基于信息熵的HNMF遥感图像解混算法制造技术

本发明专利技术提供了基于信息熵的HNMF遥感图像解混算法，包括：S1、对当前遥感图像建立基于稀疏约束的CNMF遥感图像解混算法；S2、获取当前遥感图像的信息熵，并获取信息熵正则化函数；S3、用S2中信息熵正则化函数取代步骤S1中基于稀疏约束的CNMF遥感图像解混算法中的范数正则化函数，建立基于信息熵的HNMF遥感图像解混算法。针对遥感图像的端元分布不均匀的特性，挖掘遥感数据的物理信息，用信息熵代替范数规则项，提出了基于信息熵的HNMF遥感图像解混算法，相比传统的NMF和CNMF具有更好的解混效果。

Hnmf remote sensing image de mixing algorithm based on information entropy

The invention provides hnmf remote sensing image de mixing algorithm based on information entropy, which includes: S1. Establishing cNMF remote sensing image de mixing algorithm based on sparse constraint for current remote sensing image; S2. Obtaining information entropy of current remote sensing image and obtaining information entropy regularization function; S3. Replacing cNMF remote sensing image de mixing algorithm based on sparse constraint in step S1 with information entropy regularization function in S2 Norm regularization function is used to establish the hnmf remote sensing image unmixing algorithm based on information entropy. In view of the uneven distribution of remote sensing image end elements, the physical information of remote sensing data is mined, the norm rule term is replaced by information entropy, and the hnmf remote sensing image unmixing algorithm based on information entropy is proposed, which has better effect than the traditional NMF and cNMF.

【技术实现步骤摘要】
基于信息熵的HNMF遥感图像解混算法
本专利技术涉及基于信息熵的HNMF遥感图像解混算法。
技术介绍
遥感技术是一门交叉了探测和信息检测等多学科的新型科技。随着成像光谱仪的研发不断取得新突破，影像分析技术越来越深入，遥感技术研发掀起了一片热潮，获得广大科研人员的青睐，在各个领域占据一席之地。遥感技术的原型是成像光谱仪研发方案，该方案是由加州理工学院喷气推进实验室(JetPropulsionLab，JPL)首次制定提出。世界上第一代高分辨率航空成像光谱仪——AIS-1于1983年在美国诞生。第二代高光谱成像仪——AVIRIS四年后也在美国研制成功。从上世纪八十年代至今，成像光谱仪的研制在国内外得到了重视，其发展呈现出欣欣向荣的趋势。在国外，加拿大、芬兰、美国等国研制出了CASI、AISI、Hymap等系列光谱仪，在光谱仪领域处于领先地位。在国内，目前已研制出了热红外光谱、多波段光谱，多光谱扫描仪等优良设备，缩小了与世界先进水平的差距，实现了我国光谱仪的跨越式发展。由于遥感数据易受环境的干扰以及光谱库有限，导致自动获取端元变得十分困难。因此，一般选用盲分解的方式，即在其他信息为知的条件下，对遥感图像进行分解，得到它的端元光谱和丰度值。基于非监督的混合像元分解方法大致包括三类：独立成份分析法、非负矩阵分解法和复杂度分析法。本文主要介绍非负矩阵分解法。NMF最早出现在1994年Paatero和Tapper的一篇文章上。1999年Lee和Seung在《Nature》的一文中，提出了非负矩阵分解(NMF)算法，这个算法是在原始矩阵所有的元素都是非负的情况下，对它进行非负的线性分解。NMF算法从正式提出到现在，经过几十年的迅速发展，已经到达一个比较成熟的阶段，其应用范围已经扩展到图像处理、数据挖掘和语音处理等领域。近年来很多学者将NMF引入到非监督的遥感图像解混的问题中，并取得一定成果。但后来研究人员发现，在实际应用中，仅仅有非负矩阵分解的非负限制是远远不够的，为了得到理想的分解值，Pauca和Piper等人提出了一种带平滑限制的非负矩阵分解算法(CNMF)；Zymnis和Kim等人结合领域像素具有相似的特点，提出了交互投影梯度的非负矩阵分解算法(APS-NMF)；Miao和Qi等人提出了最小体积约束和NMF结合的算法(MVC-NMF)；吴波和赵银娣等人基于混合像元的特性，提出了以端元的光谱差异为限制条件的非负矩阵分解算法；刘雪松和王斌等人提出了丰度分离性和平滑性限制的非负矩阵分解的算法；付忠良和刘进军等人以单形体各顶点到数据中心的加权距离和最小为限制，提出了加权端元约束下的非负矩阵分解算法。这些优化算法都改进了遥感图像解混存在的一些不足，提高了其解混的精度。但是上述这些优化算法都只是考虑了遥感数据的光谱信息和空间信息，大都是引入L1、L2等范数的限制来优化算法，并没有考虑遥感数据的物理信息。
技术实现思路
本专利技术要解决的技术问题在于，针对上述目前的优化算法没有考虑遥感数据的物理信息的技术问题，提供基于信息熵的HNMF遥感图像解混算法解决上述技术缺陷。基于信息熵的HNMF遥感图像解混算法，包括：S1、对当前遥感图像建立基于稀疏约束的CNMF遥感图像解混算法；S2、获取当前遥感图像的信息熵，并获取信息熵正则化函数；S3、用S2中信息熵正则化函数取代步骤S1中基于稀疏约束的CNMF遥感图像解混算法中的范数正则化函数，建立基于信息熵的HNMF遥感图像解混算法。进一步的，步骤S1具体包括：S11、首先建立基于NMF的遥感图像解混算法；S12、根据稀疏表示理论，用L0或L1或L2范数对基于NMF的遥感图像解混算法的端元光谱矩阵和丰度矩阵进行约束，得到基于稀疏约束的CNMF遥感图像解混算法。进一步的，步骤S2具体包括：假设当前遥感图像信源有n种取值：U1...Ui...Un，对应概率为：p1...pi...pn，且各种符号的出现彼此独立，则当前遥感图像信源的信息熵为：进一步的，步骤S3具体包括：S31、将当前遥感图像的信息熵正则化函数来替换基于稀疏约束的CNMF遥感图像解混算法中的范数正则化函数来约束端元光谱矩阵M和丰度矩阵S，并建立基于信息熵的HNMF遥感图像解混算法的目标函数：其中，M是端元光谱矩阵，S是丰度矩阵，第一项表示图像的重构误差，第二项表示对丰度矩阵进行稀疏，λ是正则化参数；Sij为每个元素代表在像元中对应端元所占的比例，L为遥感图像波段数目，R为L个波段的遥感图像，P为待检测遥感图像的端元个数，N为待检测遥感图像的像素点个数；S32、采用乘性迭代规则对端元光谱矩阵M和丰度矩阵S进行求解，根据矩阵的性质对M和S求偏导数得：再使用梯度下降法进行迭代，得到最终的M和S的乘性迭代规则：M←M.*RST./(MSST+ε)利用小正数ε来使分数恒为正数，当迭代到一定次数，f(M,S)的变化值小于预设值，得到最终优化的基于信息熵的HNMF遥感图像解混算法。与现有技术相比，本专利技术的有益效果在于：针对遥感图像的端元分布不均匀的特性，挖掘遥感数据的物理信息，用信息熵代替范数规则项，提出了基于信息熵的HNMF遥感图像解混算法，相比传统的NMF和CNMF具有更好的解混效果。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1为本专利技术基于信息熵的HNMF遥感图像解混算法流程图；图2为本专利技术实施例一中的三种端元丰度图；图3为本专利技术实施例二中的三种端元丰度图。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本专利技术的具体实施方式。基于信息熵的HNMF遥感图像解混算法，如图1所示，包括：S1、对当前遥感图像建立基于稀疏约束的CNMF遥感图像解混算法，优选建立基于L2范数的CNMF遥感图像解混算法。S11、首先建立基于NMF的遥感图像解混算法，该算法的优化问题可看做最小化下面的目标函数：其中，M是端元光谱矩阵，S是丰度矩阵，f(M,S)＝1/2||R-MS||2，第二项和第三项分别是对参数M、S的规则化函数，用于对端元光谱矩阵或者丰度矩阵加入平滑、低秩等特性，α和β为正则化参数。在上述优化模型中，可以只对其中某个参数进行约束，也可以同时对两个参数进行约束，规则化函数的选择直接影响最终结果的好坏。Lp范数、核范数和迹范数等均是经常使用的规则化函数，它们都能在不同程度上实现稀疏。S12、根据稀疏表示理论，L0范数能很好的描述稀疏性，但是L0正则化函数是一个NP问题，求解比较困难，不利于实际的应用，后来Tao和Cande等人证明了在RIP(restrictedisometricproperty)条件下，L1范数是L0范数的最优凸近似，并且求解简单，因此学本文档来自技高网...

