[发明专利]基于条件数加权的高光谱遥感影像丰度估计方法及装置

权利要求书

1.一种基于条件数加权的高光谱遥感影像丰度估计方法，其特征在于，包括以下步骤：

获取高光谱数据矩阵和端元数据矩阵；

使用双正交小波对所述高光谱数据矩阵进行小波包分解，得到高光谱数据矩阵对应的小波包树；

使用双正交小波对所述端元数据矩阵进行小波包分解，得到端元数据矩阵对应的小波包树；

获取所述端元数据矩阵对应的小波包树每个节点处的系数矩阵；

计算每个所述系数矩阵的条件数；

根据每个所述条件数计算每个节点的权重；

将每个节点对应的高光谱数据矩阵和端元数据矩阵作为最小二乘法的输入，将每次最小二乘法输出的结果乘以对应节点的权重得到该节点对应的结果，最后对每个节点对应的结果进行求和得到丰度估计结果。

2.如权利要求1所述的基于条件数加权的高光谱遥感影像丰度估计方法，其特征在于，所述使用双正交小波对高光谱数据矩阵进行小波包分解，得到高光谱数据矩阵对应的小波包树的步骤，包括：

所述高光谱数据矩阵的大小为x×y×z，其中，x和y是图像数据，z是波长；

使用双正交小波对所述高光谱数据矩阵进行小波包分解时，每次分解1×1×z的数据，分解完成后，得到x×y个小波包树；

每个节点对应的高光谱数据矩阵的大小为k×1，其中，k由分解的层数和选取的双正交小波类型确定。

3.如权利要求1所述的基于条件数加权的高光谱遥感影像丰度估计方法，其特征在于，所述使用双正交小波对端元数据矩阵进行小波包分解，得到端元数据矩阵对应的小波包树的步骤，包括：

所述端元数据矩阵为z×e，其中z是波长，e是端元的个数，每个z×1的向量代表一种地物的光谱数据；

使用双正交小波分别对e个z×1的光谱数据进行a层小波包分解，得到e个小波包树，每个小波包树有个节点；

将e个小波包树对应节点的数据重新组合成k×e的系数矩阵，其中k由分解的层数和选取的双正交小波类型确定。

4.如权利要求1所述的基于条件数加权的高光谱遥感影像丰度估计方法，其特征在于，所述根据条件数计算每个节点的权重的步骤，包括：

定义初始权重计算函数：y_i＝(x_i-m)ⁿ；

其中，m是最大的条件数，n是一个可调参数，n越大则表示条件数越大的矩阵所占的权重会越低，x_i表示第i个节点的系数矩阵，y_i表示第i个节点的初始权重；

根据所述初始权重计算函数，计算得到每个节点对应的初始权重y_i；

对所有的y_i进行归一化处理得到最后的权重，即其中W_i是每个节点对应的权重。

5.一种基于条件数加权的高光谱遥感影像丰度估计装置，其特征在于，包括以下模块：

获取模块，用于获取高光谱数据矩阵和端元数据矩阵；

小波包分解模块，用于使用双正交小波对所述高光谱数据矩阵进行小波包分解，得到高光谱数据矩阵对应的小波包树；

所述小波包分解模块，还用于使用双正交小波对所述端元数据矩阵进行小波包分解，得到端元数据矩阵对应的小波包树；

所述获取模块，还用于获取所述端元数据矩阵对应的小波包树每个节点处的系数矩阵；

计算模块，用于计算每个所述系数矩阵的条件数；

所述计算模块，还用于根据每个所述条件数计算每个节点的权重；

最小二乘模块，用于将每个节点对应的高光谱数据矩阵和端元数据矩阵作为最小二乘法的输入，将每次最小二乘法输出的结果乘以对应节点的权重得到该节点对应的结果，最后对每个节点对应的结果进行求和得到丰度估计结果。