[发明专利]一种高光谱图像混合像元分解算法

摘要

本发明公开了一种高光谱图像混合像元分解算法，基于非负矩阵分解模型，利用丰度的平滑和分离特征对丰度进行约束，来进行端元和丰度的估计。本发明在对丰度进行平滑约束时，考虑到边界点和异常点的存在所带来的不平滑现象，利用图像的光谱信息将这些不平滑的像元对排除在平滑约束之外，并利用光谱信息，根据热核公式计算像元对之间的平滑权值，越相似的像元其权值越大。用计算得到的权值对像元对的丰度进行平滑约束。分离约束的引入可以避免产生过平滑现象，得到一个更稳定的端元和丰度估计结果。

主权项

1.一种高光谱图像混合像元分解算法，其特征在于，包括以下步骤：步骤1：估计高光谱图像的端元数，初始化端元矩阵和丰度矩阵；其中利用端元数目估计方法估计高光谱图像的端元数，使用最大化光谱信息散度方法初始化端元矩阵、或使用顶点成分分析方法初始化端元矩阵；利用图像数据和初始化的端元矩阵求得的无约束最小二乘结果作为初始化的丰度矩阵，并将丰度矩阵中小于0的值赋值为0；步骤2：计算每个像元和它的空间邻域像元的相似性；其中利用高光谱图像的光谱特征，计算当前像元和空间邻域像元之间的光谱角来衡量它们的相似性，邻域窗口大小为5×5；步骤3：将得到的所有像元和它们的邻域像元之间的相似性进行从小到大的排序，将排于后的部分像元对不纳入平滑约束；其中通过经验值将排于后40％的像元对不纳入平滑约束；步骤4：计算每个像元和其邻域像元的平滑约束权值；其中将相似性值输入热核公式进行计算，得到每个像元和其邻域像元的平滑约束权值；热核参数通过计算当前像元和它的所有邻域像元的相似性平均值来自动获取；步骤5：对丰度矩阵进行和为1约束；步骤6：进行端元矩阵的更新；其中用梯度下降法进行端元矩阵的更新；步骤7：计算丰度的平滑约束梯度矩阵和分离约束梯度矩阵，进行丰度矩阵的更新；其中用梯度下降法进行丰度矩阵的更新；步骤8：判断迭代是否收敛，若是，则结束迭代；否则转步骤6步；所述判断迭代是否收敛，其判断准则为：若影像的重构残差小于设定的阈值或者达到最大迭代次数，则迭代收敛。