[发明专利]基于光谱诊断特征加权的高光谱混合像元非线性盲分解方法

权利要求书

1.基于光谱诊断特征加权的高光谱混合像元非线性盲分解方法，其特征在于，包括以下步骤：

步骤1，输入一幅待探测的高光谱遥感影像其中，H，W，L分别为影像行，列和波段数；

步骤2，使用顶点成分分析方法进行端元光谱提取，并将其作为解码权重W_D的初始化值；

步骤3，构建网络模型，用于提取丰度、端元光谱和生成重建影像，所述网络模型为编码和解码结构，其中编码部分包括多个卷积层，批归一化层和激活层，解码部分包括卷积层和非线性转换部分，非线性转换部分包括卷积层，批归一化层和激活层，输入高光谱遥感影像经过编码部分输出丰度，再经过解码部分的卷积层，其权重输出得到端元光谱，最后经过非线性转换部分生成重建影像；设计损失函数，对网络模型进行迭代训练，直到满足设置的迭代次数，则结束训练；

步骤4，输出解混得到的丰度和端元光谱，其中，编码结构的最后一层输出得到丰度，解码结构的权重输出得到端元光谱。

2.如权利要求1所述的基于光谱诊断特征加权的高光谱混合像元非线性盲分解方法，其特征在于：步骤3的具体实现方式如下；

步骤3.1，基于随机梯度下降算法，对网络模型进行训练，待解混的高光谱影像X作为输入，将输入的高光谱影像使用3层卷积核为3×3，步长为1卷积层，批归一化层和激活层，再经过和为一和丰度非负的约束，输出得到丰度S；

再经过卷积核为1×1，步长为1卷积层，将卷积层的权重W_D输出即可得到端元光谱A，最后经过由卷积核为1×1，步长为1卷积层，批归一化层和激活层构成的非线性转换部分，生成重建影像k为当前迭代次数；

步骤3.2，计算基于光谱诊断特征加权的损失；

其中N为影像中像元个数，x_i为输入高光谱影像单个像元的光谱向量，为第k次迭代生成的重建高光谱影像的单个像元光谱向量，w为进行光谱诊断的各波段权重向量，其单个值的计算公式为

w_j＝E[(x_j-μ)²],j∈[1,L] (3)

其中，x_j为输入高光谱影像单个像元的光谱向量，μ为光谱向量的均值，E表示期望；

步骤3.3，误差反向传播更新网络参数；

其中，v_k为此时的加速度，表示损失函数进行偏导计算，η为学习率η，γ为动量；

对网络参数进行更新：

θ_k+1＝θ_k-v_k (5)

θ_k为第k次迭代的网络参数，θ_k+1为第k+1次迭代的网络参数；

步骤3.4，判断网络训练是否完成，即是否到设置迭代次数，若满足，则结束训练，若不满足，则回到步骤3.1。

3.如权利要求2所述的基于光谱诊断特征加权的高光谱混合像元非线性盲分解方法，其特征在于：学习率η＝0.0001，动量γ＝0.9。