基于高斯混合模型和L1图约束的高光谱图像解混方法技术

本发明专利技术提出了一种基于高斯混合模型和L1图约束的高光谱解混方法。本发明专利技术所提出的方法使用混合高斯分布对端元以及像元建模以解决端元变异的问题，并通过贝叶斯框架建立解混问题的目标函数；引入基于l1范数的图拉普拉斯正则化项，来约束丰度图像中蕴含的空间信息；使用广义期望最大算法，通过逐步迭代的方式对模型进行求解并得到最终的解混结果。本发明专利技术技术方案解混得到的丰度图像纹理细节清晰，保留了丰度图固有的分段平滑的特性，相较于传统方法具有较高的精度。具有较高的精度。具有较高的精度。

【技术实现步骤摘要】
基于高斯混合模型和L1图约束的高光谱图像解混方法


[0001]本专利技术涉及光谱图像解混
，具体地说，本专利技术涉及一种基于高斯混合模型和L1图约束的高光谱图像解混方法的技术方案。

技术介绍

[0002]近几十年来，高光谱图像由于其丰富的空间和光谱信息，在地球观测、矿产勘探和军事侦察等诸多领域得到了应用。一幅高光谱图像通常表示为一个三维数据立方体，其光谱维度有数十到数百个波段。然而，由于大多数高光谱传感器的空间分辨率有限，图像中普遍存在混合像元，这给高光谱分类和目标检测等其他任务带来了干扰。高光谱解混是一种将混合像元分解为一组纯物质(称为端元)和相应的比例系数(称为丰度)的组合的技术。
[0003]在已经提出的解混方法中，最常用的是基于线性模型的解混方法，该类方法的基本假设是端元由像元线性组合而成，端元通常为一个定值。然而在实际场景中，受到气候条件、光照等因素的影响，同种物质的光谱响应会呈现出多个不同的多个实例，这种现象称为端元变异，会很大程度上影响解混的精度。为了解决此类问题，文献[]中提出了一种基于高斯混合模型的端元表示方法进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于高斯混合模型和L1图约束的高光谱图像解混方法，其特征在于，包括如下步骤：步骤1，建立基于高斯混合模型的解混模型，用L1图正则化项和稀疏正则化项来约束丰度图像的分段平滑性和稀疏性，包括以下子步骤：步骤1.1，设含有N个像元，波段数为L的高光谱图像矩阵表示为其中一个像元y
n
的端元线性表示如下，其中a
nm
和e
nm
分别表示丰度和端元，n
n
表示高斯噪声，服从分布其均值为0，协方差为σ2I
L
，I
L
表示L阶单位矩阵，M表示端元的数量；步骤1.2，用含有K
m
个组分的混合高斯分布对端元进行拟合，建立数学模型，则端元服从如下分布，其中Θ:＝{π
mk
,μ
mk
,Σ
mk
,m＝1,...,M,k＝1,...,K
m
}是混合高斯分布的参数，包含权重π
mk
、均值μ
mk
和方差Σ
mk
，是正态分布；步骤1.3，用混合的高斯分布对像元进行拟合，建立数学模型，则像元的似然函数如下，其中代表指数集为M的笛卡尔积，a
n
是丰度向量，a
n
＝[a
n1
,...,a
nM
]，混合高斯分布中的参数π
k
，μ
nk
和Σ
nk
的计算公式如下：的计算公式如下：其中I
L
表示单位矩阵，进一步地，对整个像元矩阵Y，建立如下的数学模型，步骤1.4，构建丰度矩阵A的先验约束，建立如下的数学模型，其中，
∝
是近似的符号表达，Φ
l
和Φ
s
分别表示丰度的空间平滑性约束和空间稀疏性约束，β1和β2分别为控制这两项的参数；步骤1.5，根据贝叶斯定理，得到解混问题的数学模型，则丰度的后验分布表示如下，p(Α,Θ|Y,σ2)
∝
p(Y|A,Θ,σ2)p(A)p(Θ)其中，p(Θ)假设为均匀分布，进一步地，可以得到解混问题的目标函数，
其中表示向量y
n
服从均值为μ
nk
，协方差为Σ
nk
的正态分布，表达式为步骤2，求解构建的解混问题目标函数的最优解，得到丰度图像。2.如权利要求1所述的基于高斯混合模型和L1图约束的高光谱图像解混方法，其特征在于：步骤1.4包括如下子...

【专利技术属性】
技术研发人员：樊凡，刘文迪，马泳，梅晓光，马佳义，黄珺，
申请(专利权)人：武汉大学，
类型：发明
国别省市：