一种基于随机投影的高光谱图像稀疏解混方法，它有四大步骤：一、计算机在MATLAB?R2008b环境下读取数据；二、计算机对高光谱图像数据和高光谱库数据进行随机投影；三、构建稀疏解混的目标函数，使用分裂Bregman算法优化目标函数求极值，直至达到收敛停止条件。四、设定合适的阈值处理丰度矩阵，获得最终的丰度图和端元。本发明专利技术利用了高光谱数据库来选择端元，克服了以往算法所求出的端元与标准高数据库中的纯物质光谱无法严密对应的缺点；并使用随机投影技术对原始数据进行降维，从而达到了节省内存和减少计算量的效果。本发明专利技术实现了对高光谱图像快速定量分析，它在高光谱遥感图像分析领域里具有实用价值和广阔的应用前景。
【技术实现步骤摘要】
本专利技术涉及，属于高光谱遥感图像分析
技术介绍
在过去三十年间，随着成像光谱技术(imaging spectroscopy)的不断发展，在飞机或卫星平台上搭载的成像光谱仪(imaging spectrometer)采集得到的遥感图像(remote sensingimages)包含了越来越丰富的空间、辐射和光谱信息，从而为地表物质的信息提取和目标检测提供了一个强有力的手段。光谱分辨率作为遥感技术发展的一个重要指标，目前已由多光谱发展到高光谱，正向超高光谱发展。一般来说，在同一环境下，由同一光谱传感器检测得到的物质光谱具有不同物质不同光谱特征的特点。根据这一特点，可以对高光谱图像的每一个像素点进行物质分析。然而由于遥感探测仪器较低的空间分辨率限制以及自然界地物的复杂多样性，使得单个像元点的光谱特征反映的不一定只是一种物质的特性，而可能是几种不同物质光谱的混合，这样的特征像素点被称为混合像元(mixed pixel)。为了提高遥感应用的精度，就必须解决混合像元的分解问题，使遥感应用由像元级达到亚像元级。进入像元内部，将混合像元分解为不同的“基本组成单元”，或称“端元”(endmember)，并求得这些基本组分所占的比例，或称 “丰度”(abundance fractions)，这就是所谓的“光谱解混”过程(spectral unmixing)(童庆禧，张兵，郑兰芬.高光谱遥感——原理、技术与应用.高等教育出版社2006)。光谱解混分析实现了高光谱数据的定量分析。传统的高光谱图像解混方法是首先利用端元选择(endmember selection) 技术获取存在于高光谱图像中的成份光谱；然后通过混合像元分解(mixed pixel decomposition)技术确定各个端元在混合像元中所占的比例。由于这类方法是以端元光谱为条件建立的，因此必须先以监督或非监督的方法找到所谓的端元光谱。近年来，随着盲信号分离(blind source separation, BSS)禾口非负失巨阵分角军(Nonnegative Matrix Factorization,NMF)技术的兴起和发展，非监督的光谱解混技术逐渐受到遥感学者们的重视。它是指在端元信息完全未知的情况下，直接从遥感图像本身入手，根据混合像元的光谱模型以及约束条件等信息，利用非监督的信号处理方法得到端元光谱及其组分信息。目前， 非监督的光谱解混算法主要集中在两个方向基于凸集理论的单纯形几何学方法和基于盲信号分离(BSS)技术的独立成分分析(Incbpendent Component Analysis, ICA)及非负矩阵分解(nonnegative matrix factorization, NMF)方法。这两种算法在混合像元分解上都可以获得较为精确的分解结果，但同时也面临一些需要解决的问题。例如，单纯形方法往往需要假设高光谱图像数据中的每一个端元均存在纯像元，否则分解精度会受到显著影响。非负矩阵分解方法存在很多局部极小，这会造成分解的不唯一，极大的影响了算法的性能。随着高光谱成像仪的广泛应用，高光谱数据库得到不断完善，越来越多纯物质的光谱特征得到测量，一种基于高光谱数据库的半监督解混算法成为研究的热点，即高光谱图像稀疏解混方法。