[发明专利]基于稀疏主题松弛模型的高光谱影像解混方法及系统

说明书

本发明提供了基于稀疏主题松弛模型的高光谱影像解混方法及系统，包括：对高光谱影像中的像元按划分为训练数据集；再分别生成训练数据集和整个高光谱影像的共生矩阵，并将训练数据集的共生矩阵输入到模型进行预训练，得到预训练后的稀疏主题松弛模型；将高光谱影像的共生矩阵输入到预训练后的模型，得到影像的初始端元和初始丰度；将初始端元输入到由模糊C均值聚类算法构建的模型中，得到由稀疏主题松弛模型获取的端元以及相应的丰度；将由VCA‑FCLS模型生成的丰度结果和由稀疏主题松弛模型获取的丰度结果进行加权联合，得到高光谱影像的丰度结果；能有效避免端元可变性且无需构建端元光谱库，能快速挖掘高光谱影像混合像元中的隐含端元并估计丰度。

技术领域

本发明涉及主题模型与遥感影像处理领域的结合，主要解决高光谱遥感影像混合像元分解的问题，尤其涉及一种基于稀疏主题松弛模型的高光谱影像解混方法及系统。

背景技术

随着遥感技术的快速发展，高空间分辨率和高光谱分辨率的遥感影像应用越来越广泛。高光谱影像具有从可见光到不可见光等连续几十到几百波段的光谱信息，能够更加准确地反映目标真实物理特性，已经在环境监测，精准农业，林业监测和矿物勘探等领域取得了良好的效应。但是，由于传感器空间分辨率低以及复杂地物的影响，单个像元可能包含多种地物的光谱特征，从而导致“混合像元”现象。

在传统的高光谱影像混合像元分解方法中，几何方法具有很高的计算效率，但它们通常需要纯净像元的假设前提，难以应对高度混合的地面场景；稀疏回归方法往往难以构建针对影像特征的典型端元光谱库，且需要大量的时间消耗；基于深度学习的方法可以获得良好的结果，但它们通常需要大量的训练数据，调整参数困难并且难以满足“丰度和为一约束”；统计学方法无需事先获取端元光谱库，但它们通常难以获取复杂的光谱分布模式。

在过去的研究中，主题模型作为语义表示已经在遥感影像处理中得到了广泛应用，如：场景分类、影像分割、目标识别等；这些模型能够根据其隐藏的语义模式而不是其低级特征将数据表示为概率分布，这使得更易于在较高抽象级别上管理数据，因此在高光谱影像混合像元分解任务中显示出巨大潜力。一些研究表明，在解混模型中添加稀疏约束有助于提高解混模型的性能，这为基于主题模型的解混研究提供了更大的改进空间。但是，这些方法通常需要选择带有辅助参数的正则化项，这对于大规模数据集的处理可能会出现问题。

发明内容

为了解决上述问题，本发明提供了一种基于稀疏主题松弛模型的高光谱影像解混方法及系统，在无需构建端元光谱库的条件下快速挖掘到影像的隐含端元，有效避免端元可变性造成的影响，并借助不同模型的丰度加权联合的方式来提高混合像元分解的性能。

在基于主题模型的方法中，全稀疏主题模型使用线性收敛来挖掘文档中的隐含的稀疏主题，并且不需要额外的稀疏约束，大大减少了求解空间和需要提取的参数数量，降低了模型的复杂性。

本发明实施例提供的基于稀疏主题松弛模型的高光谱影像解混方法，包括以下步骤：

S101：将高光谱影像中一定比例的像元组合成为训练数据集；

S102：以像元为基础，构建训练数据集的像元-波段共生矩阵，并将所述共生矩阵输入至稀疏主题松弛模型中，以对所述稀疏主题松弛模型进行预训练，得到预训练后的稀疏主题松弛模型；

S103：构建所述高光谱影像所有像元的像元-波段共生矩阵，并将构建的共生矩阵输入至所述预训练后的稀疏主题松弛模型中；得到所述高光谱影像的初始端元和初始丰度；

S104：针对所述初始端元，采用模糊C均值聚类算法确定端元聚类结果即为最终的端元结果；将所述初始丰度按照所述端元聚类结果进行划分，将同一类端元对应的丰度划分为一组，并将同组内的丰度结果以像元为单位求和叠加，在满足“丰度和为一约束”的条件下将同类端元对应的丰度进行叠加得到第一丰度结果；