[发明专利]基于修正线性混合模型的高光谱压缩感知方法、设备及系统

说明书

本发明公开了一种基于修正线性混合模型的高光谱压缩感知方法、设备及系统。该方法包括：步骤S1，获取原始高光谱图像光谱维压缩采样后的观测数据Y＝AX，其中A为观测矩阵，X为待重建的原始高光谱图像；步骤S2，构建修正线性混合模型：X＝ES+BEH；其中，E为端元矩阵；S为丰度矩阵；B为端元E的修正矩阵；H为修正后的端元所对应的丰度矩阵；基于观测数据Y分别估计出B、S和H的最优值；步骤S3，将B、S和H的估计值代入修正线性混合模型来重建原始高光谱图像。修正线性混合模型引入了修正项BEH，可根据光谱上每个点的扰动情况自适应地进行修正，提高了模型表征高光谱图像的能力，进而提高了高光谱压缩感知的重建质量。

技术领域

本发明涉及高光谱压缩感知领域，特别是涉及一种基于修正线性混合模型的高光谱压缩感知方法、设备及系统。

背景技术

高光谱图像(HyperSpectral Imagery,HSI)可以提供丰富的地物光谱信息，在矿物勘探、农业生产、环境与灾害监测等领域得到广泛应用。然而，随着分辨率的不断提高，成像光谱仪获取的数据量呈指数量级增长。海量的高光谱数据给机载或者星载成像系统的功耗、计算能力以及数据的实时传输均带来了巨大压力。压缩感知(Compressed Sensing,CS)技术能以较低的采样率(远低于奈奎斯特采样率)采集数据，将数据采集与压缩融为一体，在成像的同时完成数据压缩，适合解决机载或者星载高光谱成像平台数据采集与压缩难题。目前，高光谱压缩感知(Hyperspectral Compressed Sensing,HCS)已经成为当今高光谱遥感领域研究的热点。

基于高光谱观测数据的重建是HCS研究中的关键问题之一。线性混合模型(LinearMixing Model,LMM)作为HSI简单而有效的假设已被广泛应用于光谱解混。LMM认为高光谱图像可以表示为端元矩阵与丰度矩阵的乘积。近年来，在LMM的假设下，基于光谱解混的重建方法逐渐应用于高光谱压缩感知的重建，不但提高了重建速度，而且较大程度地提高了重建质量。现有的基于光谱解混的重建算法均是建立在传统LMM的基础上；然而，由于光照条件、地形变化以及大气等因素的影响，所获取的地物成像光谱会发生扰动，从而偏离了地物的真实光谱，降低了LMM的适用性。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于修正线性混合模型的高光谱压缩感知方法、设备及系统。

为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种基于修正线性混合模型的高光谱压缩感知方法，包括：

步骤S1，获取原始高光谱图像光谱维压缩采样后的观测数据Y＝AX；

其中，矩阵X表示需要重建的原始高光谱图像数据，A为光谱维测量矩阵，Y为光谱维观测数据；

步骤S2，构建修正线性混合模型：X＝ES+BEH；

其中，E为端元矩阵；S为丰度矩阵；B表示端元光谱的修正矩阵；H表示修正后的端元光谱所对应的丰度矩阵；

利用观测数据Y估计出B、S和H的最优值；

步骤S3，将B、S和H的最优估计值代入修正线性混合模型来重建原始高光谱图像数据X。

上述技术方案的有益效果为：该重建方法采用修正线性混合模型对原始高光谱图像数据进行重建，修正线性混合模型相比传统的线性混合模型，引入了修正项BEH，矩阵B能够根据光谱上每个点的扰动情况自适应地进行修正，提高了模型表征高光谱图像的能力，从而提高了高光谱压缩感知的重建质量，能够更好地恢复图像的细节与纹理，有利于后续的分类与识别等应用。

在本发明的一种优选实施方式中，在所述步骤S2中，利用观测数据Y迭代估计B、S和H的过程为：