【技术实现步骤摘要】
空谱联合多约束优化非负矩阵解混方法
本专利技术涉及遥感高光谱数据处理技术，具体是一种空谱联合多约束优化非负矩阵解混方法。
技术介绍
高光谱数据由于其光谱相关性及丰富的空间信息而被广泛应用于军事监测、精准农业和矿物勘探等领域。其中，高光谱数据解混是定量遥感分析的关键技术。高光谱数据解混的基本原理是将单个像元光谱分解成若干个纯净像元(端元)光谱的组合。其理论依据是由于成像光谱仪空间分辨率的限制，获得的高光谱图像中存在大量的混合像元，每个混合像元中包含多种纯净物质(即端元)。目前已经提出了许多针对高光谱数据的解混算法，包括纯净像元指数、顶点成分分析、独立成分分析和相关成分分析等。但是以上解混算法大部分是基于高光谱数据中存在纯像元的假设，实际高光谱图像与这个假设并不完全相符。而基于非负矩阵分解的解混模型不仅考虑到高光谱图像中不包含纯像元，并以此为假设，而且通过加入对端元与丰度的约束，求得最优的端元矩阵以及其对应的丰度矩阵。Miao和Qi提出了端元最小体积约束的非负矩阵分解解混算法(MVCNMF)[MiaoL.,QiH.Endmemberextractionfromhigh...
【技术保护点】
1.一种空谱联合多约束优化非负矩阵解混方法，其特征在于，包括如下步骤：步骤1，采用基于最小误差的高光谱信号子空间识别算法，估计高光谱端元数量；步骤2，基于端元光谱与几何质心的距离最小关系，构建端元光谱最小距离约束项；步骤3，基于丰度的稀疏性，构建丰度混合范数稀疏性约束项；步骤4，基于高光谱图像分片光滑的特性，构建丰度图梯度域群稀疏性约束项；步骤5，将步骤2、3、4的约束项与非负矩阵解混模型结合，建立空谱联合多约束优化非负矩阵解混模型；步骤6，按照交替迭代更新规则，将模型分解为两个子优化问题，并分别对子优化问题使用交换方向乘子法求解；步骤7，输出步骤6求解所得端元矩阵以及各端元对应的丰度图。
【技术特征摘要】
1.一种空谱联合多约束优化非负矩阵解混方法，其特征在于，包括如下步骤：步骤1，采用基于最小误差的高光谱信号子空间识别算法，估计高光谱端元数量；步骤2，基于端元光谱与几何质心的距离最小关系，构建端元光谱最小距离约束项；步骤3，基于丰度的稀疏性，构建丰度混合范数稀疏性约束项；步骤4，基于高光谱图像分片光滑的特性，构建丰度图梯度域群稀疏性约束项；步骤5，将步骤2、3、4的约束项与非负矩阵解混模型结合，建立空谱联合多约束优化非负矩阵解混模型；步骤6，按照交替迭代更新规则，将模型分解为两个子优化问题，并分别对子优化问题使用交换方向乘子法求解；步骤7，输出步骤6求解所得端元矩阵以及各端元对应的丰度图。2.根据权利要求1所述的空谱联合多约束优化非负矩阵解混方法，其特征在于，步骤1高光谱端元数量估计具体过程为：(1)处理原始高光谱数据获得模型输入原始高光谱图像数据Y∈RL×W×H，其中，L表示高光谱的波段数，W和H分别表示图像空间维度的宽度和高度；将原始高光谱数据Y逐像素扫描以列方向排序，形成光谱像元矩阵X＝[x1,x2,…,xi,…,xN]∈RL×N，其中N＝W×H表示高光谱像元的个数，xi∈RL,表示第i个光谱像元，1≤i≤N；(2)高光谱端元数量估计采用基于最小误差的高光谱信号子空间识别算法，估计光谱像元矩阵X的端元数量为J个。3.根据权利要求2所述的空谱联合多约束优化非负矩阵解混方法，其特征在于，步骤2构建端元光谱最小距离约束项具体为：其中，A＝[a1,a2,…,aj,…,aJ]∈RL×J表示端元矩阵，aj∈RL表示第j个端元,L表示高光谱的波段数，J表示端元的数量；1J表示J个值为1的列向量。4.根据权利要求3所述的空谱联合多约束优化非负矩阵解混方法，其特征在于，步骤3构建丰度混合范数稀疏性约束项具体为：其中，S＝[s1,s2,…,si,…,sN]∈RJ×N表示丰度矩阵，si∈RJ表示S的第i个列向量，J表示端元的数量，N表示高光谱中的像素点数量；||·||1和||·||2分别表示l1范数和l2范数。5.根据权利要求4所述的空谱联合多约束优化非负矩阵解混方法，其特征在于，步骤4构建丰度图梯度域群稀疏性约束项具体包含以下3个子步骤：步骤4-1：构造未知丰度图S的水平差分，即HhS＝[d1,d2,…,dk,…,dn]其中sk和表示一个像素的丰度系数列向量和它水平相邻的像素的丰度系数列向量；HhS∈RJ×N，Hh：RJ×n→RJ×n表示一个线性算子，用来计算S空间维度中相邻像素水平方向...
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。