[发明专利]一种小波域的多时高光谱图像贝叶斯解混方法

说明书

本发明公开了一种小波域的多时高光谱图像贝叶斯解混方法。该方法利用小波变换在信号检测方面的优势、贝叶斯模型以及端元和端元变异性的小波系数特点，分别对高光谱图像的高低频小波系数建立先验模型，得到更接近真实值的端元和丰度。该方法的核心为充分利用小波系数的性质并进行先验建模。本发明在传统的贝叶斯解混模型基础上，根据端元和端元变异性的小波系数特点，分别对其高低频小波系数建立先验模型。最后，针对得到的贝叶斯解混模型，用MCMC方法进行求解，并对得到的结果进行小波逆变换。实验结果表明了所提出方法在端元和端元变异方面，具有更好的逼近性。

技术领域

本发明属于高光谱图像解混技术领域，特别是一种小波域的多时高光谱图像贝叶斯解混方法。

背景技术

高光谱成像仪能够获取数百个连续波段上的数据，得到具有较高光谱分辨率的高光谱图像，被广泛应用于对地观测、军事侦查、矿物勘探、精准农业等多个领域。由于光谱成像仪的空间分辨率限制和地表物质的复杂多样性，高光谱成像技术获得的图像像元中往往包含多种物质，这些像元被称为混合像元。混合像元的存在会对高光谱数据分析产生一定的影响，因此，需要利用高光谱解混技术对混合像元进行分离，分解为混合像元的成分(端元)光谱以及其所占的比例系数(丰度)。

经典的解混方法大多假设端元光谱是不变的，忽略了物质的反射率可能随光照、大气、季节等因素而变化的事实。因此，需要进一步研究考虑端元变异性的光谱解混问题。根据光谱变化产生的可能原因，光谱变异需要考虑光谱特征选择、光谱加权、光谱变换和光谱建模等几个方面。

Roberts首次提出了端元变化下的解混方法，通过构造光谱束，定义每个纯端元的标准特征，有限数量的光谱特征可以捕获每种材料的大部分光谱变异性。然而，光谱束的缺点是依赖于提取的簇的多样性。一个简单的解决方案是从光谱数据集中随机选择光谱。这一类方法中，字典学习方法和稀疏表示方法常被用来精确估计端元和丰度。

从物理角度出发，也可直接对端元变异性进行建模。有人提出了一种扩展的线性混合模型(Extended Linear Mixing Model，ELMM)，该模型通过端元与比例因子相乘来模拟光照对反射率的影响。然而，ELMM模型对不同波长采用固定的尺度比，当端元在更复杂的环境下变化时，缺乏必要的灵活性，例如植被光谱的实验测量结果与季节变化存在显著差异。在ELMM模型的基础上考虑到每个波长间隔的光谱变异，广义线性混合模型(Generalized Linear Mixing Model，GLMM)采用依波段的比例因子使新模型能适应端元光谱的任意变化。增广线性混合模型(Augmented Linear Mixing Model，ALMM)将数据驱动学习策略应用于高光谱反问题，通过引入光谱变异性字典，对由环境条件和仪器配置以及材料非线性混合效应引起的其他光谱变异性进行建模，同时实现了对光谱变异性字典进行学习和估计丰度。通过假设光谱变化是由加性扰动引起的，建立了扰动LMM模型(PerturbedLinear Mixing Model，PLMM)。该模型将端元和其变异性分开考虑，可以很容易地施加不同的约束或正则化来模拟更复杂的环境变化。