[发明专利]一种基于最小体积与优化约束条件的高光谱解混方法

说明书

本发明公开了一种基于最小体积与优化约束条件的高光谱解混方法，其步骤如下：步骤一：数据加载与预处理。步骤二：筛选图像采样点，构造优化的约束条件，寻找满足初始条件的数据。步骤三：将非负非线性规划问题转换为线性规划问题，对线性规划问题的目标函数结合优化后的约束条件进行求解，计算中间变量矩阵H_new、g_new。步骤四：根据变化率检测终止条件判断是否终止迭代计算，若不满足终止条件，则返回步骤三，继续更新中间变量矩阵H_new、g_new。步骤五：解出满足非负性要求的端元矩阵，并计算丰度系数，完成图像的解混。本方法解决基于最小体积的高光谱解混算法中，约束条件过多所导致的数据存储空间大，运算时间长，精确性难以提高的问题。

技术领域

本发明涉及一种高光谱数据解混方法，具体涉及一种基于几何学最小体积算法解混的方法。

背景技术

高光谱遥感能利用很窄的电磁波波段从感兴趣的物体上获取有关数据。高光谱遥感是在电磁波谱的可见光、近红外、中红外和热红外波段范围内，获取许多非常窄的连续光谱数据的技术，目前先进的成像光谱仪可以收集到成百上千个非常窄的光谱波段信息。

利用高光谱解混技术能够确定高光谱图像中的端元数、端元光谱曲线以及每个像素点的丰度值，进而能够确定某种物质在图像观察区域的分布。在解混方法中，高光谱的混合模型分为两类，分别为线性混合模型以及非线性混合模型。线性模型假设物质成份在空间布局上是离散混合，忽略在不同类型物质之间的多重散射量，即每个像元点的光谱幅度仅是这个像元中存在的各物质成份光谱信号，以相对贡献量多少的线性叠加。对于高光谱线性混合模型来说，解混方法可以分为三大类，分别为：1)基于凸面几何学方法的线性解混模型；2)基于数据统计的方法，代表算法有ICA等，其核心思想在于假设原信号在体积上是独立分布的；3)基于稀疏模型的解混方法，代表算法有BP、BPDN等。

基于几何学的解混算法又能够被分为两类：一类是基于纯像元假设的解混算法，另一类是基于最小体积法的解混算法。基于纯像元假设的解混算法需要保证图像中的每个不同的端元至少完全占据一个像素，否则会出现端元错误估计的情况。而基于最小体积的解混算法即使在缺失纯像元的情况下也能够较高地估计出端元，但缺点是其优化目标函数是非线性且非凸的，很多情况下，只能得到近似的局部最优解，同时其约束条件数量非常多，使其算法效率没有基于纯像元假设的解混算法高。

发明内容

为了解决基于最小体积的高光谱解混算法中，约束条件过多所导致的数据存储空间大，运算时间长，精确性难以提高的问题，本发明提供了一种基于最小体积与优化约束条件的高光谱解混方法，通过优化约束条件改进基于最小体积法的高光谱解混方法，得出更准确的解混效果。

本发明的目的是通过以下技术方案实现的：

一种基于最小体积与优化约束条件的高光谱解混方法，对高光谱图像进行线性解混以求取端元矩阵时，考虑初值对求解端元矩阵的影响，并将求解体积最小问题的非线性问题转化为线性规划问题，近似求解得到非线性优化的局部最小解；并考虑求解端元的非负物理特性，从而提高求取端元的准确率。具体包括如下步骤：

步骤一：数据加载与预处理。

步骤二：筛选图像采样点，构造优化的约束条件，寻找满足初始条件的数据。

步骤三：将非负非线性规划问题转换为线性规划问题，对线性规划问题的目标函数结合优化后的约束条件进行求解，计算中间变量矩阵H_new、g_new。

步骤四：根据变化率检测终止条件判断是否终止迭代计算，若不满足终止条件，则返回步骤三，继续更新中间变量矩阵H_new、g_new。

步骤五：解出满足非负性要求的端元矩阵，并计算丰度系数，完成图像的解混。