基于自适应局部邻域约束的小波域NMF图像解混方法技术

本发明专利技术提供一种基于自适应局部邻域约束的小波域NMF图像解混方法，包括：分别对高光谱数据矩阵和端元数据矩阵进行双正交小波包变换；获取端元数据矩阵对应的小波包树每个节点处的系数矩阵，找到最低条件数的节点；将最低条件数的节点对应的相关矩阵数据，作为基于自适应局部邻域加权约束的NMF模型输入，迭代更新丰度矩阵和端元矩阵，直到所述模型收敛，输出收敛时迭代更新后的丰度矩阵和端元矩阵；使用条件数最低一层的小波包树节点对端元进行重构。克服了在解混过程中出现的病态矩阵问题，进一步提升了解混精度效果。进一步提升了解混精度效果。进一步提升了解混精度效果。

【技术实现步骤摘要】
基于自适应局部邻域约束的小波域NMF图像解混方法

e
[0001]本专利技术涉及高光谱解混的
，尤其涉及一种基于自适应局部邻域约束的小波域NMF图像解混方法。

技术介绍

[0002]近年来，高光谱遥感成像技术逐渐成为学者们研究的热点。高光谱遥感图像的处理与分析仍是制约高光谱遥感应用的重要瓶颈，而高光谱遥感图像解混的研究则是伴随高光谱成像技术发展的新型数据处理问题，是高光谱数据处理的重要任务之一。
[0003]高光谱遥感影像信息空间分辨率的限制以及复杂地物的影响，图像中出现大量混合像元，即一个像元同时包含几个地物的光谱信息。若一个像元只包含一种地物，则该像元称之为端元。高光谱解混主要包括端元提取和丰度估计，即确定组成混合像元的地物种类以及确定各个种类所占的比例。
[0004]现有的高光谱遥感影像丰度估计的方法主要是采用全约束的最小二乘方法，但是此方法在处理含有噪声的数据时，丰度估计的误差较大，解混的精度会降低。或者是采用非负矩阵分解(Non
‑
negativeMatrix Factorization,NMF)方法。为避免NMF算法陷入局部最优解，学者们提出了各类针对NMF的约束，其中利用空间信息的局部邻域约束在近期取得了不错的解混效果，然而该算法是在时域中进行，但由于存在病态矩阵问题，其解混的精度往往会受到影响。

