基于區(qū)域分割的高光譜圖像自適應(yīng)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，主要設(shè)及無監(jiān)督目標(biāo)識別方法，具體是一種基于 區(qū)域分割的高光譜圖像自適應(yīng)解混方法，可應(yīng)用于高光譜圖像的地物識別。
【背景技術(shù)】
[0002] 高光譜遙感是利用測譜學(xué)原理，即在電磁波譜的紫外、可見光、近紅外和中紅外區(qū) 域，利用成像光譜儀獲取的許多非常窄且光譜連續(xù)的圖像數(shù)據(jù)。成像光譜儀W像元為單位 來獲取的地面反射或發(fā)射光譜信號。圖像中每個像元對應(yīng)的地物空間區(qū)域，往往包含有著 不同的光譜特征的不同物質(zhì)。若該像元中僅包含一種物質(zhì)或者該物質(zhì)所占的比例很高，貝U 稱為純像元，也叫作"端元";若該像元包含不止一種物質(zhì)，該像素點被稱作混合像元?；旌?像元所對應(yīng)的光譜曲線由幾種不同物質(zhì)的光譜曲線混合而成。
[0003]混合像元分解方法按照所采用的分解模型，大致可W分為基于線性光譜混合模型 的分解方法和基于非線性光譜混合模型的分解方法。
[0004] 光譜解混提高了目標(biāo)識別的精度，是高光譜圖像處理中一項非常重要的任務(wù)，線 性模型（LMM)假設(shè)觀察到的光譜是一些端元的線性組合，它是一個簡化的光譜模型，只考 慮一階散射光子，而忽略多個光子間的相互作用。盡管基于LMM的混合端元分解方法能得 到有物理意義的結(jié)果，光譜混合模型中的非線性分量已在很多工作中被指出?；诰€性混 合模型的光譜解混理論和方法已得到了廣泛的研究與應(yīng)用，但由于受實際地物間復(fù)雜關(guān)系 W及大氣散射的影響，光譜混合都是非線性的，該就使得應(yīng)用傳統(tǒng)的基于線性光譜混合模 型的解混結(jié)果難W滿足高光譜圖像解混的精度要求。近年來，非線性解混是基于非線性模 型的，在遙感圖像處理中非常受重視。多層場景中，在不同的層中有多重散射，通常發(fā)生在 植被和±壤之間。根據(jù)地物散射的特點，雙線性模型炬MM)考慮了光子在不同材料之間的 二階散射。雙線性比較適合于高光譜圖像中灌木叢、植被等會產(chǎn)生折射現(xiàn)象的地類目標(biāo)。雙 線性模型是非線性解混中的常用模型。
[0005]非負矩陣分解（NM巧將一個非負矩陣分解為兩個非負矩陣相乘，是目前處理線性 混合模型的非常有效的方法。半非負矩陣分解（semi-NM巧將一個無約束矩陣分解為一個 無約束矩陣和一個非負矩陣相乘，可用來優(yōu)化基于廣義雙線性模型（GBM)的解混。然而高 光譜圖像往往不是單純只存在線性光譜混合或者只存在雙線性光譜混合，大多數(shù)高光譜數(shù) 據(jù)需要考慮線性混合和雙線性混合模型共存的情況，目前還沒有有效的方法來處理該樣的 圖像。而且目前現(xiàn)有的基于廣義雙線性模型GBM的解混方法沒有考慮豐度矩陣的稀疏性， 容易限于局部最優(yōu)解。

【發(fā)明內(nèi)容】

[0006]為了克服現(xiàn)有的高光譜圖像解混方法不適用于處理線性混合和雙線性混合模型 共存的高光譜數(shù)據(jù)，本發(fā)明提供一種考慮線性混合和雙線性混合共存的基于區(qū)域分割的高 光譜圖像自適應(yīng)解混方法。
[0007] 本發(fā)明的基于區(qū)域分割的高光譜圖像自適應(yīng)解混方法，其實現(xiàn)包括有如下步驟：
[000引（1)輸入高光譜圖像，高光譜圖像用數(shù)據(jù)YGR"嗦示，其中L表示高光譜數(shù)據(jù)的 波段數(shù)，N表示高光譜數(shù)據(jù)樣本總個數(shù)，R表示實數(shù)域；
