基于快速uncls的高光譜亞像素探測方法
【專利摘要】本發(fā)明提出了一種基于快速UNCLS高光譜亞像素探測方法，用于解決存在的計算性能低的問題。包括如下步驟：輸入高光譜圖像，得到該圖像的像素矢量矩陣；初始化相關(guān)參數(shù)，計算首個目標(biāo)特征矢量；用光譜特征矩陣存儲目標(biāo)特征矢量；計算相關(guān)矩陣，并利用矩陣升序求逆方法對其求逆；利用矩陣降序求逆方法對引導(dǎo)矩陣求逆，得到修正的NLCS；利用修正的NLCS和相關(guān)矩陣的逆矩陣計算豐度矩陣；判斷豐度矩陣的擬合優(yōu)度是否小于設(shè)定閾值，滿足則結(jié)束，否則計算新的目標(biāo)特征矢量，執(zhí)行步驟3。通過采用矩陣升序求逆和矩陣降序求逆，對現(xiàn)有基于UNLCS高光譜亞像素的探測方法中UNCLS進行修正，有效地提升了高光譜亞像素探測的計算性能。
【專利說明】
基于快速UNCLS的高光譜亞像素探測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，設(shè)及一種基于快速UNCLS的高光譜亞像素探測方 法，可用于對高光譜圖像亞像素探測的計算性能進行有效提升。
【背景技術(shù)】
[0002] 從20世紀(jì)60年代開始，隨著信息技術(shù)、傳感器技術(shù)和空間科學(xué)的進步，遙感技術(shù)得 到了迅速的發(fā)展。遙感是從遠處探測自然界物體的一種技術(shù)，自然中的一切物體都具有反 射或發(fā)射電磁波的特性，物體不同，所處于的環(huán)境不同，物體發(fā)射或反射的電磁波也不相 同。被物體發(fā)射或反射的電磁波中包含著物體的特征信息，能夠作為感知不同物體的工具。 基于此原理，遙感技術(shù)通過物理設(shè)備收集物體發(fā)射或反射的電磁波來感知和判別物體。通 過遙感獲得的圖像就是遙感圖像。
[0003] 國際遙感界的共識是光譜分辨率在VlO數(shù)量級范圍的稱為多光譜，運樣的遙感器 在可見光和近紅外光譜區(qū)只有幾個波段;而光譜分辨率在VlOO的遙感信息稱之為高光譜 遙感;隨著遙感光譜分辨率的進一步提高，在達到VlOOO時，遙感即進入超高光譜階段。
[0004] 多光譜圖像是我們平常接觸較多的遙感影像，其在電磁波譜中的幾個可見光波段 上同時獲取信息。高光譜遙感圖像在電磁波譜的紫外、可見光、近紅外和中紅外區(qū)域中的數(shù) 十至數(shù)百個非常窄的且連續(xù)的光譜段上同時獲取信息。相比于傳統(tǒng)的遙感圖像如多光譜圖 像來說，高光譜圖像可W提供豐富的信息而且有很高的光譜分辨率。
[0005] 高光譜遙感信號是通過成像光譜儀獲取的，由于通常高光譜圖像的空間分辨率較 低W及受到目標(biāo)尺寸和地物復(fù)雜特性的影響，使得感興趣目標(biāo)在高光譜圖像中往往處于亞 像元級或弱信息狀態(tài)。所謂的亞像元級目標(biāo)是指尺寸小于遙感器空間分辨率的目標(biāo)，而弱 信息目標(biāo)也叫小存在概率目標(biāo)，即在圖像中分布很少的目標(biāo)。因此，傳統(tǒng)的基于空間形態(tài)的 目視解譯方法無法實現(xiàn)對運類目標(biāo)的探測識別。與傳統(tǒng)的基于高空間分辨率遙感影像的目 標(biāo)探測原理不同，高光譜遙感目標(biāo)探測主要依據(jù)目標(biāo)與地物在光譜特征上存在的差異進行 檢測識別。雖然高光譜數(shù)據(jù)空間分辨率不高，但其豐富的光譜信息彌補了運一不足，而且在 足夠高的光譜分辨率下，感興趣目標(biāo)會表現(xiàn)出診斷性光譜特征或者會在背景地物中顯示為 一種"數(shù)據(jù)異常"，利用運些信息完全可W將亞像元級目標(biāo)或小目標(biāo)提取出來。
