本发明专利技术公开了一种通用的集成混合像元解混框架模型，包括给出模型求解方法。将高光谱图像分割为多个子块，且子块相邻区域保留适当重叠区域，以此解决端元变异、非线性非均匀分布的问题，通过稀疏约束重构误差解决异常噪声问题，并由相关熵诱导度量准则将非线性、端元变异及异常点三个问题集成到同一解混框架解决，采用拉格朗日函数法及KKT条件定量评估所提模型混合像元解混性能。本发明专利技术通过构建通用集成的混合像元解混框架模型来克服非线性、端元变异吧及异常点对高光谱图像混合像元解混的影响。本模型根据非线性、端元变异非匀质分布的特点，且异常点包括异常端元及异常噪声，有效地模拟混合高斯分布，摒弃稀疏分布的异常噪声，提高了混合像元解混性能。并对所提模型进行理论推导，证明了基于通用集成框架的混合像元解混的可行性及优越性。
A Universal Integrated Framework for Mixed Pixel Unmixing of Hyperspectral Images
【技术实现步骤摘要】
一种通用集成的高光谱图像混合像元解混框架
本专利技术涉及解决高光谱混合像元解混问题中三大挑战性问题的
，特别是基于通用集成框架的混合像元解混模型的构建方法的
技术介绍
高光谱图像成像受复杂的物理条件限制，其图像中除了包括噪声，还包括非线性、变异端元及异常点。非线性、变异端元及异常点是混合像元解混过程中三大挑战性问题。这三个挑战性问题相互交叉，共同影响解混结果精确性。非线性、变异端元及异常点这三个问题的复杂形成机制使其难以准确表征，因而在解混模型中同时考虑这三个问题是难点。由于高光谱解混是不适定问题，只解决上述挑战性问题中的其中一个或者两个问题，无法获得精确的解混结果。
技术实现思路
本专利技术的目的就是解决现有技术中的问题，提出一种基于通用集成框架的混合像元解混模型的构建方法，能够通过通用集成框架的混合像元解混模型来克服非线性、端元变异及异常点对高光谱图像混合像元解混的影响。为实现上述目的，本专利技术提出了一种基于通用集成模型混合像元解混模型的构建方法，依次包括以下步骤：a)在图像处理过程中考虑非线性的影响因素，所述非线性具有非均匀分布的特点，即非线性随着光谱、图像空间的变化而变化，于是将高光谱图像划分为若干子块(且为了避免陷入局部最优，相邻子块应保持适当重叠区域)，计算每个子块的流形嵌入权重，并合并各个子块的权重，获得权重矩阵Wh，计算非标准化hyper-Laplacian矩阵,Lh＝I-Wh，为单位矩阵。进而构建hyper-Laplacian-based的正则化约束模型，1≤i≤B，1≤j≤P，1≤m≤M，其中表示包括了噪声、非线性、端元变异及异常点高光谱矩阵，表示从混合像元矩阵中提取的端元矩阵，代表相应的端元丰度矩阵，表示重构误差矩阵；b)由于端元变异问题随着像素变化而变化，构建尺度因子表征端元变异问题，对于被第i个子块的像素尺度因子计算为，将各个子块的尺度因子进行合并，获得整个高光谱图像的尺度因子exp表示指数函数，参数σ为各个子块的参数的并集，对于每个子块的参数σi计算为，z＝1，2，…，Pii＝1，2，…，K.c)由于异常点是指与背景明显不同的点，包括异常端元及异常噪声两部分。为了克服异常噪声的影响，且不丢失异常端元。充分利用异常端元具有低秩结构，而异常噪声是稀疏的特点。且异常噪声通常包括在重构误差中，因此对重构误差进行稀疏约束，添加稀疏约束项d)为了将上述的非线性、端元变异及异常点三个挑战性问题集成在同一框架中解决，利用相关熵诱导度量准则来实现，但考虑到该准则对加性噪声比较敏感，所以对原始的高光谱图像进行预处理，即利用C＝D-δΥ处理掉高光谱图像矩阵D的加性噪声，获得相对“干净”的数据矩阵C。