它将高光谱数据库所有的物质光谱作为假想的端元，真正的端元在光谱库中所占的比例是很小的。高光谱图像稀疏解混的目的就是要找到每个像元光谱在高光谱数据库中的稀疏表达。可以利用假想端元的丰度稀疏性作为正则化项，求解所有假想端元所对应的丰度，并在光谱库中挑选出真正的端元。稀疏解混方法能够准确直接的找到端元，避免了前两种方法求解端元不精确的问题。三种高光谱图像解混技术面对的共同问题是海量的高光谱数据造成解混过程中计算机内存不足以及计算时间较长。针对上述问题，本专利技术采用随机投影算法将海量的高光谱数据投影在较低维的空间，以投影后的较少量数据代替原始数据进行稀疏解混处理， 并采用分裂Bregman算法对高光谱图像所有的像素点进行整体处理，来代替传统的逐个像素进行解混的方式，进一步减少时间消耗，取得了较好的效果。
技术实现思路
1、目的本专利技术的目的是提供，此方法能够对原始海量高光谱数据进行降维处理，减少内存消耗和计算时间；并利用高光谱数据库，为丰度加以稀疏性约束，进而求得高光谱图像每个像元的组成物质以及其含量百分比，实现高光谱图像的定量分析。2、技术方案本专利技术是通过以下技术方案实现的本专利技术，包含以下几个步骤步骤一用计算机读取数据计算机在MATLAB R2008b环境下读取高光谱图像数据，数据来源于成像光谱仪采集到的遥感图像，得到数据立方体，高光谱图像数据应去除被水汽吸收的波段和信噪比较低的波段。将高光谱图像数据逐像素点排列，得到原始的高光谱图像矩阵V。假设高光谱图像有m个波段，共有η个像素点，V=，Si是光谱库中第i个纯物质的光谱列向量，同样是一个m维向量。步骤二 高光谱数据随机投影用计算机读取数据后，对高光谱图像数据和高光谱库数据进行随机投影，就是用一个包含的所有元素符合正态分布的矩阵&与矩阵V，S分别相乘。假设矩阵&的大小为dXm，d < m，得到降维后的数据RdV和&S，其矩阵大小分别为dXn，dXq，代替原始的高光谱图像数据V和高光谱数据库S参与下述步骤三的计算，其中d是随机投影后光谱波段的个数。步骤三高光谱图像稀疏解混数据进行随机投影后，接下来就要对降维后的高光谱图像数据进行光谱解混。假设高光谱数据库中含有足够丰富的纯物质光谱，那么高光谱图像中含有的端元只占极少一部分，也就是说高光谱图像中每个像素点的光谱曲线是由高光谱数据中少数的纯物质的光谱曲线以某种方式组合构成，这体现了端元的稀疏性表达。端元在高光谱数据库中是稀疏的，他们所对应的丰度也具有稀疏性，即丰度矩阵是稀疏的，以丰度的稀疏性作为正则化项，符合实际的物理意义。在这里，采用线性混合模型，即将一条检测得到的光谱曲线，分解为光谱库中纯物质光谱线性组合的形式，其系数即为相应丰度。假设丰度矩阵为H，其大小为qXn，其所有元素满足非负性。线性混合模型如下表示〔0013〕V=SH〔0014〕 对原始高光谱图像稀疏解混的目标函数为权利要求1. ，其特征在于该方法具体步骤如下步骤一用计算机读取数据计算机在MATLAB R2008b环境下读取高光谱图像数据，数据来源于成像光谱仪采集到的遥感图像，得到数据立方体，高光谱图像数据去除被水汽吸收的波段和信噪比较低的波段，将高光谱图像数据逐像素点排列，得到原始的高光谱图像矩阵V ；设高光谱图像有m个波段，共有η个像素点，V = ，Vi是高光谱图像第i个像素点的光谱列向量，是一个m维向量；读取现有的高光谱数据库数据，选择光谱库中纯物质光谱数据构建光谱库矩阵S ；设纯物质光谱的数量为q，S = ，Si是光谱库中第i个纯物质的光谱列向量，同样是一个m维向量；步骤二 高光谱数据随机投影用计算机读取数据后，对高光谱图像数据和高光谱库数据进行随机投影，就是用一个所包含的元素符合正态分布的矩阵&与矩阵V，S分别相乘；设矩阵&的大小为dXm，d < m，得到降维后的数据RdV和&S，其矩阵大小分别为dXn本文档来自技高网...