[0006] 成像光譜儀所記錄的地表物質(zhì)的反射信號是W像元為單位標(biāo)記的。地表物質(zhì)的光 譜信號是由多個像元組成的。如果像素僅包含一種類型的地表物質(zhì)，則稱此像素為純像元 或者端元;若該像素包含兩種W上的地表物質(zhì)，則稱混合像素。高光譜圖像中混合像素的存 在，使得傳統(tǒng)的基于像素級高光譜圖像的分類、壓縮和目標(biāo)檢測等應(yīng)用受到限制。所W需要 解決混合像素的分解問題。高光譜模型分為線性混合和非線性混合。在分析高光譜含有的 混合像素時，一般應(yīng)用線性光譜混合模型進行分析。基于線性混合模型的高光譜解混主要 包括兩部分:端元提取和混合像素分解。
[0007] 線性混合模型可表示為矩陣形式：
[000引 R=Ma+n (1)
[0009]其中，]?=[1]11，1]12，...，1%]是光譜特征矩陣，曰=[曰1，曰2，..，曰。]'''是每一個端元向量 占有的豐度矩陣。n為一個L維的誤差項，P個端元向量和對應(yīng)的豐度矩陣都是未知量，根據(jù) 實際的高光譜圖像端元光譜和豐度矩陣分布情況，對于光譜和它對應(yīng)的豐度矩陣有兩個約 束條件：
[0010] 端元光譜及其豐度矩陣是非負的，即
[0011] mi>0,0《￡ii《l (2)
[0012] 各個端元對應(yīng)的豐度矩陣總和是1，即
[0013]
誠
[0014] 基于算法實現(xiàn)的端元提取有:純像元指數(shù)(Pixel化rity Index,PPI)是一種使用 廣泛成熟的方法，是由Boardman等研究人員在1995年基于凸單興體理論提出并發(fā)展成熟 的;N-FINDR利用高光譜圖像在特征空間中呈凸面單形體的特性，通過捜索體積最大的單形 體來尋找圖像中的所有端元;迭代誤差分析法（IEA)不需要對原始的高光譜圖像進行降維 或去冗余處理，可W直接對圖像端元提??；頂點成分分析(Vertex Component Analysis, VCA)是在假設(shè)高光譜圖像中存在純像元的情況下基于凸面幾何理論提出的。
[0015] 基于算法實現(xiàn)的混合像素分解有W下典型方法：
[0016] 1)基于最小二乘法化S)實現(xiàn)混合像素分解，是基于線性混合模型在無約束條件下 均方誤差意義的最佳解，是目前應(yīng)用最廣泛的算法。但是該解的表達式多次用到矩陣的乘 積及求逆，特別是在端元數(shù)目較多的情況下，使得計算復(fù)雜度比較大。另外，由于沒有附加 任何約束條件，混合像素分解效果不理想，會出現(xiàn)端元成分小于0或者大于1的情況。
[0017] 結(jié)合非負和豐度矩陣和為一的約束條件提出了基于和一約束最小二乘方法 (SCLS)、非負約束最小二乘方法(化CS)、全約束最小二乘方法(FLCS)實現(xiàn)的混合像素分解。
[0018] 2)基于投影尋跡實現(xiàn)的混合像素分解，是一種?？谔幚砀呔S數(shù)據(jù)的降維方法。其 基本思想是把高維數(shù)據(jù)投影到低維空間上，用一個設(shè)計的投影指標(biāo)(PI)，作為度量來尋找 能反映原高維數(shù)據(jù)結(jié)構(gòu)或特征的投影稱為"令人感興趣"的投影，然后通過分析和研究投影 數(shù)據(jù)W達到了解原數(shù)據(jù)的目的。
