直至滿足終止條件，終止條件為最大迭代次數(shù)η= 200或者變量u前后兩次的誤差 「(7+1)-「("^&，閾值￡一般取值大小為1\，，輸出變量。的值，即豐度矩陣\。 F
【文檔編號(hào)】G06T7/00GK104463223SQ201410810715
【公開日】2015年3月25日 申請(qǐng)日期:2014年12月22日 優(yōu)先權(quán)日:2014年12月22日
【發(fā)明者】張向榮, 焦李成, 吳健康, 馬文萍, 馬晶晶, 侯彪, 白靜, 劉紅英 申請(qǐng)人:西安電子科技大學(xué)