基于神经网络的高光谱图像非线性解混方法技术

本发明专利技术属于图像处理技术领域，为提供基于神经网络的高光谱图像非线性解混方法，能有效完成相应的提取端元并获得端元丰度和非线性系数的工作，使解混效果得到进一步的提高。本发明专利技术：基于神经网络的高光谱图像非线性解混方法，包括如下步骤：(1)：输入高光谱图像数据；(2)：随机产生足够数量的训练样本和测试样本；(3)：利用训练好的多层感知器神经网络提取出高光谱图像中单个像素点的丰度和非线性系数；(4)：使获得的丰度满足对应的约束条件；(5)：重复对图像内所有像素点进行解混后停止计算；否则，返回步骤(3)；(6)：通过计算重构误差和光谱角距离来评价该发明专利技术的算法性能。本发明专利技术主要应用于图像处理。

【技术实现步骤摘要】

本专利技术属于图像处理
,涉及基于高光谱图像解混方法,具体是一种基于神经网络的高光谱图像解混方法。
技术介绍
随着科学技术的发展，遥感对地观测技术日益成熟，已经逐渐成为获取空间地理信息的重要手段之一。但是由于高光谱成像仪空间分辨率的限制以及自然界地物的复杂性，获得的遥感图像的某些像素可能是几种不同物质光谱的混合，即混合像元。如何有效地实现混合像元分解，已经成为遥感研究的一个重要方向。混合像元的精确分解对于高精度地物分类以及地面目标检测和识别方面有重要的应用价值，使遥感应用由像元级到达亚像元级。光谱解混首先需建立光谱的混合模型。根据物质的混合和物理分布的空间尺度大小，光谱混合可以分为线性混合和非线性混合两种模式。线性光谱混合模型假设一个光子只看到一种物质，像元的光谱是各个端元的线性组合。反之，当地物分布尺度较小时，光子将与多种物质发生作用，导致非线性混合。线性光谱混合模型具有建模简单、物理含义明确的优点，是目前使用最广泛的混合像元分解模型。但它适用于本质上属于或者基本属于线性混合的地物以及在大尺度上可以认为是线性混合的地物，对于一些微观尺度上地物的精细光谱分析或一些小概率目标的检测来说，需要非线性混合模型来解释。如果假设地物是非线性混合，则图像中每个像元矢量可以用式(1)描述：y＝f(M,α)+n (1)其中：M＝[m1,…,mp]为该像元点包含的p个端元所对应的光谱向量，α＝[α1,…,αp]T为每个端元的在像元点y中所占的丰度，n＝[n1,n2,…,nL]T是附加的噪声项，f(M,α)是端元矩阵M和丰度α的未知的非线性函数。其中较为广泛应用的非线性模型有双线性光谱混合模型，其在线性模型的基础上做了改进。由于发现3种及以上端元之间的多次散射对应的丰度通常非常小，该模型仅考虑了两种物质之间的散射而忽略了3种及以上端元之间的散射，将两种物质之间的乘积项加入线性模型中。高光谱图像的非线性光谱分解通常包括两个步骤：端元提取和非线性光谱解混。端元提取首先确定高光谱图像中包含的端元数目，然后找出每种端元的光谱曲线。非线性解混则是根据不同的非线性解混方法对像元求出每个端元所占的百分比。较为广泛应用的双线性模型有Nascimento双线性模型(Nascimento’s Model,NM)、Fan双线性模型(Fan’s Model,FM)和广义的双线性模型(Generalized Bilinear Model,GBM)。其中，NM假设观测到的混合像元y为 y = Σ r = 1 R α r m r + Σ i = 1 R - 1 Σ j = i + 1 R β i , j m i × m j + n - - - ( 2 ) ]]>其中：αr是端元丰度，mr是端元光谱向量，mi×mj指的是第i个光谱向量和第j个光谱向量逐项相乘： m i × m j = m 1 , i m 1 , j . . . m L , i m L , j - - - ( 3 ) ]]>式(2)中的参数βi，j指的是第i个端元mi和第j个端元mj乘积项的幅度。未知参数(α，β1,2，…,βR-1,R)需要满足如下约束：αr≥0,βi,j≥0 (4) Σ r = 1 R α r + Σ i = 1 R - 1 Σ j = i + 1 R β i , j = 1 - - - ( 5 ) ]]>NM将两本文档来自技高网...