[0019] 3)基于正交子空間投影OSP實現(xiàn)的混合像素分解，認為所有像元均由感興趣的目 標(biāo)和背景組成，在消除背景地物的同時，得到目標(biāo)地物的最佳匹配效果。OSP的特點在于通 過信號光譜的逐步分離來提取出感興趣的信號。
[0020] 4)還有基于最大似然估計，光譜信號匹配，光譜角映射，單形體體積法等算法實現(xiàn) 的混合像素分解。
[0021] 近年來，隨著盲信號處理技術(shù)的興起和發(fā)展，非監(jiān)督的光譜解混稱為研究熱點。非 監(jiān)督的光譜解混是指在端元信息，如圖像中端元的個數(shù)，端元光譜等。完全未知的情況下， 將混合像素分解為端元向量及其在像素中所占的比例。對于非監(jiān)督的光譜解混問題來說， 端元向量及其在混合像素中所占的比例(豐度矩陣)都是未知的。傳統(tǒng)的方法認為端元的豐 度矩陣是未知的非隨機參數(shù)，用統(tǒng)計的方法來估算，如最小二乘估計，學(xué)者化ang等提出基 于UNCLS的高光譜亞像素探測方法。該方法是實現(xiàn)高光譜亞像素探測的常用算法，該方法中 利用線性混合模型描述高光譜圖像的像素矢量，利用線性回歸模型實現(xiàn)豐度矩陣估計，利 用拉格朗日乘子實現(xiàn)豐度矢量的非負約束，實現(xiàn)高光譜亞像素的探測。基于UNCLS的高光譜 亞像素探測方法的優(yōu)點是無論在沒有先驗的基礎(chǔ)上執(zhí)行多少次，都可W自動提取目標(biāo)特征 生成一個穩(wěn)定的解。然而該方法依賴于傳統(tǒng)的矩陣求逆方法，矩陣求逆的時間成本高，使得 該方法的計算性能低。

【發(fā)明內(nèi)容】

[0022] 本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)存在的缺陷，提出了一種基于快速UNCLS高 光譜亞像素探測方法，通過對現(xiàn)有基于UNCLS的高光譜亞像素探測方法，分別采用矩陣升序 求逆和矩陣降序求逆，實現(xiàn)對無監(jiān)督非負最小二乘法UNCLS進行修正，用于解決現(xiàn)有技術(shù)存 在的計算性能低的技術(shù)問題。
[0023] 為實現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案，包括如下步驟：
[0024] 步驟1，讀入原始高光譜圖像，得到該圖像的像素矢量矩陣；
[0025] 步驟2,設(shè)定迭代變量k并初始化為1，遍歷所述圖像的像素矢量矩陣，并將遍歷得 到的第k個目標(biāo)特征矢i
進行存儲，得到當(dāng)前光譜特征矩陣
，其中f是像素矢量矩陣中的元素 ，LSE 是像素矢量矩陣中元素 r的 擬合優(yōu)度；
[00%]步驟3,對得到的光譜特征矩陣Mk =巧….，Tk |、Tk]進行矩陣運算，得到相關(guān)矩陣
[0027]步驟4,利用矩陣升序求逆公式，對得到的相關(guān)矩陣
求逆，得到相關(guān)矩 陣
1 勺逆矩陣Rk-I，具體實現(xiàn)步驟如下：
[002引步驟4a，設(shè)定得到的相關(guān)矩陣及k = 的光譜特征表達式
[0029] 其中，Mk-I是上級光譜特征矩陣Mk_.i =托，...義_,]:;
