基于数字表面模型辅助的高光谱图像本征分解方法技术

基于数字表面模型辅助的高光谱图像本征分解方法，属于高光谱图像融合处理技术领域，本发明专利技术为解决现有高光谱图像本征分解精度低的问题。它包括：输入高光谱图像和数字表面模型数据，计算获得几何分量；计算获得局部先验矩阵；计算获得非局部先验矩阵；根据几何分量、局部先验矩阵和非局部先验矩阵进行本征分解，输出高光谱反射率和环境光照。本发明专利技术用于高光谱图像的本征分解。谱图像的本征分解。谱图像的本征分解。

【技术实现步骤摘要】
基于数字表面模型辅助的高光谱图像本征分解方法


[0001]本专利技术涉及一种高光谱图像本征分解方法，属于高光谱图像融合处理


技术介绍

[0002]高光谱图像具有丰富的光谱信息，但是高维的光谱空间也造成信息的高度冗余，不利于信息的处理解译。为了更好的挖掘信息，现在已经设计出了各种特征提取的方法，但是这些信息提取方法具有本质的缺陷。当环境光照等成像条件变化时，成像得到的光谱也会随之变化，这使得得到的光谱具有很高的不确定性，这种不确定性体现在提取的特征上就会使得特征表达的信息不可靠。为了解决这个问题，研究基于物理成像模型的本征分解方法具有极大的意义。本征分解旨在研究物理成像过程，恢复反映地物本身属性的反射率，同时也反演出环境成像要素，比如光照。本征分解的难点在于，本征分解是一个欠定问题，在模型求解上存在挑战。

技术实现思路

[0003]本专利技术目的是为了解决现有高光谱图像本征分解精度低的问题，提供了一种基于数字表面模型辅助的高光谱图像本征分解方法。
[0004]本专利技术所述基于数字表面模型辅助的高光谱图像本征分解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数字表面模型辅助的高光谱图像本征分解方法，其特征在于，它包括：S1、输入高光谱图像和数字表面模型数据，计算获得几何分量；S2、计算获得局部先验矩阵；S3、计算获得非局部先验矩阵；S4、根据几何分量、局部先验矩阵和非局部先验矩阵进行本征分解，输出高光谱反射率和环境光照。2.根据权利要求1所述的基于数字表面模型辅助的高光谱图像本征分解方法，其特征在于，S1所述计算获得几何分量的具体方法包括：输入高光谱图像输入数字表面模型高程数据其中，h
k
＝[h
k
(λ1),h
k
(λ2),
…
,h
k
(λ
d
)]
T
,k＝1,2,...,u表示每个像素的光谱特征，k＝1,2,...,u表示每个像素的索引，λ表示波长，d表示波段数，u表示高光谱图像像素的个数，z1,z2,
…
,z
u
表示各个像素对应的高程，表示域；计算每个像素的法线，获得法线特征：其中，表示法线在x、y、z空间坐标轴的投影；计算获得几何分量J：J＝[J1,J2,
…
,J
u
]
T
；其中，c1、c2、c3、c4、c5是五个常数。3.根据权利要求2所述的基于数字表面模型辅助的高光谱图像本征分解方法，其特征在于，所述c1、c2分别是：c1＝0.429,c2＝0.512。4.根据权利要求2所述的基于数字表面模型辅助的高光谱图像本征分解方法，其特征在于，所述c3是：c3＝0.743。5.根据权利要求2所述的基于数字表面模型辅助的高光谱图像本征分解方法，其特征在于，所述c4是：c4＝0.886。6.根据权利要求2所述的基于数字表面模型辅助的高光谱图像本征分解方法，其特征在于，所述c5是：c5＝0.248。7.根据权利要求2所述的基于数字表面模型辅助的高光谱图像本征分解方法，其特征在于，S2所述计算获得局部先验矩阵的具体方法包括：遍历每个像素的索引k＝1,2,...,u，建立字典D
k
＝[h1,
…
,h
k
‑1,h
k+1
,
…
,h
u
,I
d
]；
其中，I
d
表示d维单位矩阵；根据下式计算h
k
在字典D
k
中的稀疏表示系数α：min
α
‖α‖
1 subject to h
k
＝D
k
α；局部先验矩阵W的每个元素W
kj
由下式赋值...

【专利技术属性】
技术研发人员：谷延锋，金旭东，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：