【技术保护点】
一种基于神经网络的高光谱图像非线性解混方法，其特征是，步骤如下：步骤(1)：输入高光谱图像数据，采用提取真实高光谱数据端元算法提取真实高光谱图像的端元；步骤(2)：按照广义的双线性模型GBM随机产生足够数量的训练样本和测试样本，在满足丰度非负，同时丰度和为一约束条件下随机设定像素点的丰度和非线性系数的条件下，产生固定数量的样本；训练多层感知器(Multi‑layer perceptron,MLP)神经网络，并测试其预估性能；步骤(3)：利用训练好的多层感知器神经网络提取出高光谱图像中单个像素点的丰度和非线性系数；步骤(4)：在神经网络提取单个像素点的丰度后，对获得的丰度进行丰度非负和丰度和为一映射，使获得的丰度满足对应的约束条件。步骤(5)：重复对图像内所有像素点进行解混后停止计算；否则，返回步骤(3)，对下一像素继续解混；步骤(6)：由上步获得的丰度和非线性系数重组获得估计的单个像素点，通过计算重构误差和光谱角距离来评价该专利技术的算法性能。

【技术特征摘要】
1.一种基于神经网络的高光谱图像非线性解混方法，其特征是，步骤如下：步骤(1)：输入高光谱图像数据，采用提取真实高光谱数据端元算法提取真实高光谱图像的端元；步骤(2)：按照广义的双线性模型GBM随机产生足够数量的训练样本和测试样本，在满足丰度非负，同时丰度和为一约束条件下随机设定像素点的丰度和非线性系数的条件下，产生固定数量的样本；训练多层感知器(Multi-layer perceptron,MLP)神经网络，并测试其预估性能；步骤(3)：利用训练好的多层感知器神经网络提取出高光谱图像中单个像素点的丰度和非线性系数；步骤(4)：在神经网络提取单个像素点的丰度后，对获得的丰度进行丰度非负和丰度和为一映射，使获得的丰度满足对应的约束条件。步骤(5)：重复对图像内所有像素点进行解混后停止计算；否则，返回步骤(3)，对下一像素继续解混；步骤(6)：由上步获得的丰度和非线性系数重组获得估计的单个像素点，通过计算重构误差和光谱角距离来评价该发明的算法性能。2.如权利要求1所述的基于神经网络的高光谱图像非线性解混方法，其特征是，所述步骤(1)中的提取真实高光谱数据端元算法为顶点成分分析算法VCA(VertexComponent Analysis)或正交子空间投影算法OSP(Orthogonal Subspace Projection)中的一种。3.如权利要求1所述的基于神经网络的高光谱图像非线性解混方法，其特征是，所述步骤(4)中的丰度非负和丰度和为一约束映射为MLP神经网络预测获得的丰度可能并不满足丰度内在的约束，此时，对所获得丰度进行如式(11)(12)的映射：α′ij＝abs(αij)(j≤D) (11) α i j ′ ′ = α i j ′ Σ j = 1 R - 1 α i j ′ - - - ( 12 ) ]]>其中，αij为神经网络估计获得的高光谱图像丰度，α′ij为经过丰度非负性约束映射后的高光谱图像丰度、α″ij为经过丰度和为一约束映射后的高光谱图像丰度，若单个像素点的丰度矢量α和非线性参数β′估计正确，则高光谱图像中某一像素点真实光谱数据yl和重构像素点重构数据将非常接近，因此构造解混的目标函数 J ( α , β ′ ) = m i n | | y l - y ‾ l | | 2 - - - ( 13 ) ]]>yl和分别为真实光谱数据和重构数据。4.如权利要求1所述的基于神经网络的高光谱图像非线性解混方法，其特征是，对像素点进行解混归结为针对目标函数的最优化问题，并利用神经网络对目标函数进行优化求解，从而得到单个像素点的丰度矢量a和非线性系数β′，根...

【专利技术属性】
技术研发人员：李锵，王旭，陈雷，张立毅，刘静光，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12