【技术保护点】
１．一种基于随机投影的高光谱图像稀疏解混方法，其特征在于：该方法具体步骤如下：步骤一：用计算机读取数据：计算机在ＭＡＴＬＡＢ Ｒ２００８ｂ环境下读取高光谱图像数据，数据来源于成像光谱仪采集到的遥感图像，得到数据立方体，高光谱图像数据去除被水汽吸收的波段和信噪比较低的波段，将高光谱图像数据逐像素点排列，得到原始的高光谱图像矩阵Ｖ；设高光谱图像有ｍ个波段，共有ｎ个像素点，Ｖ＝［ｖ１，ｖ２，．．．，ｖｎ］，ｖｉ是高光谱图像第ｉ个像素点的光谱列向量，是一个ｍ维向量；读取现有的高光谱数据库数据，选择光谱库中纯物质光谱数据构建光谱库矩阵Ｓ；设纯物质光谱的数量为ｑ，Ｓ＝［ｓ１，ｓ２，．．．，ｓｑ］，ｓｉ是光谱库中第ｉ个纯物质的光谱列向量，同样是一个ｍ维向量；步骤二：高光谱数据随机投影：用计算机读取数据后，对高光谱图像数据和高光谱库数据进行随机投影，就是用一个所包含的元素符合正态分布的矩阵Ｒｄ与矩阵Ｖ，Ｓ分别相乘；设矩阵Ｒｄ的大小为ｄ×ｍ，ｄ＜ｍ，得到降维后的数据ＲｄＶ和ＲｄＳ，其矩阵大小分别为ｄ×ｎ，ｄ×ｑ，代替原始的高光谱图像数据Ｖ和高光谱数据库Ｓ参与下述步骤三的计算，其中ｄ是随机投影后光谱波段的个数；步骤三：高光谱图像稀疏解混：数据进行随机投影后，就对降维后的高光谱图像数据进行光谱解混；设高光谱数据库中含有足够丰富的纯物质光谱特征，那么高光谱图像中含有的端元只占极少一部分，也就是说高光谱图像中每个像素点的光谱曲线是由高光谱数据中少数的纯物质的光谱曲线线性组合构成，这体现了端元的稀疏性表达；端元在高光谱数据库中是稀疏的，他们所对应的丰度也具有稀疏性，即丰度矩阵是稀疏的，以丰度的稀疏性作为正则化项，符合实际的物理意义；在这里，采用线性混合模型，即将一条检测得到的光谱曲线，分解为光谱库中纯物质光谱线性组合的形式，其系数即为相应丰度；设丰度矩阵为Ｈ，其大小为ｑ×ｎ，其所有元素满足非负性，线性混合模型如下表示：Ｖ＝ＳＨ对原始高光谱图像稀疏解混的目标函数为：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｕｎｄｅｒ）?（ｍｉ）ｍｉｎ（／ｍｉ）?（ｍｉ）Ｈ（／ｍｉ）?（／ｍｕｎｄｅｒ）?（ｍｓｕｂ）?（ｍｒｏｗ）?（ｍｏ）｜（／ｍｏ）?（ｍｏ）｜（／ｍｏ）?（ｍｉ）Ｈ（／ｍｉ）?（ｍｏ）｜（／ｍｏ）?（ｍｏ）｜（／ｍｏ）?（／ｍｒｏｗ）?（ｍｎ）１（／ｍｎ）?（／ｍｓｕｂ）?（／ｍｒｏｗ）?（／ｍａｔｈ） ｓ．ｔ．Ｖ＝ＳＨ，Ｈ≥０｜｜Ｈ｜｜１表示Ｈ包含的所有元素绝对值的和，因为丰度具有非负性，｜｜Ｈ｜｜１越小，丰度矩阵Ｈ含有的非零元素值将越少，其表现出的稀疏性就较强；将上式转变为无约束优化问题：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｕｎｄｅｒ）?（ｍｉ）ｍｉｎ（／ｍｉ）?（ｍｉ）Ｈ（／ｍｉ）?