[发明专利]一种高光谱图像解混方法

说明书

本发明提供一种高光谱图像解混方法，能够提高具有相似光谱特性的端元的解混精度。所述方法包括：建立包含类内与非类内端元的线性光谱混合模型；将光谱间的协方差平方和作为相关性函数，增加类内端元光谱间、非类内端元光谱间、类内与非类内端元光谱间的相关性约束；根据建立的线性光谱混合模型和确定的相关性约束，建立目标函数，应用非负矩阵分解算法进行解混。本发明涉及遥感图像处理技术领域。

技术领域

本发明涉及遥感图像处理技术领域，特别是指一种高光谱图像解混方法。

背景技术

高光谱遥感是20世纪80年代初在遥感领域发展起来的新兴成像技术，是指在光谱成像仪的作用下，在电磁波谱中的中远红外光谱、近红外光谱、可见光光谱和紫外光谱区域内，得到的很多光谱分布连续且光谱范围很小的影像信息数据。与传统的全色影像及多光谱遥感图像相比，高光谱图像主要具有以下优点：图谱合一，即同时记录了地物的光谱和图像信息；各个波段各自成像，高光谱图像是各个波段数据叠加在一起的数据立方体；波段多且宽度窄，可以为每个像元提供几十、数百甚至上千个波段；光谱分辨率高，可达5～10nm；波段连续，每个像元可以得到连续的地物光谱曲线；覆盖范围广，能够对大范围地区的信息进行同时提取与研究。

由于光谱成像仪的空间分辨率限制和地物的复杂多样性，高光谱图像的某些像元中往往包含多种物质，这些包含多种物质的像元被称为混合像元。为达到对目标物的精确识别与分析，从混合像元中提取端元光谱及其特征成为当前研究中的热点问题，即混合像元分解问题。混合像元分解包含两个步骤：端元提取和丰度估计。混合像元中包含的不同的地物称为“端元”，每种端元在像元中所占的比例称为“丰度”。

根据不同地物间是否有相互作用，混合像元分解模型被分为两大类：线性混合模型和非线性混合模型。线性解混模型假定像元光谱是各个端元光谱的线性组合，而非线性解混模型则认为像元光谱是各个端元光谱按照非线性的关系综合而成。由于线性解混模型建模简单，物理意义明确，求解效果令人满意，是当前研究的主流。

目前基于线性混合模型的混合像元分解方法主要有：纯净像元指数法、内部最大体积法、顶点成分分析法、独立成分分析法以及一系列基于最小体积约束、统计理论(如贝叶斯)和稀疏理论的方法。这些混合像元分解方法需要先提取端元光谱，再进行丰度估计，因此丰度估计的精度很大程度上受到端元估计值的影响。为了避免该现象，实现端元与组分的同时估计，很多学者利用非负矩阵分解(Non-negtive Matrix Factorization,NMF)对高光谱影像进行混合像元分解。

非负矩阵分解法是由D.D.Lee与H.S.Seung在美国著名科学杂志《Nature》上提出的，该算法是在非负性的约束下，将原矩阵分解成一个基矩阵和系数矩阵的乘积，其中基矩阵和系数矩阵中所有元素满足非负的约束。

现有技术中，非负矩阵分解算法一般都是考虑类间(非类内)物质(具有不同光谱特征的物质)端元的可分性，并没有考虑类内物质(具有相似光谱特征的物质)端元的相似性。而通常在一些高光谱图像中，往往会存在一些具有相似光谱特征的端元存在，如果只考虑端元之间的差异性，这样在解混中要影响具有相似光谱特性的端元的解混精度。

发明内容

本发明要解决的技术问题是提供一种高光谱图像解混方法，以解决现有技术所存在的非负矩阵分解算法只考虑类间物质端元可分性，未考虑类内物质端元相似性的问题。

为解决上述技术问题，本发明实施例提供一种高光谱图像解混方法，包括：

建立包含类内与非类内端元的线性光谱混合模型；

将光谱间的协方差平方和作为相关性函数，增加类内端元光谱间、非类内端元光谱间、类内与非类内端元光谱间的相关性约束；

根据建立的线性光谱混合模型和确定的相关性约束，建立目标函数，应用非负矩阵分解算法进行解混。