[0030] 步驟4b，利用矩陣升序求逆公式，對設(shè)定得到的相關(guān)矩陣Rk =M換Ik的光譜特征 表達^^
中的各分塊矩陣進行替代，得到相關(guān)矩陣化k = M Mk的逆 矩陣Ri^i的矩陣表達式

[0031]
[0032] '
[0033]
[0034]
[003引步驟5,設(shè)定相關(guān)矩陣Rk =M於fc的矩陣表達式
[0036] 步驟6,采用矩陣降序求逆公式，對設(shè)定的相關(guān)矩陣及k =MiMk的矩陣表達式
注行運算，實現(xiàn)非負約束最小二乘法NCLS的修正；
[0037] 步驟7,利用修正后的NCLS對光譜特征矩陣Mk =[T,..lk ,，Tk]中目標(biāo)特征矢量的豐 度矩陣進行計算，得到胖咕)，...，始佑)，雌作)；
[0038] 步驟8,設(shè)定所述圖像的像素矢量矩陣中元素巧勺擬合優(yōu)度誤差闊e;
[0039] 步驟9,利用得到的目標(biāo)豐度矩陣式k節(jié))，..口 )，邸節(jié)），計算所述圖像的像素矢 量矩陣中所有元素 f的擬合優(yōu)巧LSE'k'(n，計算公式表示如下：
[0040]
[0041] 步驟10,判斷得到的擬合優(yōu)度LSEk盧）和設(shè)定的擬合優(yōu)度誤差闊e是否滿足 L化k仍< g，若是則算法結(jié)束，否則執(zhí)行步驟11.
[0042] 步驟11，對設(shè)定的迭代變量k加1，并利用得到的擬合優(yōu)度LSE'k丫O，計算第k個目 標(biāo)特征矢J
得到光譜特征矩陣Mk =巧....fw，看]，執(zhí)行步驟 3。
[0043] 本發(fā)明與現(xiàn)有技術(shù)相比，具有W下特點：
[0044] 本發(fā)明由于在提取目標(biāo)特征矢量時，采用了矩陣升序求逆的方法;在生成豐度矩 陣時，采用了矩陣降序求逆的方法，實現(xiàn)了對UN化S的修正，與現(xiàn)有技術(shù)中僅采用的矩陣求 逆方法相比，縮短了計算時間，有效地提升了高光譜亞像素探測的計算性能。
【附圖說明】
[0045] 圖1為本發(fā)明的實現(xiàn)流程框圖；
[0046] 圖2為本發(fā)明與現(xiàn)有基于UNCLS高光譜亞像素探測的時間成本仿真對比圖。
【具體實施方式】：
[0047] W下結(jié)合附圖和具體實施例，對本發(fā)明作進一步詳細說明：
[004引參照附圖1，本發(fā)明包括如下步驟：
[0049] 步驟1，讀入原始高光譜圖像，得到該圖像的像素矢量矩陣。讀入的高光譜圖像是 通過AVIRIS(Airt)Orne Visible/In打ared Imaging Spectrometer,機載可見光/紅外成像 光譜儀)采集得到。高光譜圖像是數(shù)據(jù)立方體，其中包括二維空間的方向維和光譜維，分別 攜帶高光譜圖像的空間和光譜信息。該高光譜圖像的像素矢量矩陣反映了圖像中像元的光 譜特征。
[0050] 步驟2,設(shè)定迭代變量k并初始化為1，遍歷所述圖像的像素矢量矩陣，并將遍歷得 到的第k個目標(biāo)特征矢量
注行存儲，得到當(dāng)前光譜特征矩陣 Mk =6、..，、I.、]，其中f是像素矢量矩陣中的元素，LSE'k'O=)是像素矢量矩陣中元素 f的 擬合優(yōu)度。
