[发明专利]基于端元学习的高光谱图像稀疏解混方法

说明书

本发明公开了一种基于端元学习的高光谱图像稀疏解混方法，主要解决了现有技术在低信噪比的高光谱图像解混过程中，高光谱图像解混精度低、重构效果差、耗时长、效率低的问题。本发明的步骤为：输入高光谱数据，合成高光谱基数据，端元学习，求解高光谱数据丰度矩阵，计算高光谱数据丰度矩阵的重构误差，输出解混结果。本发明采用了新的求解模式，引入了端元学习的思想，具有解混精度高、重构效果好、效率高的优点，同时求解步骤简单，原理清晰，可用于高光谱图像的理解解译。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像解混技术领域中的一种基于端元学习的高光谱图像解混方法。本发明通过先对端元进行模拟学习，然后利用学习到的端元进行丰度的求解，从而做到对高光谱图像的快速理解解译。本发明可用于对各种数字设备的高光谱图像进行解混处理，能有效提高高光谱图像解混的精度。

背景技术

高光谱图像是由上百个非常窄的波段组成的，它不仅有着谱域的信息，还包含了丰富的空间信息。但是，传感器空间分辨率的不足，使得对于高光谱图像而言，其中的像素点很难是纯像素点，而是由多种物质融合而成的混合像素点，为了能够更好的，有效的利用高光谱图像数据，就必须对其中的混合像素点进行分解，将其分解成图像中所存在的物质集(俗称端元)与对应的比例集(俗称丰度)的乘积。

Y.Qian,S.Jia，J.Zhou and A.Robles-Kelly在其发表的论文“Hyperspectralunmixing via L0.5sparsity-constrained nonnegative matrix factorization”(IEEETransactions on Geoscience and Remote Sensing，vol.49,no 11,pp.4282-4297,No.2011).中提出了一种基于L0.5范数稀疏约束的非负矩阵分解方法。该方法通过对丰度矩阵进行L0.5范数的稀疏约束，使用交替迭代法，对高光谱数据矩阵进行非负矩阵分解，从而得到端元矩阵和丰度矩阵。该方法存在的不足是，在低信噪比的高光谱图像解混过程中，使用交替迭代法同时求解端元矩阵和丰度矩阵时，高光谱图像解混结果耗时长、效率低。

北京航天航空大学所拥有的专利技术“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。该方法有四大步骤：一、将数据读取到软件MATLAB中；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光谱数据库中的纯物质光谱无法严密对应的缺点；实现了对高光谱图像的定性分析。该方法仍然存在的不足是，同物异谱现象会导致实际端元与标准高光谱数据库中端元存在一定的差异，直接利用高光谱数据库中端元，会使得高光谱图像解混结果精度低，重构效果差。

发明的内容

本发明的目的在于针对上述已有技术的不足，提出一种基于端元学习的高光谱图像稀疏解混方法，以提高高光谱图像的解混精度，克服高光谱图像解混效率低的问题，减少高光谱图像解混耗时。

为了实现上述目的，本发明的步骤包括如下：

1.一种基于端元学习的高光谱图像稀疏解混方法，包括如下步骤：

(1)输入高光谱数据；

(2)合成高光谱基数据：

(2a)从数字光谱库中挑选高光谱数据中所包含的所有端元，得到备选端元；

(2b)用备选端元初始化预设区域，得到备选区域；

(2c)利用狄利克雷法，生成备选区域的丰度值；