[发明专利]一种基于相关向量机的高光谱图像解混方法

说明书

技术领域

本发明涉及一种高光谱图像的解混方法，属于遥感信息处理技术领域。

背景技术

由于目前高光谱图像的采集手段和光学仪器性能的限制，在一般的情况下，高光谱图像拥有较低的空间分辨率，这就导致了观测到的一个像元很可能包含不止一种类别的地物，这种像元称之为混合像元。混合像元广泛存在于高光谱图像之中。对于这种情况，直接将混合像元判别到其所包含的一种地物中是不准确的，因此继续用传统的统计模式识别方法通常会导致分类错误。混合像元的存在严重影响到后续的高光谱图像处理的效果和精度。因此，如何求解混合像元中所包含的各类地物分别所占的比例，即进行高光谱解混已经成为研究的热点。

Daniel Heinz等人通过改进经典最小二乘方法提出了一种全约束最小二乘算法(Fully Constrained Least Squares,FCLS)，并取得了比较好的混合像元分解效果，该算法是目前比较通用的解混算法，近几年，基于支持向量机(Support Vector Machine,SVM)的高光谱图像解混方法也是众多学者研究的热点，应用也较为广泛。这些高光谱数据解混方法中存在以下几个问题：1、解混精度不高。2、解混的处理时间较长。3、求解出的丰度值不具有统计意义。

发明内容

本发明的目的是提供一种具有高解混精度值的基于相关向量机的高光谱图像解混方法。

本发明一种基于相关向量机的高光谱图像解混方法，包括以下几个步骤，

步骤一，读取高光谱图像中k个数据类别分别具有的监督信息其中N为监督样本数，x_n为训练样本，t_n∈{0,1}为训练样本标号，并且读取高光谱图像的k个数据类别测试样本其中M为测试样本数；

步骤二，将具有监督信息的训练样本中属于第i数据类别对应的样本标号t值标记为1，其余k-1的数据类别对应的样本标号t值标记为0，其中1≤i≤k；

步骤三，利用训练样本训练相关向量机，得到相关向量机的模型；

步骤四，利用训练好的相关向量机模型对测试样本进行测试，将测试样本输入到训练好的相关向量机模型中，得到输出预测值

步骤五，计算测试样本属于第i数据类别的概率值f_i；

步骤六，重复步骤二～步骤五，计算出测试样本分别属于k个数据类别的概率值f_k；

步骤七，将所求的k个概率值分别进行归一化，得到最终解混丰度值f_i。

本发明一种基于相关向量机的高光谱图像解混方法，还可以包括：

1、利用训练样本训练RVM的过程是：

（1）相关向量机的相关函数为：

其中，K(x,x_n)为径向高斯核函数，x＝[x₁,x₂,…x_N]，w＝[w₀,w₁,w₂,…,w_N]^T为权向量，样

本标号为t_n＝y_n+ε_n，ε_n为附加噪声ε_n～N(0,σ²)；

（2）为权向量w添加附加条件，w_j(0≤j≤N)服从分布：

式中：p表示分布函数，α为w先验分布的超参数向量α＝[α₀,α₁,α₂,…,α_N]^T；

（3）设定α_o和设定更新次数为p，通过迭代公式不断更新得到超参数向量α和方差σ²之后，相关向量机训练过程结束，此时不为0的w_j所对应的x_n为相关向量，其中迭代公式为：