[0051 ]目標(biāo)特征矢量的賦值公式是一個分段函數(shù)，在迭代變量k= 1，即第一次迭代時遍 歷所述圖像利用分段函數(shù)中對應(yīng)的公式^=arg{max-r[f'TF]}k=l得到第一個目標(biāo)特征矢 量，對其進行存儲得到第一級光譜特征矩陣，此時光譜特征矩陣中只含有一個目標(biāo)特征矢 量;在迭代的過程中，通過將每次迭代產(chǎn)生的新目標(biāo)特征矢量tkJ=arg.;maxT.LSEk(T)i.k>l 加入光譜特征矩陣實現(xiàn)對光譜特征矩陣的更新。
[0052]擬合優(yōu)度是一個統(tǒng)計術(shù)語，是檢驗生成的模型對樣本的擬合程度。在高光譜圖像 處理中的擬合優(yōu)度LSFk'TO是對混合像元解混后結(jié)果的評價標(biāo)準(zhǔn)。
[0化3] 步驟3，對得到的光譜特征矩陣Mk =巧，…進行矩陣運算，得到相關(guān)矩陣
是光譜特征矩陣Mk的轉(zhuǎn)置矩陣M巧日本身的矩陣運算。 [0054]巧驟4，利用矩陣升序求逆公式，對得到的相關(guān)矩陣
求逆，得到相關(guān)矩 陣
的逆矩陣Rk-I，具體實現(xiàn)步驟如下：
[0化5]步驟4曰，設(shè)定得到的相關(guān)矩P
的光譜特征表達]
其中，Mk-I是上級光譜特征矩陣Mw =巧，...JkJ，在矩陣升序求逆公式中需要將矩陣表示為 分塊矩陣的形式進行運算，因此設(shè)定相關(guān)矩陣的光譜特征表達式。
[0056]步驟4b，利用矩陣升序求逆公式，對設(shè)定得到的相關(guān)矩陣
的光譜特征
表達5 分塊矩陣進行替代，得到相關(guān)矩時
3逆 矩陣R I分塊矩陣中r22、Rii是方陣，m等于的轉(zhuǎn)置，因為 相關(guān)矩陣的光譜特征表達式中的分塊矩陣是由迭代中已知的變量組成，因此與傳統(tǒng)的直接 求逆方法相比，矩陣升序求逆方法可將求逆的過程大大簡化。
[0化7] 步驟5,設(shè)定相關(guān)矩陣及k =!<Mk的矩陣表達式
，在矩陣降序求逆公 式中，也需要將矩陣表示為分塊矩陣的形式進行運算，因此設(shè)定相關(guān)矩陣的矩陣表達式。 [0化引步驟6,采用矩陣降序求逆公式，對設(shè)定的相關(guān)矩陣Rk =M巧的矩陣表達式
進行運算，實現(xiàn)非負約束最小二乘法NCLS的修正。
[0059] 其中設(shè)及到N化S算法，NCLS是UN化S中用于求取目標(biāo)特征矢量豐度矩陣的算法，實 現(xiàn)步驟如下：
[0060] 步驟6a，初始化非負索引集PW = U, 2，...，p}，負索引集；
，其中P表示目標(biāo) 特征矢量的數(shù)量，非負索引集用來存放非負豐度矩陣的索引值，負索引集用來存放負的豐 度矩陣矢量的索引值，在迭代中按照豐度矩陣的正負將其索引值放置在對應(yīng)的索引集中， 實現(xiàn)對非負索引集和負索引集的更新。
[0061] 步驟化，計算線性回歸模望
并判斷是否所有的元素都非負， 滿足算法終止，否則執(zhí)行步驟6c，線性回歸模型是用來估計豐度矩陣引入的變量。
[0062] 步驟6c，將非負索引集PW中與得到的線性回歸模型中負元素的索引值對應(yīng)的元 素移動到負索引集RW中。
[0063] 步驟6d，將得到的線性回歸模聖 與得到的負索引集RW相對應(yīng) 的元素進行復(fù)制，得到負豐度矩陣。
[0064] 步驟6e，將相關(guān)矩醉
與非負索引集PW元素對應(yīng)的行和列刪除，得到 引導(dǎo)矩陣。.