δ表示加性噪声在重构误差Υ中所占比例。当0＜δ＜1时，表示加性噪声只是重构误差的一小部分，重构误差还包括了其他噪声；当δ≥1时，表示重构误差不恰当，不足以表达加性噪声，且有大量噪声被分解到端元矩阵及丰度矩阵中。d1)基于相关熵诱导度量的通用的集成解混框架模型表示为：1≤i≤B，1≤z≤P，1≤m≤M，其中是共轭函数，是为了克服端元变异问题而引入的函数。鉴于尺度因子与重构误差之间的乘性关系，定义为d2)由于非负矩阵分解确保其重建的低秩性，β1||E||*可以免求解。交替的最小化策略被用来求解解混的定性结果。即为了求解其中个变量，另两个变量固定，在这种情况下，最小化问题转换为凸优化问题。构造拉格朗日函数，根据KKT条件，可更新端元矩阵E、丰度矩阵A及重构误差矩阵Υ如下：作为优选，所述步骤a)中的端元丰度矩阵A应满足每列和为一条件，且E矩阵和Υ矩阵均为非负矩阵；非线性问题、端元变异及异常点分别由Sz及表征。作为优选，所述非线性及端元变异问题具有非均匀分布特点，将高光谱图像分块处理，利用混合高斯分布特点模拟非均匀结构，而对于异常点，为了克服异常噪声而不丢失异常端元，将包括了稀疏噪声的重构误差进行稀疏约束。进而利用半二次优化及共轭函数技术，将三个挑战性问题集成于同一个解混框架。本专利技术的有益效果：本专利技术通过构建通用的集成混合像元解混框架模型来克服非线性、端元变异及异常点对高光谱图像混合像元解混的影响，本模型根据相关熵诱导度量准则的特点，有效地克服解混中的三个挑战性问题，且引入相对“干净的高光谱数据”，避免加性噪声干扰，获得较为精确的解混模型，并对解混模型进行理论推导，证明了基于通用集成的混合像元解混模型的可行性及优越性。【具体实施方式】本专利技术一种基于通用集成的混合像元解混框架模型的构建方法，依次包括以下步骤：a)在图像处理过程中考虑非线性的影响因素，所述非线性具有非均匀分布的特点，即非线性随着光谱、图像空间的变化而变化，于是将高光谱图像划分为若干子块(且为了避免陷入局部最优，相邻子块应保持适当重叠区域)，计算每个子块的流形嵌入权重，并合并各个子块的权重，获得权重矩阵Wh，计算非标准化hyper-Laplacian矩阵,Lh＝I-Wh，为单位矩阵。进而构建hyper-Laplacian-based的正则化约束模型，1≤i≤B，1≤j≤P，1≤m≤M，其中表示包括了噪声、非线性、端元变异及异常点高光谱矩阵，表示从混合像元矩阵中提取的端元矩阵，代表相应的端元丰度矩阵，表示重构误差矩阵；b)由于端元变异问题随着像素变化而变化，构建尺度因子表征端元变异问题，对于被第i个子块的像素尺度因子计算为，将各个子块的尺度因子进行合并，获得整个高光谱图像的尺度因子exp表示指数函数，参数σ为各个子块的参数的并集，对于每个子块的参数σi计算为，z＝1，2，…，Pii＝1，2，…，K.c)由于异常点是指与背景明显不同的点，包括异常端元及异常噪声两部分。为了克服异常噪声的影响，且不丢失异常端元。充分利用异常端元具有低秩结构，而异常噪声是稀疏的特点。且异常噪声通常包括在重构误差中，因此对重构误差进行稀疏约束，添加稀疏约束项d)为了将上述的非线性、端元变异及异常点三个挑战性问题集成在同一框架中解决，利用相关熵诱导度量准则来实现，但考虑到该准则对加性噪声比较敏感，所以对原始的高光谱图像进行预处理，即利用C＝D-δΥ处理掉高光谱图像矩阵D的加性噪声，获得相对“干净”的数据矩阵C。