[0009] (2)使用基于最小錯誤高光譜信號識別法估計高光譜數(shù)據(jù)YGRtxw的信號子空 間，得到信號子空間維數(shù)K，即高光譜數(shù)據(jù)的端元數(shù)目；
[0010] (3)用頂點成分分析算法提取高光譜圖像的端元矩陣AGRtxK，其每行向量 表示高光譜圖像第i個端元的光譜曲線；
[0011] (4)用K均值聚類方法（kmeans)對高光譜數(shù)據(jù)YGR"w聚類，聚為K+2類，聚類 類標(biāo)分別為1，2, 3...，K+2,根據(jù)類標(biāo)，用2*2的窗口掃描全圖，若窗口中至少有一個類標(biāo)不 同，則把該2*2窗口對應(yīng)的像素點歸為高光譜圖像的細節(jié)區(qū)域數(shù)據(jù)Y,e訴，其余像素點 歸為高光譜圖像的勻質(zhì)區(qū)域數(shù)據(jù)E巧，其中N=Ni+N2，Ni表示高光譜圖像的勻質(zhì)區(qū)域 數(shù)據(jù)樣本個數(shù)，N,表示高光譜圖像的細節(jié)區(qū)域數(shù)據(jù)樣本個數(shù)；本發(fā)明在該步驟中把高光譜 圖像分割為細節(jié)區(qū)域和勻質(zhì)區(qū)域分別表示，在之后的處理步驟中分別進行處理；
[0012] (5)將高光譜圖像勻質(zhì)區(qū)域數(shù)據(jù)Yi和高光譜圖像端元矩陣A作為線性光譜混合模 型的輸入信號，用Li/2約束的非負矩陣分解（Li/2-NMF)方法得到勻質(zhì)區(qū)域數(shù)據(jù)的系數(shù)矩陣 XiG浙。"1，即一階豐度矩陣，其中每一列向量訴W第n個像素的豐度向量；本發(fā) 明在高光譜圖像勻質(zhì)區(qū)域采用線性模型，用稀疏約束的非負矩陣分解（Li/2-NM巧方法解混。
[0013] (6)將高光譜圖像細節(jié)區(qū)域數(shù)據(jù)Y2和高光譜圖像端元矩陣A作為雙線性光譜混合 模型的輸入信號，用稀疏約束的半非負矩陣分解方法得到細節(jié)區(qū)域數(shù)據(jù)Y2對應(yīng)的一階豐度 矩陣E訴心W:，其中每一列向量記E識W表示第m個像素的豐度向量，和細節(jié)區(qū)域 數(shù)據(jù)Y,對應(yīng)的二階豐度矩陣Ee妒-(A'-ii/2xw;，其中每一列向量e於表示第m個 像素的雙線性豐度向量；本發(fā)明在高光譜圖像細節(jié)區(qū)域采用廣義雙線性模型（GBM)，用稀 疏約束的半非負矩陣分解（Li/2-Semi-NMF)方法解混。
[0014] (7)將高光譜圖像勻質(zhì)區(qū)域Yi的一階豐度矩陣和高光譜圖像細節(jié)區(qū)域 ￥2的一階豐度矩陣X,e訴Axw^合并為IXe%Kxw，得到為整個高光譜數(shù)據(jù)的豐度矩陣，完成 高光譜圖像解混。
[0015] 本發(fā)明中高光譜圖像考慮了線性混合和雙線性混合模型共存的情況，通過K均 值聚類方法把高光譜圖像分割為細節(jié)區(qū)域和勻質(zhì)區(qū)域分別表示。其中勻質(zhì)區(qū)域采用線 性模型，用稀疏約束的非負矩陣分解（Li/2-nm巧方法解混；細節(jié)區(qū)域采用廣義雙線性模型 佑BM)，用稀疏約束的半非負矩陣分解（Li/2-Semi-NM巧方法解混，在GBM模型中考慮了豐度 的稀疏信息，使得解混更加穩(wěn)定，不易陷于局部最優(yōu)解。
[0016] 本發(fā)明的實現(xiàn)還在于（5)所述的用Li/2約束的非負矩陣分解方法得到勻質(zhì)區(qū)域數(shù) 據(jù)Yi的一階豐度矩陣X1，包括有如下步驟：
