[发明专利]一种基于注意力约束非负矩阵分解的高光谱分类方法

说明书

本发明涉及一种基于注意力约束非负矩阵分解的高光谱分类方法，包括以下步骤：S1：输入原始高光谱图像数据；S2：将高光将高光谱图像矩阵归一化，得到待处理数据集X；S3：采用NMF将X分解，得到端元矩阵U和底层丰度矩阵H；S4：将端元矩阵U和底层丰度矩阵H归一化；S5：根据底层丰度矩阵H，对注意力参数化矩阵W进行初始化；S6：对注意力参数化矩阵W进行归一化；S7：将高光谱图像、端元矩阵、底层丰度矩阵注意力参数化矩阵，采用注意力非负矩阵分解更新迭代至收敛得到端元矩阵以及对应丰度矩阵；本发明可使非负矩阵分解技术在分解高光谱图像的时候得到丰度矩阵中端元位置信息不容易丢失，从而提高高光谱图像的分类精度。

技术领域

本发明涉及高光谱分类领域，更具体地，涉及一种基于注意力约束非负矩阵分解的高光谱分类方法。

背景技术

高光谱遥感技术是在成像光谱学基础上发展起来的一种遥感信息获取技术；它可以获得成百上千幅在光谱上连续的高分辨率影像，图像中的每个像素对应一条光谱曲线，其包含的光谱信息维度与成像的幅数相等；由于高光谱图像波段密集且它们之间存在重叠，这样就可以用一条连续的辐射曲线来表示图像数据中每个像元的特征，相应的，一组像元的光谱曲线就可以用来表示地物的分布规律；因其高光谱分辨率及光谱和图像同时获取的能力，在大气探测、航天遥感、地球资源普查、军事侦察、环境监测、农业和海洋遥感等领域有着广泛和重要的应用。

高光谱分类最关键的就是分析不同物质的可分性，“不同类别物质的光谱曲线也必然不相同”的这一光谱域信息使得高光谱数据中的非同类地物存在了可分性。然而高光谱遥感所获取的地面反射光谱信号是以像元为单位记录的，它是像元所对应的地表物质光谱信号的综合；若该像元仅包含一种地物类型，如矿物质、水体、植被等，则称之为端元；若该像元包含不止一种地物类型，则称之为混合像元；高光谱图像中会出现大量的“同物异谱”和“异物同谱”现象，单纯的利用光谱信息进行分类极有可能造成一些地物类型的误分；同时，随着高光谱遥感数据的光谱分辨率的提高，其数据维度和数据量也随之大幅度增加，比如AVIRIS具有244个波段，这使得处理数据时计算机的压力显著增大，为高光谱的识别分类带来困难；所以现有的非负矩阵分解技术在分解高光谱图像的时候得到丰度矩阵中端元位置信息容易丢失，导致高光谱图像的分类精度不高。

发明内容

本发明为克服上述现有的非负矩阵分解技术在分解高光谱图像的时候得到丰度矩阵中端元位置信息丢失的缺点，提供一种基于注意力约束非负矩阵分解的高光谱分类方法。

一种基于注意力约束非负矩阵分解的高光谱分类方法，所述的方法包括以下步骤：

S1：输入原始高光谱图像数据；

S2：将高光将高光谱图像矩阵X归一化；

S3：采用非负矩阵分解(NMF)方法将X分解，得到端元矩阵U和底层丰度矩阵H；

S4：将端元矩阵U和底层丰度矩阵H归一化；

S5：根据底层丰度矩阵H，采用正交匹配追踪算法(OMP-k)，求出注意力参数化矩阵W，对注意力参数化矩阵W进行初始化；

S6：对注意力参数化矩阵W进行归一化；

S7：将步骤S2得到的高光谱图像X、步骤S4得到的端元矩阵U、底层丰度矩阵H和步骤S6得到的注意力参数化矩阵W，采用注意力非负矩阵分解更新迭代至收敛得到端元矩阵以及对应丰度矩阵。

本发明提供基于注意力非负矩阵分解分类方法可以综合利用光谱和各端元的位置信息提高分类器性能；使用非负矩阵分解能有效降低计算机处理数据的压力，同时非负矩阵分解能提取高光谱中端元的光谱信息和空间分布信息；添加了注意力机制后，对于每一次矩阵分解，注意力机制能持续地关注各端元的位置信息，指导更有效的分解；利用注意力机制与非负矩阵分解结合起来可以得到较好的分类效果。

优选地，所述步骤S2的归一化处理公式为：