[发明专利]基于邻域光谱加权的高光谱图像稀疏解混方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及稀疏解混技术领域中的一种基于邻域光谱加权的高光谱图像稀疏解混方法。本发明用于各种数字设备的高光谱图像解混处理，能有效提高高光谱图像解混的精度。

背景技术

高光谱图像解混技术，是指对于高光谱图像中的每一个混合像元，将其分解为不同的基本组成单元,或称“端元”，并求得这些基本组成单元所占的比例。其中，“端元”一般是指从高光谱图像中提取的包含某种地物类型比例很高的像元，而未必是仅包含一种地物类型的纯像元。

Jose M.Bioucas-Dias和Antonio Plaza在文献“Total Variation Spatial Regularization for Sparse Hyperspectral Unmixing”([J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(11)).中提出一种基于全变分变量分裂增广拉格朗日（sparse unmixing via variable splitting augmented Lagrangian and total variation,SUnSAL-tv）的稀疏解混方法。该方法使用全变分正则化来约束高光谱图像解混模型中的丰度向量，在原始的稀疏解混模型上添加空间信息的相关性约束，利用已知光谱库信息，通过交替乘子替换法(Alternating Direction Method Multipliers,ADMM)来求解新的稀疏解混模型。但该方法仍存在的不足是，在高信噪比的高光谱图像稀疏解混过程中，高光谱图像稀疏解混精度低、重构效果差。

北京航天航空大学拥有的专利技术“一种基于随机投影的高光谱图像稀疏解混方法”（专利申请号：201110207433.0，授权公告号：CN102314685A）提出了一种基于随机投影的高光谱图像稀疏解混方法。该专利技术利用高光谱数据库，为丰度加以稀疏性约束，实现了高光谱图像的定量分析。该方法虽然利用了高光谱数据库来选择端元，克服了现有技术采用的算法所求出的端元与标准数据库中的纯物质光谱无法严密对应的缺点。但是仍然存在的不足是，在高光谱图像稀疏解混过程中，高光谱图像稀疏解混耗时长、效率低。

发明的内容

本发明的目的在于克服上述现有技术的不足，提出一种基于邻域光谱加权的高光谱图像稀疏解混方法，以提高高光谱图像的稀疏解混精度，克服高光谱图像稀疏解混效率低的问题，减少高光谱图像稀疏解混耗时。

为实现上述目的，本发明的步骤包括如下：

（1）输入解混参数：

输入待解混的高光谱图像、高光谱标准波谱数据库,待解混高光谱图像的参考丰度矩阵；

（2）预处理：

(2a)采用遥感影像处理软件，对高光谱图像进行降噪处理，得到无噪声高光谱图像；

(2b)采用遥感影像处理软件，对高光谱标准波谱数据库进行降噪处理，得到无噪声高光谱标准波谱数据库；

（3）构造拟合稀疏矩阵：

(3a)按照如下形式，构造水平方向的差分拟合稀疏矩阵：

其中，M_h表示水平方向的差分拟合稀疏矩阵，h表示水平方向；

(3b)按照如下形式，构造垂直方向的差分拟合稀疏矩阵：

其中，M_v表示垂直方向的差分拟合稀疏矩阵，v表示垂直方向；

（4）构造邻域光谱加权的稀疏解混模型：

(4a)按照下面两式，分别构造水平方向的加权拟合稀疏矩阵和垂直方向的加权拟合稀疏矩阵：

Qh=diag||YMh||2*]]>