[发明专利]基于信息熵稀疏的深度非负矩阵解混方法和存储介质

说明书

本发明提供了一种基于信息熵稀疏的深度非负矩阵解混方法和存储介质，方法包括：对端元矩阵和丰度矩阵进行VCA‑FCLS初始化，并建立深度NMF解混模型；将初始化后的端元矩阵和初始化后的丰度矩阵作为第一目标函数的输入，并利用第一目标函数，基于乘性迭代规则对深度NMF解混模型预训练；利用梯度下降法迭代更新预训练后的端元矩阵和丰度矩阵；将更新后的端元矩阵和更新后的丰度矩阵作为第二目标函数的输入，并利用第二目标函数对预训练后的NMF解混模型迭代微调；再次迭代更新微调后的端元矩阵和丰度矩阵，并通过数据分析确定第二目标函数的最优参数；根据最优参数获得NMF解混模型的全局最优解。

技术领域

本发明涉及图像处理技术技术领域，具体涉及一种基于信息熵稀疏的深度非负矩阵解混方法和存储介质。

背景技术

高光谱解混技术是一项重要的图像处理技术，被广泛应用于农业、矿产勘探和环境监测等各领域。其中，非负矩阵分解(NMF)算法是研究的热门，但NMF算法有明显的非凸性，存在多个局部极小值。且大多数基于NMF的解混方法只考虑单层中的信息，而忽略了原始数据包含具有隐藏信息的分层特征的事实，对于复杂和高度混合的数据而言，这可能会导致解混性能不理想。

发明内容

本发明解决的一个主要问题是现有技术中对于复杂和高度混合的数据而言，基于NMF的解混方法解混性能不理想的问题。

根据本发明的一个方面，本发明提供一种基于信息熵稀疏的深度非负矩阵解混方法，包括：

对端元矩阵和丰度矩阵进行VCA-FCLS初始化，并建立深度NMF解混模型；

将初始化后的所述端元矩阵和初始化后的所述丰度矩阵作为第一目标函数的输入，并利用所述第一目标函数，基于乘性迭代规则对所述深度NMF解混模型预训练，所述第一目标函数为：

其中，A为光谱特征矩阵,S为丰度矩阵，X为具有B个波段和P个像元的高光谱数据集，S_ij代表第i种地物类型在第j个像元的丰度，i＝1,2,...,M，j＝1,2,...,P；λ是正则化参数；

利用梯度下降法迭代更新预训练后的所述端元矩阵和所述丰度矩阵；

将更新后的所述端元矩阵和更新后的所述丰度矩阵作为第二目标函数的输入，并利用所述第二目标函数对预训练后的所述NMF解混模型迭代微调，所述第二目标函数为：

其中，minf(A,S)表示重构误差，l表示第l层，L表示最后一层，代表第l层的重构的丰度矩阵，ψ_l-1＝A₁A₂…A_l-1，且对于ψ_l-1，当且仅当l＝1时，代表一个单位矩阵；

再次迭代更新微调后的所述端元矩阵和所述丰度矩阵，并通过数据分析确定所述第二目标函数的最优参数；

根据所述最优参数获得所述NMF解混模型的全局最优解。

进一步地，所述深度NMF解混模型的数学表达式为：

X≈A₁A₂…A_L-1A_LS_L。

进一步地，所述利用所述第二目标函数对预训练后的所述NMF解混模型迭代微调还包括：

对所述深度NMF结构的每个中间层结果均进行微调；

进一步地，所述基于乘性迭代规则对所述深度NMF解混模型预训练还包括：

重新定义高光谱数据集为第一表达式：