[发明专利]基于区域分割的高光谱图像自适应解混方法

摘要

本发明公开了一种基于区域分割的高光谱图像自适应解混方法，考虑线性混合和双线性混合共存的情况，其实现有输入高光谱图像；用基于最小错误高光谱信号识别法估计端元数目；用顶点成分分析算法提取端元矩阵；用K均值聚类方法对高光谱数据聚类，将图像分割为匀质区域和细节区域；匀质区域采用线性模型，用稀疏约束的非负矩阵分解方法解混，细节区域采用广义双线性模型，用稀疏约束的半非负矩阵分解方法解混。本发明结合高光谱数据光谱和丰度的特点，获得高光谱图像更精确的表示，提高解混的准确率。在丰度上添加稀疏约束条件，克服了半非负矩阵分解算法易陷入局部最小值的缺点，得到更加准确的丰度，用于高光谱图像的地物识别。

主权项

一种基于区域分割的高光谱图像自适应解混方法，其特征在于，包括有如下步骤：(1)输入高光谱图像，高光谱图像用数据Y∈RL×N表示，其中L表示高光谱图像的波段数，N表示高光谱图像样本总个数，R表示实数域；(2)使用基于最小错误高光谱信号识别法估计高光谱图像Y∈RL×N的信号子空间，得到信号子空间维数K，即高光谱图像的端元数目；(3)用顶点成分分析算法提取高光谱图像的端元矩阵A∈RL×K，其每行向量表示高光谱图像第i个端元的光谱曲线；(4)用K均值聚类方法对高光谱图像Y∈RL×N聚类，聚为K+2类，类标分别为1,2,3...,K+2，根据类标，用2*2的窗口扫描全图，若窗口中至少有一个类标不同，则把该2*2窗口对应的像素点归为高光谱图像的细节区域数据其余像素点归为高光谱图像匀质区域数据其中N＝N1+N2，N1表示高光谱图像的匀质区域数据样本个数，N2表示高光谱图像的细节区域数据样本个数；(5)将高光谱图像匀质区域数据Y1和高光谱图像端元矩阵A作为线性光谱混合模型的输入信号，用L1/2约束的非负矩阵分解方法得到匀质区域数据的系数矩阵即一阶丰度矩阵，其中每一列向量表示第n个像素的丰度向量；(6)将高光谱图像细节区域数据Y2和高光谱图像端元矩阵A作为双线性光谱混合模型的输入信号，用稀疏约束的半非负矩阵分解方法得到细节区域数据Y2对应的一阶丰度矩阵其中每一列向量表示第m个像素的丰度向量，和细节区域数据Y2对应的二阶丰度矩阵其中每一列向量表示第m个像素的双线性丰度向量；(7)将高光谱图像匀质区域数据Y1的一阶丰度矩阵和高光谱图像细节区域数据Y2的一阶丰度矩阵合并为X∈RK×N，得到整个高光谱图像的丰度矩阵，细节区域数据Y2对应的二阶丰度矩阵E即为整个高光谱图像的二阶丰度矩阵，完成高光谱图像解混。