[00化]步驟6f，利用矩陣降序求逆公式對得到的引導(dǎo)矩陣〇,,k'求逆，得到引導(dǎo)矩陣的逆矩 陣仰。k') I。
[0066] 步驟6g，利用得到的引導(dǎo)矩陣的逆矩陣仰,,k ) 1和得到的負豐度矩陣&&W進行計 算，得到乘子矢量廠因目標(biāo)特征矢量豐度矩陣需滿足非負約束，所W引入 乘子矢量。
[0067] 步驟化，判斷得到的乘子矢量
中是否所有元素為負，滿足執(zhí)行步 驟，否則執(zhí)行步驟6i。
[0068] 步驟6i，將得到的乘子矢量 ^
^ ^對應(yīng)的索引值 從負索引集RW移動到非負索引集PW，其中Af嗦示的第j個元素。
[0069] 步驟6j，刪除得到的非負索引集PW在得到的相關(guān)矩聞
中對應(yīng)的列，得 到輔助矩陣W W。
[0070] 步驟化，利用得到的輔助矩陣W W、乘 。和線性回歸模型
進行計算，得到非負豐度矩巧
[0071] 步驟61，判斷得到的非負豐度矩P "
?所有的元素都非負，滿 足算法終止，否則執(zhí)行步驟6c。
[0072] 步驟7,利用修正后的NCLS對光譜特征矩陣；
目標(biāo)特征矢量的豐 度矩陣進行計算，得到d,…護為k作）。計算得到的豐度矩陣滿足非負約束：
[0073]
[0074] 步驟8,設(shè)定所述圖像的像素矢量矩陣中元素 f的擬合優(yōu)度誤差闊e，擬合優(yōu)度闊值 e用來實現(xiàn)終止條件的設(shè)定，該值是通過大量實驗和統(tǒng)計得到的值。
[00對步驟9,利用得到的目標(biāo)特征矢量的豐度矩陣皆'(巧，...，地佑)，郎作>，計算所述圖 像的像素矢量矩陣中所有元素？的擬合優(yōu)度LSE'k'巧），計算公式表示如下：
[0076]
[0077] 步驟10,判斷得到的擬合優(yōu)度LSE'^ (T)和設(shè)定的擬合優(yōu)度誤差闊e是否滿足 L犯&唯)< S龍是則算法結(jié)束，否則執(zhí)行步驟11。
[007引步驟11，對設(shè)定的迭代變量k加 1，并利用得到的擬合優(yōu)度LSEfA(巧，計算第k個目 標(biāo)特征矢i
將得到第k個目標(biāo)特征矢量Tk加入光譜特征矩 陣Mk =巧.、是_1冷]，實現(xiàn)光譜特征矩陣的更新，然后執(zhí)行步驟3,進行下一次迭代。
[0079] W下結(jié)合仿真實驗，對本發(fā)明的技術(shù)效果作進一步的說明。
[0080] 1、仿真條件和內(nèi)容：
[0081 ] 本實施例采用處理器為Inter Core巧-3210M，主頻為2.5G化，內(nèi)存4GB的硬件測 試平臺，64位Windows 7操作系統(tǒng)的Matlab R2013a的軟件平臺，采用WTC的真實高光譜圖 像，對本發(fā)明與現(xiàn)有基于UNCLS高光譜亞像素探測的時間成本進行仿真對比，其結(jié)果如圖2。
[0082] 2、仿真結(jié)果分析：
[0083] 參照圖2,橫坐標(biāo)是目標(biāo)特征矢量的個數(shù)，縱坐標(biāo)從下至上是實現(xiàn)高光譜亞像素探 測的運算時間和加速比。隨著目標(biāo)特征矢量的數(shù)目增加，本發(fā)明的時間成本呈穩(wěn)定狀態(tài)，對 應(yīng)速度保持穩(wěn)定;現(xiàn)有基于UN化S高光譜亞像素探測的時間成本呈現(xiàn)上升趨勢，對應(yīng)速度逐 漸降低。
