[发明专利]基于区域分割的高光谱图像自适应解混方法

说明书

技术领域

本发明属于图像处理技术领域，主要涉及无监督目标识别方法，具体是一种基于区域分割的高光谱图像自适应解混方法，可应用于高光谱图像的地物识别。

背景技术

高光谱遥感是利用测谱学原理，即在电磁波谱的紫外、可见光、近红外和中红外区域，利用成像光谱仪获取的许多非常窄且光谱连续的图像数据。成像光谱仪以像元为单位来获取的地面反射或发射光谱信号。图像中每个像元对应的地物空间区域，往往包含有着不同的光谱特征的不同物质。若该像元中仅包含一种物质或者该物质所占的比例很高，则称为纯像元，也叫作“端元”；若该像元包含不止一种物质，该像素点被称作混合像元。混合像元所对应的光谱曲线由几种不同物质的光谱曲线混合而成。

混合像元分解方法按照所采用的分解模型，大致可以分为基于线性光谱混合模型的分解方法和基于非线性光谱混合模型的分解方法。

光谱解混提高了目标识别的精度，是高光谱图像处理中一项非常重要的任务，线性模型(LMM)假设观察到的光谱是一些端元的线性组合，它是一个简化的光谱模型，只考虑一阶散射光子，而忽略多个光子间的相互作用。尽管基于LMM的混合端元分解方法能得到有物理意义的结果，光谱混合模型中的非线性分量已在很多工作中被指出。基于线性混合模型的光谱解混理论和方法已得到了广泛的研究与应用，但由于受实际地物间复杂关系以及大气散射的影响，光谱混合都是非线性的，这就使得应用传统的基于线性光谱混合模型的解混结果难以满足高光谱图像解混的精度要求。近年来，非线性解混是基于非线性模型的，在遥感图像处理中非常受重视。多层场景中，在不同的层中有多重散射，通常发生在植被和土壤之间。根据地物散射的特点，双线性模型(BMM)考虑了光子在不同材料之间的二阶散射。双线性比较适合于高光谱图像中灌木丛、植被等会产生折射现象的地类目标。双线性模型是非线性解混中的常用模型。

非负矩阵分解(NMF)将一个非负矩阵分解为两个非负矩阵相乘，是目前处理线性混合模型的非常有效的方法。半非负矩阵分解(semi-NMF)将一个无约束矩阵分解为一个无约束矩阵和一个非负矩阵相乘,可用来优化基于广义双线性模型(GBM)的解混。然而高光谱图像往往不是单纯只存在线性光谱混合或者只存在双线性光谱混合，大多数高光谱数据需要考虑线性混合和双线性混合模型共存的情况，目前还没有有效的方法来处理这样的图像。而且目前现有的基于广义双线性模型GBM的解混方法没有考虑丰度矩阵的稀疏性，容易限于局部最优解。

发明内容

为了克服现有的高光谱图像解混方法不适用于处理线性混合和双线性混合模型共存的高光谱数据，本发明提供一种考虑线性混合和双线性混合共存的基于区域分割的高光谱图像自适应解混方法。

本发明的基于区域分割的高光谱图像自适应解混方法，其实现包括有如下步骤：

(1)输入高光谱图像，高光谱图像用数据Y∈R^L×N表示，其中L表示高光谱数据的波段数，N表示高光谱数据样本总个数，R表示实数域；

(2)使用基于最小错误高光谱信号识别法估计高光谱数据Y∈R^L×N的信号子空间，得到信号子空间维数K，即高光谱数据的端元数目；

(3)用顶点成分分析算法提取高光谱图像的端元矩阵A∈R^L×K，其每行向量表示高光谱图像第i个端元的光谱曲线；

(4)用K均值聚类方法(kmeans)对高光谱数据Y∈R^L×N聚类，聚为K+2类，聚类类标分别为1,2,3...,K+2，根据类标，用2*2的窗口扫描全图，若窗口中至少有一个类标不同，则把该2*2窗口对应的像素点归为高光谱图像的细节区域数据其余像素点归为高光谱图像的匀质区域数据其中N＝N₁+N₂，N₁表示高光谱图像的匀质区域数据样本个数，N₂表示高光谱图像的细节区域数据样本个数；本发明在该步骤中把高光谱图像分割为细节区域和匀质区域分别表示，在之后的处理步骤中分别进行处理；

(5)将高光谱图像匀质区域数据Y₁和高光谱图像端元矩阵A作为线性光谱混合模型的输入信号，用L_1/2约束的非负矩阵分解(L_1/2-NMF)方法得到匀质区域数据的系数矩阵即一阶丰度矩阵，其中每一列向量表示第n个像素的丰度向量；本发明在高光谱图像匀质区域采用线性模型，用稀疏约束的非负矩阵分解(L_1/2-NMF)方法解混。