[发明专利]一种自相似性约束的高光谱影像解混方法

说明书

本发明提出一种自相似性约束的高光谱影像解混方法，主要解决现存基于非负矩阵分解的解混方法精度不高，并且没有充分利用原始数据复杂的上下文信息的问题。该方法包括以下步骤，步骤一、输入待分解的高光谱图像，构建带有空间‑光谱约束的稀疏NMF解混框架；步骤二、利用K‑means++聚类算法通过高光谱图像块之间的相似性来探索图像中的全局空间结构信息；同时，利用自适应的超像素分割来挖掘邻域内像素之间的光谱相似性；步骤三、利用子空间内像素的自表达特性将全局空间相似组和局部光谱相似组内的所有像素进行稀疏编码，步骤四、采用ADMM算法迭代求解端元矩阵和丰度矩阵；步骤五、完成高光谱影像Y的解混。

技术领域

本发明涉及图像处理领域，具体涉及一种自相似性约束的高光谱影像解混方法，该方法是一种混合像元分解技术，可以用于环境监测、灾害估计和矿产资源勘探等方面。

背景技术

高光谱成像是一种在同一场景中能够同时获取数百个光谱单波段图像的新兴技术。这些高维光谱图像极大地丰富了数据信息，特别是在目标识别、图像分类、医学图像分析和矿产资源勘查等领域都具有巨大的应用潜力。然而，高光谱图像由于成像原理的限制一般在具有高光谱分辨率的同时也具有较低的空间分辨率，即高光谱图像上的单个像素会对应于地面较大区域。由此，高光谱图像中的像素一般都不是纯净的，大都由多个地物光谱混合而成。所以，为了提高高光谱图像的应用，解混技术应运而生，即自动识别图像中的所有纯净物质(也称为端元)，并对每种物质在单个像元中所占的分数进行估计。

在高光谱的线性解混模型中，非负矩阵分解(NMF)及其变形越来越多地被应用到解混中。NMF通过学习一个原始数据的基表达将数据分解为两个非负的因子矩阵。当这一理论应用于高光谱解混中时，NMF可以同时估计出端元矩阵和丰度矩阵。然而，由于NMF的目标函数是非凸的，在迭代求解的过程中会出现很多的极小值，这会导致解混结果不稳定。另外，NMF也会将图像中的噪声进行分解，致使解混结果中出现一个关于噪声的因子。

为了解决上述问题，近年来基于空谱联合方法的NMF解混方法被广泛地研究。该类方法不仅利用了高光谱图像丰富的光谱信息，也在探索数据的地理空间结构上有着深入的研究。它充分地利用高光谱遥感成像的优势，在图像的解混研究中，通过原始数据本身来直接分离纯净的光谱；根据地物在真实地面分布的特征(局部连续性、全局相关性)来探索数据的各个像素之间的关系，并以此来约束NMF框架，达到效果良好且鲁棒的解混性能。