[发明专利]一种基于无限高斯混合模型的高光谱图像解混方法

摘要

本发明公开了一种基于无限高斯混合模型的高光谱图像解混方法，假设高光谱图像中的像元满足无限混合模型，这种假定与传统的线性模型相比，尤其在高分辨率的高光谱图像应用中，无限混合模型更能反映出图像像元的复杂性，为了降低计算复杂性，使用合理的降维策略；为了确定高斯组分的个数，利用虚拟维度估计组分个数，进而扩展为高斯组分个数的范围；为了求解无限混合模型，与传统的求解方法不同，本文采用TTS策略有效的确定了高斯组分的个数，使用Metropolis‑within‑Gibbs方法确定无限混合模型中的参数和参超数，通过参数和超参数的采样，可以有效地得到混合的像元的组分机器所对应的丰度。

主权项

一种基于无限高斯混合模型的高光谱图像解混方法，其特征在于，11)对高光谱图像进行降维处理，得到处理后的降维数据；12)利用虚拟维度的方法确定高斯组分个数的大小，并得出高斯组分个数的范围，针对每个高斯组分个数，利用K‑means方法，进行分别聚类，对于每个聚类的群组，使用PPI方法，提取每个群组中的最纯的像元作为高斯混合模型中的期望向量；13)对于高光谱图像中的每个像元，基于无限混合模型，采用两状态策略进行端元数目采样，然后使用Metropolis‑within‑Gibb对无限混合模型中的参数和超参数进行估计，通过多次迭代，得到最终的稳定的参数和超参数的估计；所述高光谱中的像元满足无限高斯混合模型；高光谱图像满足如式(a)所属的高斯模型：y=Σr=1RErαr---(a);]]>其中Er为独立的高斯向量，y是高光谱图像中的某个像元，R为组成该像元的组成个数，αr为组成部分的比例即丰度，其需要满足如式(b)两种限制：αr≥0,∀r=1,...,R(ANC)Σr=1Rαr=1(ASC)---(b);]]>在无限的高斯混合模型中，设定所有的高斯成分都相同，对于每个高斯成分而言：Er|mr,σ2～N(mr,σ2IL)             (c)；其中mr＝[mr,1,...,mr,L]T是第r个高斯分布的均值向量，当所有的端元分布中的方差为单位矩阵σ2IL，N为图像大小，因此，像元的似然函数可以表述为如式(d)所示：f(y|θ)∝1[σ2g(α)]L/2exp(-||y-k(α)||22σ2g(α))---(d);]]>其中θ＝{α,σ2,R,MR}，||·||是标准的二阶范数，α＝[α1,...,αR]，MR＝[m1,…,mR]是由聚类算法产生的均值向量；g(α)=Σr=1Rmrαr,k(α)=Σr=1Rαr2---(e).]]>