[发明专利]基于光谱和空间总变分最小限制的多层非负矩阵分解高光谱图像解混方法

说明书

本发明公开了基于光谱和空间总变分最小限制的多层非负矩阵分解高光谱图像解混方法，设高光谱图像矩阵Y，端元光谱矩阵M，丰度矩阵R，随机噪声E，建立线性光谱混合模型将多层非负矩阵分解应用于线性混合模型：设计光谱域、空间域总变分函数；将光谱域和空间域总变分最小约束引入MLNMF，建立SSTV‑MLNMF目标函数；对得到的目标函数进行优化；选定实验参数，得到最终的解混结果。本发明将总变分最小的特点应用到了光谱域以及空间域，通过模拟高光谱图像和真实高光谱图像数据实验，验证了本算法的有效性，本方法比其它方法解混精度高。

技术领域

本发明涉及图像信息处理技术领域，涉及一种光谱和空间总变分最小限制的 多层非负矩阵分解高光谱图像解混方法。

背景技术

由于含有丰富的波段信息，高光谱图像被广泛应用于卫星遥感、农作物观测 以及矿物勘测。然而，高光谱成像设备空间分辨率有限，并且离地观测距离较远， 使得在高光谱图像中存在混合像元，即一个像素中往往包含有多种地物类型的混 合光谱。高光谱图像解混便成为了将混合像元里所含地物类型的光谱(端元)分 辨出来并且计算地物类型所占比例(丰度)的重要技术手段。在众多的解混方法 中，非负矩阵分解因其简单、高效的解混性能受到了重度研究学者的关注。但是 由于非负矩阵分解算法的非凸性，其结果往往收敛于局部最小值，影响其最优解。 因此，根据高光谱图像的不同特性，多种不同的限制条件加入到非负矩阵分解算 法当中，如稀疏、流形、先验光谱知识等限制，以提高高光谱图像解混的精度。 传统的非负矩阵分解算法只有一层结构往往无法适应高度混合的高光谱图像，近年来多层非负矩阵分解很好的解决了这一问题。本算法就是基于多层非负矩阵分 解研究其光谱域和空间域总变分最小限制的方法。

发明内容

高光谱图像解混经过多年的发展已经取得了一定的成果，但其仍具有较大的 挑战性。

本发明的目的是为了更好解决基于多层非负矩阵分解目标函数非凸性的问 题，并结合高光谱图像光谱域以及空间域的特点，提出光谱域和空间域总变分最 小的约束条件，通过多层非负矩阵分解来提高高光谱图像解混精度，该方法称为 基于光谱和空间总变分最小限制的多层非负矩阵分解的高光谱图像解混方法 (spectral and spatial totalvariation regularized multilayer nonnegative matrix factorization)，简称SSTV-MLNMF。

本发明采用的技术方案为基于光谱和空间总变分最小限制的多层非负矩阵 分解的高光谱图像解混方法，由以下步骤实现：

步骤一、设高光谱图像矩阵Y，端元光谱矩阵M，丰度矩阵R，随机噪声E， 建立线性光谱混合模型：

Y＝MR+E (1)

步骤二、将多层非负矩阵分解(MLNMF)应用于线性混合模型：

Y＝M₁,…,M_lR_l+E (2)

其中M₁,…,M_l为第l层；

步骤三、设计光谱域、空间域总变分函数；

步骤四、将光谱域和空间域总变分最小约束引入MLNMF，建立 SSTV-MLNMF目标函数；

步骤五、对得到的目标函数进行优化；

步骤六、选定实验参数，得到最终的解混结果。

本发明的有益效果为：