[0084] 仿真結(jié)果表明，相對于現(xiàn)有基于UNCLS高光譜亞像素探測方法，本發(fā)明的時間成本 明顯降低，計算性能明顯提升。
【主權(quán)項】
1. 一種基于快速UNCLS的高光譜亞像素探測方法，其特征在于，包括有如下步驟： (1) 讀入原始高光譜圖像，得到該圖像的像素矢量矩陣； (2) 設(shè)定迭代變量k并初始化為1，遍歷所述圖像的像素矢量矩陣，并將遍歷得到的第k個目標(biāo) 特征矢量行存儲，得到當(dāng)前光譜特征矩陣Mk.=代， 其中？是像素矢量矩陣中的元素，LSE_k (?)是像素矢量矩陣中元素?的擬合優(yōu)度； ⑶對得到的光譜特征矩陣叫進行矩陣運算，得到相關(guān)矩陣1 = M【Mk; (4) 利用矩陣升序求逆公式，對得到的相關(guān)矩陣Rk =Mi'M:k求逆，得到相關(guān)矩陣 Rk，M〖Mk的逆矩陣R k-1，具體實現(xiàn)步驟如下： (4a)設(shè)定得到的相關(guān)矩陣Rfc = 光譜特征表達式其中，Μη是上級光譜特征矩陣Mk , =[1,，...^小 (4b)利用矩陣升序求逆公式，對設(shè)定得到的相關(guān)矩陣Rfc=M〖Mk的光譜特征表達式和的各分塊矩陣進行替代，得到相關(guān)矩陣Rk=M〖M k的逆矩陣Rf 的矩陣表達式(5) 設(shè)定相關(guān)矩陣R:fc = 的矩陣表達歲(6) 采用矩陣降序求逆公式，對設(shè)定的相關(guān)矩陣Rk=M〖Mfc的矩陣表達式進行運算，實現(xiàn)無監(jiān)督非負約束最小二乘法UNCLS的修正； (7) 利用修正后的UNCLS對光譜特征矩陣Mk =[V.Jk |5ik]中目標(biāo)特征矢量的豐度值進行 計算，得到?廣(F),.·.，武3^(F)，《k)(F); (8) 設(shè)定所述圖像的像素矢量矩陣中元素?的擬合優(yōu)度誤差閾ε; (9) 利用得到的目標(biāo)豐度值計算所述圖像的像素矢量矩陣中 所有元素?的擬合優(yōu)度LSEirO,計算公式表示如下：(10) 判斷得到的擬合優(yōu)度LSElk)(f)和設(shè)定的擬合優(yōu)度誤差閾ε是否滿足LSEifc>(i)<s， 若是則算法結(jié)束，否則執(zhí)行步驟(11); (11) 對設(shè)定的迭代變量k加1，并利用得到的擬合優(yōu)度:LSE_k 〇=)，汁算第k個目標(biāo)特征矢 1得到光譜特征矩陣，執(zhí)行步驟(3)。2.根據(jù)權(quán)利要求1所述的一種基于快速UNCLS的高光譜亞像素的探測方法，其特征在 于，步驟(6)中所述的運算，采用矩陣降序求逆公式(PpiU-BD^Cr1，對設(shè)定的相關(guān)矩陣 Rk=M】Mk的矩陣表達歲進行求逆，得到無監(jiān)督非負約束最小二乘法UNCLS的 修正中引導(dǎo)矩陣的逆矩陣(Φ?^Γ1，其中P表示降維矩陣。
【文檔編號】G06T7/40GK105957112SQ201610297804
【公開日】2016年9月21日
【申請日】2016年5月6日
【發(fā)明人】吳鑫, 張建奇, 曹芙蓉, 黃曦, 楊琛
【申請人】西安電子科技大學(xué)