（／ｍｕｎｄｅｒ）?（ｍｆｒａｃ）?（ｍｎ）１（／ｍｎ）?（ｍｎ）２（／ｍｎ）?（／ｍｆｒａｃ）?（ｍｓｕｂｓｕｐ）?（ｍｒｏｗ）?（ｍｏ）｜（／ｍｏ）?（ｍｏ）｜（／ｍｏ）?（ｍｉ）Ｖ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｉ）ＳＨ（／ｍｉ）?（ｍｏ）｜（／ｍｏ）?（ｍｏ）｜（／ｍｏ）?（／ｍｒｏｗ）?（ｍｎ）２（／ｍｎ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｂｓｕｐ）?（ｍｏ）＋（／ｍｏ）?（ｍｉ）＆ｌａｍｂｄａ；（／ｍｉ）?（ｍｓｕｂ）?（ｍｒｏｗ）?（ｍｏ）｜（／ｍｏ）?（ｍｏ）｜（／ｍｏ）?（ｍｉ）Ｈ（／ｍｉ）?（ｍｏ）｜（／ｍｏ）?（ｍｏ）｜（／ｍｏ）?（／ｍｒｏｗ）?（ｍｎ）１（／ｍｎ）?（／ｍｓｕｂ）?（／ｍｒｏｗ）?（／ｍａｔｈ）在上式目标函数中，ｌ２项是拟合项，体现的是解混的结果与原高光谱图像的拟合程度；ｌ１即稀疏性正则化项；λ是正则化参数，调节着拟合项与正则化项的权重，其大小根据实际高光谱数据设置；因为Ｖ，Ｓ数据量很大，在迭代求解的过程中占用内存较大，并且计算时间较长；采用随机投影算法，能够有效保持上式中的ｌ２距离项，实现数据量压缩，随机投影后的目标函数为：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｕｎｄｅｒ）?（ｍｉ）ｍｉｎ（／ｍｉ）?（ｍｉ）Ｈ（／ｍｉ）?（／ｍｕｎｄｅｒ）?（ｍｆｒａｃ）?（ｍｎ）１（／ｍｎ）?（ｍｎ）２（／ｍｎ）?（／ｍｆｒａｃ）?（ｍｓｕｂｓｕｐ）?（ｍｒｏｗ）?（ｍｏ）｜（／ｍｏ）?（ｍｏ）｜（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）Ｒ（／ｍｉ）?（ｍｉ）ｄ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｉ）Ｖ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）Ｒ（／ｍｉ）?（ｍｉ）ｄ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｉ）ＳＨ（／ｍｉ）?（ｍｏ）｜（／ｍｏ）?（ｍｏ）｜（／ｍｏ）?（／ｍｒｏｗ）?（ｍｎ）２（／ｍｎ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｂｓｕｐ）?（ｍｏ）＋（／ｍｏ）?（ｍｉ）＆ｌａｍｂｄａ；（／ｍｉ）?（ｍｓｕｂ）?（ｍｒｏｗ）?（ｍｏ）｜（／...
【技术特征摘要】
【专利技术属性】
技术研发人员：史振威，翟新雅，都仁扎那，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。