一种基于空间结构信息约束的高光谱图像解混方法技术

本发明专利技术公开了一种基于空间结构信息约束的高光谱图像解混方法，所述方法包括如下步骤：步骤1：高光谱图像的预处理；步骤2：空间矩阵的图学习；步骤3：高光谱图像的解混。本发明专利技术的方法在高光谱图像的空间结构信息刻画方面更加准确，在很大程度上提升了高光谱图像中像素间的空间结构关系，可更精确的识别出实际场景中的物质在图像中的位置和所占的比例，能够使光谱信息相同或相似的像素能够被更好的划分到同一个同质区域内，这使得该方法在实际应用问题中能够更准确的识别出场景中实际存在的不同物质或材料，以及这些物质或材料在图像中相对更精确的位置和所占的比例。因此，本发明专利技术的方法具有精度相对较高、可靠性好的特点，适合推广使用。适合推广使用。适合推广使用。

【技术实现步骤摘要】
一种基于空间结构信息约束的高光谱图像解混方法


[0001]本专利技术属于遥感技术的研究领域，涉及一种高光谱图像解混方法，具体涉及一种对高光谱图像的像素进行解混并得到相应地表物质丰度表示的方法。

技术介绍

[0002]高光谱遥感是一种重要的综合对地观测技术。高光谱遥感图像中包含了丰富的对地观测信息，即：它同时包含了反映特征辐射的光谱信心和反映特征二维空间的图像信息。高光谱图像的每个像素是视场中物质在多个连续波段的电磁波信号下的综合反映，因而高光谱图像还提供了对地观测的特征属性探测信息。通过对高光谱图像的解混处理，可提供对地观测物质构成的探测方法，而且结合地理信息还能够提供更为丰富的环境与灾害的监测方法等；通过对此问题的研究，还能为高光谱遥感图像提供更为有效的分析方法，进而能够更好地应用于高光谱遥感图像的分类与检测等任务。然而，由于高光谱图像的空间分辨率较低，这导致了高光谱图像的每个像素中同时记录了多种物质的光谱信息，这严重限制了对高光谱遥感图像的进一步分析与应用。因而，需要对高光谱遥感图像进行有效的解混处理。
[0003]为了实现对高光谱图像进行有效的解混，通过在解混过程中引入高光谱图像的像素间的空间结构信息是一种常见的方法。空间信息的引入需要依据合理的先验知识，这些先验信息需要满足实际的高光谱图像的结构特点，以及更符合实际的物理意义。不同的空间信息引入所使用的先验假设和方法也有所不同，在目前现有的一些同类型的解混方法中，通过假设相邻像素间的谱信息是相似的先验知识，然后手动构建能够刻画相邻像素间空间结构关系的空间矩阵，该矩阵强制性的刻画了相邻像素间的结构关系。然而，手动构建的空间矩阵所刻画的空间结构信息往往并不符合高光谱图像中像素间的真实空间结构。通过引入合理的空间结构信息，可在一定程度上提升高光谱图像解混的性能。因此，这需要一种更为合理的空间信息被用于高光谱图像的解混任务中。