【技术保护点】
1.基于信息熵的HNMF遥感图像解混算法，其特征在于，包括：/nS1、对当前遥感图像建立基于稀疏约束的CNMF遥感图像解混算法；/nS2、获取当前遥感图像的信息熵，并获取信息熵正则化函数；/nS3、用S2中信息熵正则化函数取代步骤S1中基于稀疏约束的CNMF遥感图像解混算法中的范数正则化函数，建立基于信息熵的HNMF遥感图像解混算法。/n

【技术特征摘要】
1.基于信息熵的HNMF遥感图像解混算法，其特征在于，包括：
S1、对当前遥感图像建立基于稀疏约束的CNMF遥感图像解混算法；
S2、获取当前遥感图像的信息熵，并获取信息熵正则化函数；
S3、用S2中信息熵正则化函数取代步骤S1中基于稀疏约束的CNMF遥感图像解混算法中的范数正则化函数，建立基于信息熵的HNMF遥感图像解混算法。


2.根据权利要求1所述的基于信息熵的HNMF遥感图像解混算法，其特征在于，步骤S1具体包括：
S11、首先建立基于NMF的遥感图像解混算法；
S12、根据稀疏表示理论，用L0或L1或L2范数对基于NMF的遥感图像解混算法的端元光谱矩阵和丰度矩阵进行约束，得到基于稀疏约束的CNMF遥感图像解混算法。


3.根据权利要求1所述的基于信息熵的HNMF遥感图像解混算法，其特征在于，步骤S2具体包括：
假设当前遥感图像信源有n种取值：U1...Ui...Un，对应概率为：p1...pi...pn，且各种符号的出现彼此独立，则当前遥感图像信源的信息熵为：





4.根据权利要求...

【专利技术属性】
技术研发人员：李杏梅，刘晓杰，王心宇，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42