技术实现思路

[0005]本专利技术提供一种基于自适应局部邻域约束的小波域NMF图像解混方法，用以解决现有的时域中NMF约束引入的病态矩阵而导致解混精度不高的问题。
[0006]本专利技术提供一种基于自适应局部邻域约束的小波域NMF图像解混方法，包括：
[0007]步骤一、获取高光谱遥感图像；
[0008]步骤二、获取高光谱数据矩阵X、端元矩阵A和丰度矩阵S；
[0009]步骤三、分别对所述高光谱数据矩阵和所述端元数据矩阵进行d层双正交小波包变换，分别得到高光谱数据矩阵对应的小波包树、得到端元数据矩阵对应的小波包树；
[0010]步骤四、获取所述端元数据矩阵对应的小波包树每个节点处的系数矩阵，计算每个所述系数矩阵的条件数，找到最低条件数的节点，记为min Cond；
[0011]步骤五、将所述最低条件数的节点min Cond对应的高光谱数据矩阵的系数矩阵、该节点对应的端元数据矩阵的系数矩阵，以及丰度矩阵，作为基于自适应局部邻域加权约束的NMF模型输入，迭代更新丰度矩阵和端元矩阵，直到所述模型收敛，输出收敛时迭代更新后的丰度矩阵和端元矩阵；
[0012]步骤六、将与minCond节点处在同一层的其他节点的系数矩阵，以及所述迭代更新后的端元矩阵作为重构函数的输入，输出得到重构后的端元矩阵；
[0013]其中在所述步骤五中，基于自适应局部邻域加权约束的NMF模型为
[0014][0015][0016]其中λ是一个可调参数用于平衡近似误差和约束项，w
ij
为给定像元x
i
的局部邻域像元x
j
对像元x
i
权重的贡献，x
i
表示高光谱数据矩阵的第i列，x
j
表示高光谱数据矩阵的第j列，N(i)表示定像元x
i
的局部邻域像元的列集合，j∈N(i)；s
i
表示的丰度矩阵S的第i列，s
j
表示的丰度矩阵S的第j列，P是端元数量，N是像元的总数；
[0017]其中在所述步骤五中，迭代更新丰度矩阵S和端元矩阵A，
[0018]A
←
A
·
*(XS
T
)./(ASS
T
)
[0019][0020]其中
·
*表示矩阵对应元素相乘，./表示矩阵对应元素相除，矩阵χ
i
表示x
i
的局部邻域权重之和，S
w
的第i列表示为X
f
和A
f
分别是X和A的增广矩阵。
[0021]与现有的技术比较，本专利技术的有益效果是：
[0022]提出了一种自适应局部邻域约束的NMF模型，根据丰度矩阵的特点可以自适应确定给定像元的局部邻域,计算出的权重充分地利用了给定像元和邻域内像元的空间信息，使得解混精度更高。
[0023]进而，不同于传统的时域NMF的解混图像方法，将自适应局部邻域约束的NMF模型与双正交小波包变换相结合，获得基于自适应局部邻域约束的小波域NMF图像解混方法。采用双正交小波作为小波基对数据进行表示,小波基线性相位和较短支撑集的特性，可以更好地对数据进行压缩和消减噪声对于解混结果的影响，进一步克服了在解混过程中出现的病态矩阵问题，进一步提升了解混精度效果；
[0024]与此同时，计算选取最小条件数节点进行后续计算和重构，有效的降低了数据量处理，以及图像信息得到了较为完整的保留。
附图说明
[0025]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]图1为本专利技术提供的一种基于自适应局部邻域约束的小波域NMF图像解混方法的流程示意图；
[0027]图2为本专利技术提供的局部区域划分图；
具体实施方式
[0028]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0029]现有的手势识别分类技术中普遍存在多维手势特征提取不够有效便捷，手势分类的准确率不高的问题。下面结合图1描述本专利技术的基于小波域的高光谱遥感图像自适应局部邻域约束的NMF解混方法。图1为本专利技术的基于自适应局部邻域约束的小波域NMF图像解混方法的流程示意图，如图1所示，该方法包括：
[0030]步骤一、获取高光谱遥感图像；
[0031]具体地，获取大小为N
×
M的高光谱遥感图像X。
[0032]步骤二、获取高光谱数据矩阵、端元矩阵和丰度矩阵；
[0033]具体地，使用VCA算法和FCLS算法对高光谱遥感图像初始化，得到端元矩阵A_init和丰度矩阵S_init。初始化的目的是在开始使用NMF算法解混之前,先将端元矩阵A和丰度矩阵S限制在一定的范围内，这样在进行迭代时,可以加快算法收敛，减少运行时间，提升算法的精度。
[0034]NMF是在矩阵所有元素非负的条件下对一大型矩阵实现非负分解，得到两个非负低秩矩阵，其数学模型为:
[0035]V＝WH
ꢀꢀꢀ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应局部邻域约束的小波域NMF图像解混方法，其特征在于，包括：步骤一、获取高光谱遥感图像；步骤二、获取高光谱数据矩阵X、端元矩阵A和丰度矩阵S；步骤三、分别对所述高光谱数据矩阵和所述端元数据矩阵进行d层双正交小波包变换，分别得到高光谱数据矩阵对应的小波包树、得到端元数据矩阵对应的小波包树；步骤四、获取所述端元数据矩阵对应的小波包树每个节点处的系数矩阵，计算每个所述系数矩阵的条件数，找到最低条件数的节点，记为min Cond；步骤五、将所述最低条件数的节点min Cond对应的高光谱数据矩阵的系数矩阵、该节点对应的端元数据矩阵的系数矩阵，以及丰度矩阵，作为基于自适应局部邻域加权约束的NMF模型输入，迭代更新丰度矩阵和端元矩阵，直到所述模型收敛，输出收敛时迭代更新后的丰度矩阵和端元矩阵；步骤六、将与minCond节点处在同一层的其他节点的系数矩阵，以及所述迭代更新后的端元矩阵作为重构函数的输入，输出得到重构后的端元矩阵；其中在所述步骤五中，基于自适应局部邻域加权约束的NMF模型为其中在所述步骤五中，基于自适应局部邻域加权约束的NMF模型为其中λ是一个可调参数用于平衡近似误差和约束项，w
ij
为给定像元x
i
的局部邻域像元x
j
对像元x
i
权重的贡献，x
i
表示高光谱数据矩阵的第i列，x
j
表示高光谱数据矩阵的第j...

【专利技术属性】
技术研发人员：王巍，李杏梅，范朋沅，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：