技术实现思路

[0004]本专利技术基于高光谱遥感图像相邻像素间存在着一定的空间结构信息，提供了一种基于空间结构信息约束的高光谱图像解混方法。本专利技术在高光谱图像的像素间的空间信息刻画上引入了一种新的方法，该方法基于观测的高光谱图像可利用图学习的方式学习得到能够刻画像素间空间结构信息的空间矩阵，其能够自适应不同情况的高光谱图像，更加鲁棒和准确，可为相关的专业人员对高光谱图像的进一步分析与应用提供一定的理论分析依据。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种基于空间结构信息约束的高光谱图像解混方法，包括如下步骤：
[0007]步骤1：高光谱图像的预处理
[0008]首先将3
‑
D的高光谱图像Y分割为由相邻多个波段子图像所构成的图像集合
其中，K为图像集合的数量，每个图像集合包含了原高光谱图像的相邻的多个波段的子图像，即：其中，N
k
为与第k个波段相邻的子图像所构成的集合，y
j
为原高光谱图像Y的第j个波段的子图像；
[0009]然后，每个图像集合Y
i
由下式进行融合处理：
[0010][0011]其中，|N
k
|表示集合的大小，包含了每个图像集合Y
k
中的平均空间信息；
[0012]步骤2：空间矩阵的图学习
[0013]步骤2.1、计算对角权重矩阵W
x
和W
y
，其对角元素按下式计算：
[0014][0015][0016]其中，D
x
和D
y
分别为水平和垂直两个方向上的离散差分算子，G
σ
是标准差为σ的高斯滤波器，ξ为图学习过程设定的超参数，“*”为卷积算子，为基于元素运算的乘积算子；
[0017]步骤2.2、计算图Laplacian矩阵
[0018][0019]其中，D
x
和D
y
分别为水平和垂直两个方向上的离散差分算子，上角标
T
为矩阵的转置运算；
[0020]步骤2.3、计算空间矩阵H
x
和H
y`
按下式计算：
[0021][0022][0023]其中，W
1/2
表示对矩阵W的所有元素取平方根运算；
[0024]步骤2.4、在图学习的第t次迭代过程中，变量按下式进行更新：
[0025][0026]其中，I
n
表示维数为n的单位阵，上角标
‑1表示矩阵求逆运算；
[0027]步骤2.5、图学习过程的终止条件：
[0028]若迭代次数t＝Q
max
，则终止迭代并按下式输出空间矩阵H
x
和H
y
：
[0029][0030][0031]否则图学习过程转到步骤2.1继续执行；
[0032]步骤3：高光谱图像的解混
[0033]步骤3.1、解混过程的外层循环：
[0034]解混过程外层循环的权重矩阵W1和W2按下式计算：
[0035][0036]其中，ε为解混过程设定的超参数，X
(l)
(i,:)表示在解混过程外层循环的第l次迭代时，估计矩阵X的第i行的所有列的元素所构成的行向量，表示解混过程内层循环的第l次迭代时，估计矩阵X的所有元素的绝对值；
[0037]步骤3.2、变量更新：
[0038]更新内层循环迭代次数：k＝k+1；
[0039]将内层循环求解的X赋值给外层循环：X
(l+1)
＝X
(k+1)
；
[0040]更新外层循环迭代次数：l＝l+1；
[0041]步骤3.3、终止条件：
[0042]若解混过程外层循环的迭代次数l＝L
max
，则终止迭代并输出矩阵X
(k+1)
；否则转到步骤3.1继续执行；当依据步骤3.3停止时，输出的X
(k+1)
就是从高光谱图像Y中估计出的丰度矩阵。
[0043]相比于现有技术，本专利技术具有如下优点：
[0044]1、本专利技术与目前广泛用于高光谱遥感图像解混的其他稀疏解混方法相比，所提出的解混方法具有更好的解混性能和相对较低的计算代价。由于所提出的方法在高光谱图像的空间结构信息刻画方面更加准确，所以在很大程度上提升了高光谱图像中像素间的空间结构关系，可更精确的识别出实际场景中的物质在图像中的位置和所占的比例，能够使光谱信息相同或相似的像素能够被更好的划分到同一个同质区域内，这使得该方法在实际应用问题中能够更准确的识别出场景中实际存在的不同物质或材料，以及这些物质或材料在图像中相对更精确的位置和所占的比例。因此，本专利技术的方法具有精度相对较高、可靠性好的特点，适合推广使用。
[0045]2、与现有的高光谱图像解混方法中引入空间信息所不同的是，本专利技术利用图学习的方式来引入空间信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空间结构信息约束的高光谱图像解混方法，其特征在于所述方法包括如下步骤：步骤1：高光谱图像的预处理首先将3
‑
D的高光谱图像Y分割为由相邻多个波段子图像所构成的图像集合其中，K为图像集合的数量，每个图像集合包含了原高光谱图像的相邻的多个波段的子图像，即：其中，N
k
为与第k个波段相邻的子图像所构成的集合，y
j
为原高光谱图像Y的第j个波段的子图像；然后，每个图像集合Y
i
由下式进行融合处理：其中，|N
k
|表示集合的大小，包含了每个图像集合Y
k
中的平均空间信息；步骤2：空间矩阵的图学习步骤2.1、计算对角权重矩阵W
x
和W
y
，其对角元素按下式计算：，其对角元素按下式计算：其中，D
x
和D
y
分别为水平和垂直两个方向上的离散差分算子，G
σ
是标准差为σ的高斯滤波器，ξ为图学习过程设定的超参数，“*”为卷积算子，为基于元素运算的乘积算子；步骤2.2、计算图Laplacian矩阵步骤2.2、计算图Laplacian矩阵其中，D
x
和D
y
分别为水平和垂直两个方向上的离散差分算子，上角标T为矩阵的转置运算；步骤2.3、计算空间矩阵H
x
和H
y`
按下式计算：按下式计算：其中，W
1/2
表示对矩阵W的所有元素取平方根运算；步骤2.4、在图学习的第t次迭代过程中，变量按下式进行更新：
其中，I
n
表示维数为n的单位阵，上角标
‑1表示矩阵求逆运算；步骤2.5、图学习过程的终止条件：若迭代次数t＝Q
max
，则终止迭代并按下式输出空间矩阵H
x
和H
y
：：否则图学习过程转到步骤2.1继续执行；步骤3：高光谱图像的解混步骤3.1、解混过程的外层循环：解混过程外层循环的权重矩阵W1和W2按下式计算：其中，ε为解混过程设定的超参数，X
(l)
(i,:)表示在解混过程外层循环的第l次迭代时，估计矩阵X的第i行的所有列的元素所构成的行向量，表示解混过程内层循环的第l次迭代时，估计矩阵X的所有元素的绝对值；步骤3.2、变量更新：更新内层循环迭代次数：k＝k+1；将内层循环求解的X赋值给外层循环：X
(l+1)
＝X
(k+1)
；更新外层循环迭代次数：l＝l+1；步骤3.3、终止条...

【专利技术属性】
技术研发人员：邓世文，宋福新，阚超，
申请(专利权)人：哈尔滨师范大学，
类型：发明
国别省市：