δ表示加性噪声在重构误差Υ中所占比例。当0＜δ＜1时，表示加性噪声只是重构误差的一小部分，重构误差还包括了其他噪声；当δ≥1时，表示重构误差不恰当，不足以表达加性噪声，且有大量噪声被分解到端元矩阵及丰度矩阵中。d1)基于相关熵诱导度量的通用的集成解混框架模型表示为：1≤i≤B，1≤z≤P，1≤m≤M，其中是共轭函数，是为了克服端元变异问题而引入的函数。鉴于尺度因子与重构误差之间的乘性关系，定义为d2)由于非负矩阵分解确保其重建的低秩性，β1||E||*可以免求解。交替的最小化策略被用来求解解混的定性结果。即为了求解其中个变量，另两个变量固定，在这种情况下，最小化问题转换为凸优化问题。构造拉格朗日函数，根据KKT条件，可更新端元矩阵E、丰度矩阵A及重构误差矩阵γ如下：所述步骤a)中的端元丰度矩阵A应满足每列和为一条件，且E矩阵和γ矩阵均为非负矩阵；非线性问题、端元变异及异常点分别由sz及表征。所述非线性及端元变异问题具有非均匀分布特点，将高光谱图像本文档来自技高网...
【技术保护点】
1.本专利技术提出了一种基于通用集成模型混合像元解混模型的构建方法，依次包括以下步骤：a)在图像处理过程中考虑非线性的影响因素，所述非线性具有非均匀分布的特点，即非线性随着光谱、图像空间的变化而变化，于是将高光谱图像划分为若干子块(且为了避免陷入局部最优，相邻子块应保持适当重叠区域)，计算每个子块的流形嵌入权重，并合并各个子块的权重，获得权重矩阵W
【技术特征摘要】
1.本发明提出了一种基于通用集成模型混合像元解混模型的构建方法，依次包括以下步骤：a)在图像处理过程中考虑非线性的影响因素，所述非线性具有非均匀分布的特点，即非线性随着光谱、图像空间的变化而变化，于是将高光谱图像划分为若干子块(且为了避免陷入局部最优，相邻子块应保持适当重叠区域)，计算每个子块的流形嵌入权重，并合并各个子块的权重，获得权重矩阵Wh，计算非标准化hyper-Laplacian矩阵,Lh＝I-Wh，为单位矩阵。进而构建hyper-Laplacian-based的正则化约束模型，1≤i≤B，1≤j≤P，1≤m≤M，其中表示包括了噪声、非线性、端元变异及异常点高光谱矩阵，表示从混合像元矩阵中提取的端元矩阵，代表相应的端元丰度矩阵，表示重构误差矩阵；b)由于端元变异问题随着像素变化而变化，构建尺度因子表征端元变异问题，对于被第i个子块的像素尺度因子计算为，将各个子块的尺度因子进行合并，获得整个高光谱图像的尺度因子exp表示指数函数，参数σ为各个子块的参数的并集，对于每个子块的参数σi计算为，z＝1，2，…，pii＝1，2，…，K.c)由于异常点是指与背景明显不同的点，包括异常端元及异常噪声两部分。为了克服异常噪声的影响，且不丢失异常端元。充分利用异常端元具有低秩结构，而异常噪声是稀疏的特点。且异常噪声通常包括在重构误差中，因此对重构误差进行稀疏约束，添加稀疏约束项d)为了将上述的非线性、端元变异及异常点三个挑战性问题集成在同一框架中解决，利用相关熵诱导度量准则来实现，但考虑到该准则对加性噪声比较敏感，所以对原始的高光谱图像进行预处理，即利用C＝D-δΥ处理掉高光谱图像矩阵D的加性噪声，获得相对“干净”的数据矩阵C。δ表示加性噪声在重构误差Υ中所占比...
【专利技术属性】
技术研发人员：李春芝，陈晓华，
申请(专利权)人：湖州师范学院，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。