一种基于注意力约束非负矩阵分解的高光谱分类方法技术

本发明专利技术涉及一种基于注意力约束非负矩阵分解的高光谱分类方法，包括以下步骤：S1：输入原始高光谱图像数据；S2：将高光将高光谱图像矩阵归一化，得到待处理数据集X；S3：采用NMF将X分解，得到端元矩阵U和底层丰度矩阵H；S4：将端元矩阵U和底层丰度矩阵H归一化；S5：根据底层丰度矩阵H，对注意力参数化矩阵W进行初始化；S6：对注意力参数化矩阵W进行归一化；S7：将高光谱图像、端元矩阵、底层丰度矩阵注意力参数化矩阵，采用注意力非负矩阵分解更新迭代至收敛得到端元矩阵以及对应丰度矩阵；本发明专利技术可使非负矩阵分解技术在分解高光谱图像的时候得到丰度矩阵中端元位置信息不容易丢失，从而提高高光谱图像的分类精度。

A Hyperspectral Classification Method Based on Attention Constraint Nonnegative Matrix Decomposition

The present invention relates to a hyperspectral classification method based on attention-constrained non-negative matrix decomposition, which includes the following steps: S1: input original hyperspectral image data; S2: normalize hyperspectral image matrix to get data set X; S3: decompose X by NMF to get end element matrix U and bottom abundance matrix H; S4: normalize end element matrix U and bottom abundance matrix H. S5: Initialize the attention parameterization matrix W according to the bottom abundance matrix H; S6: normalize the attention parameterization matrix W; S7: update the hyperspectral image, the end element matrix, the bottom abundance matrix attention parameterization matrix by using the attention non-negative matrix decomposition and iteration to converge to get the end element matrix and corresponding abundance matrix; The invention can make the non-negative matrix. When decomposition is used to decompose hyperspectral images, it is not easy to lose the location information of the end elements in the abundance matrix, thus improving the classification accuracy of hyperspectral images.

【技术实现步骤摘要】
一种基于注意力约束非负矩阵分解的高光谱分类方法
本专利技术涉及高光谱分类领域，更具体地，涉及一种基于注意力约束非负矩阵分解的高光谱分类方法。
技术介绍
高光谱遥感技术是在成像光谱学基础上发展起来的一种遥感信息获取技术；它可以获得成百上千幅在光谱上连续的高分辨率影像，图像中的每个像素对应一条光谱曲线，其包含的光谱信息维度与成像的幅数相等；由于高光谱图像波段密集且它们之间存在重叠，这样就可以用一条连续的辐射曲线来表示图像数据中每个像元的特征，相应的，一组像元的光谱曲线就可以用来表示地物的分布规律；因其高光谱分辨率及光谱和图像同时获取的能力，在大气探测、航天遥感、地球资源普查、军事侦察、环境监测、农业和海洋遥感等领域有着广泛和重要的应用。高光谱分类最关键的就是分析不同物质的可分性，“不同类别物质的光谱曲线也必然不相同”的这一光谱域信息使得高光谱数据中的非同类地物存在了可分性。然而高光谱遥感所获取的地面反射光谱信号是以像元为单位记录的，它是像元所对应的地表物质光谱信号的综合；若该像元仅包含一种地物类型，如矿物质、水体、植被等，则称之为端元；若该像元包含不止一种地物类型，则称之为混合像元；高光本文档来自技高网...

【技术保护点】
1.一种基于注意力约束非负矩阵分解的高光谱分类方法，其特征在于，所述的方法包括以下步骤：S1：输入原始高光谱图像数据，得到高光谱图像矩阵X；S2：将高光谱图像矩阵X归一化；S3：采用非负矩阵分解算法将归一化后的高光谱图像矩阵X分解，得到端元矩阵U和底层丰度矩阵H；S4：将端元矩阵U和底层丰度矩阵H归一化；S5：根据底层丰度矩阵H，采用正交匹配追踪算法，求出注意力参数化矩阵W，并对注意力参数化矩阵W进行初始化；S6：对注意力参数化矩阵W进行归一化；S7：将高光谱图像矩阵X、端元矩阵U、底层丰度矩阵H和注意力参数化矩阵W，采用注意力非负矩阵分解更新迭代至收敛得到端元矩阵以及对应丰度矩阵。

【技术特征摘要】
1.一种基于注意力约束非负矩阵分解的高光谱分类方法，其特征在于，所述的方法包括以下步骤：S1：输入原始高光谱图像数据，得到高光谱图像矩阵X；S2：将高光谱图像矩阵X归一化；S3：采用非负矩阵分解算法将归一化后的高光谱图像矩阵X分解，得到端元矩阵U和底层丰度矩阵H；S4：将端元矩阵U和底层丰度矩阵H归一化；S5：根据底层丰度矩阵H，采用正交匹配追踪算法，求出注意力参数化矩阵W，并对注意力参数化矩阵W进行初始化；S6：对注意力参数化矩阵W进行归一化；S7：将高光谱图像矩阵X、端元矩阵U、底层丰度矩阵H和注意力参数化矩阵W，采用注意力非负矩阵分解更新迭代至收敛得到端元矩阵以及对应丰度矩阵。2.根据权利要求1所述的基于注意力约束非负矩阵分解的高光谱分类方法，其特征在于，步骤S2中，高光谱图像矩阵的归一化处理公式为：X＝X./max(max(X))其中，X为高光谱图像矩阵，X＝[x1,...,xm]T∈Rm×n，X是一个m维的矩阵；m表示高光谱图像的波段数，n表示高光谱图像数据中像元的个数，R表示实数域，T表示矩阵的转置,“./”表示矩阵逐元素除。3.根据权利要求1所述的基于注意力约束非负矩阵分解的高光谱分类方法，其特征在于，步骤S3中，将步骤S2得到的高光谱图像矩阵采用非负矩阵分解算法NMF，得到高光谱图像的端元矩阵U和丰度矩阵H；NMF的模型如下所示：X≈UH其中，得到的U＝[u1,...,ur]∈Rm×r为端元矩阵，r为对应光谱图像中端元的个数，U的列向量ui为第i个端元的光谱向量；H＝[h1,...,hr]T∈Rr×n为丰度特征矩阵，H的行向量hi为第i个端元的空间分布，R表示实数域。4.根据权利要求1所述的基于注意力约束非负矩阵分解的高光谱分类方法，其特征在于，步骤S4中，高光谱图像的端元矩阵和丰度矩阵数值归一化公式为：U＝U./sum(U)，H＝H./sum(H)其中，“./”表示矩阵逐元素...

【专利技术属性】
技术研发人员：杨祖元，梁乃耀，李珍妮，黄昊楠，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44