[0017]巧a)根據(jù)高光譜成像理論，在高光譜圖像勻質(zhì)區(qū)域數(shù)據(jù)的豐度矩陣X沖加入L1/2 范數(shù)，得到稀疏約束表達式
作為豐度矩陣Xi的稀疏約束項，其中 XI。化）是高光譜圖像勻質(zhì)區(qū)域數(shù)據(jù)Yi中在第n個像元的第k個端元的豐度；
[0018] 巧b)將步驟巧a)得到的稀疏約束項添加到W歐氏距離為基礎(chǔ)的非負矩陣分解算 法的目標(biāo)函數(shù)min引Yi-AX|中，構(gòu)成新的目標(biāo)函數(shù)；
[0021] 其中A是稀疏約束正則化參數(shù)，0,1TXi= 1T是高光譜圖像勻質(zhì)區(qū)域豐度矩 陣的"非負"和"和為一"約束；
[0022] 巧C)對步驟巧b)得到的目標(biāo)函數(shù)用迭代乘法進行優(yōu)化，得到勻質(zhì)區(qū)域數(shù)據(jù)的端 元矩陣A的更新公式A.*YiXiT./AX,X；^:和勻質(zhì)區(qū)域數(shù)據(jù)的一階豐度矩陣Xi的更新公式 X,*A、/(ATAXi+!xr^);其中（?）嗦示矩陣的轉(zhuǎn)置，?*和?/分別表示按元素的乘法 和除法；
[0023] 巧d)重復(fù)執(zhí)行步驟巧C)得到的高光譜圖像勻質(zhì)區(qū)域數(shù)據(jù)的端元矩陣A的更新公 式和勻質(zhì)區(qū)域數(shù)據(jù)的一階豐度矩陣Xi的更新公式，直到迭代次數(shù)達到設(shè)定次數(shù)C。
[0024] 目前正則化方法通常用來約束豐度的稀疏性，因為大多數(shù)像素只存在少數(shù)的端元 的混合。稀疏約束可W通過正則化方法實現(xiàn)，如L。正則和Li正則。前者可W指定的非零元 素的數(shù)目，但難W求解，而后者只能控制稀疏正則化參數(shù)，但不是精確控制非零數(shù)。本發(fā)明 采用Li/2約束的非負矩陣分解方法得到勻質(zhì)區(qū)域數(shù)據(jù)Y1的一階豐度矩陣X1，提供了比使用 Li更稀疏，更準(zhǔn)確的結(jié)果。
[0025] 本發(fā)明的實現(xiàn)還在于步驟做用Li/2-Semi-NMF方法得到細節(jié)區(qū)域數(shù)據(jù)Y2對應(yīng)的 一階豐度矩陣X2和二階豐度矩陣E，按照如下步驟進行：
[0026] 化a)在高光譜圖像細節(jié)區(qū)域Y2采用雙線性模型表示如下
[0027] Y2=AX2+BE+M
[0028] 其中，X,e訴KXW:表示雙線性區(qū)域數(shù)據(jù)對應(yīng)的一階豐度矩陣，其中每一 列向量扣,,}:1E妒XI表示第n個像素的豐度向量，Be妒X渾-0/2是雙線性端元 矩陣，心W:是雙線性區(qū)域數(shù)據(jù)對應(yīng)的二階豐度矩陣，其中每一列向量 {6,,}：1：,€91^^^/^表示第〇個像素的雙線性豐度向量，^^^況^";表示噪聲矩陣；
[0029] 化b)在高光譜圖像勻質(zhì)區(qū)域數(shù)據(jù)的豐度矩陣X2中加入L1/2范數(shù)，得到稀疏約束表 達式11X1, =S；；三X:。Wl'M乍為豐度矩陣X2的稀疏約束項，其中X2。(k)是高光譜圖像細節(jié)區(qū) 域數(shù)據(jù)Y,中在第n個像元的第k個端元的豐度；
[0030] 化C)將步驟化b)得到的稀疏約束項添加到步驟化a)所述雙線性模型上，得到雙 線性模型的最小化目標(biāo)函數(shù)
[003引其中狂％，j)n=狂2)化0Qj> e山2，...，馬}，II?Mf表示F范數(shù)；
[0034] 化d)引入Y2i=Y2-AX2,Y22=Y2-BE，可將步驟化a)中的雙線性