[发明专利]一种通用集成的高光谱图像混合像元解混框架

摘要

本发明公开了一种通用的集成混合像元解混框架模型，包括给出模型求解方法。将高光谱图像分割为多个子块，且子块相邻区域保留适当重叠区域，以此解决端元变异、非线性非均匀分布的问题，通过稀疏约束重构误差解决异常噪声问题，并由相关熵诱导度量准则将非线性、端元变异及异常点三个问题集成到同一解混框架解决，采用拉格朗日函数法及KKT条件定量评估所提模型混合像元解混性能。本发明通过构建通用集成的混合像元解混框架模型来克服非线性、端元变异吧及异常点对高光谱图像混合像元解混的影响。本模型根据非线性、端元变异非匀质分布的特点，且异常点包括异常端元及异常噪声，有效地模拟混合高斯分布，摒弃稀疏分布的异常噪声，提高了混合像元解混性能。并对所提模型进行理论推导，证明了基于通用集成框架的混合像元解混的可行性及优越性。

主权项

1.本发明提出了一种基于通用集成模型混合像元解混模型的构建方法，依次包括以下步骤：a)在图像处理过程中考虑非线性的影响因素，所述非线性具有非均匀分布的特点，即非线性随着光谱、图像空间的变化而变化，于是将高光谱图像划分为若干子块(且为了避免陷入局部最优，相邻子块应保持适当重叠区域)，计算每个子块的流形嵌入权重，并合并各个子块的权重，获得权重矩阵W^h，计算非标准化hyper‑Laplacian矩阵,L^h＝I‑W^h，为单位矩阵。进而构建hyper‑Laplacian‑based的正则化约束模型，1≤i≤B，1≤j≤P，1≤m≤M，其中表示包括了噪声、非线性、端元变异及异常点高光谱矩阵，表示从混合像元矩阵中提取的端元矩阵，代表相应的端元丰度矩阵，表示重构误差矩阵；b)由于端元变异问题随着像素变化而变化，构建尺度因子表征端元变异问题，对于被第i个子块的像素尺度因子计算为，将各个子块的尺度因子进行合并，获得整个高光谱图像的尺度因子exp表示指数函数，参数σ为各个子块的参数的并集，对于每个子块的参数σⁱ计算为，z＝1，2，…，pⁱ i＝1，2，…，K.c)由于异常点是指与背景明显不同的点，包括异常端元及异常噪声两部分。为了克服异常噪声的影响，且不丢失异常端元。充分利用异常端元具有低秩结构，而异常噪声是稀疏的特点。且异常噪声通常包括在重构误差中，因此对重构误差进行稀疏约束，添加稀疏约束项d)为了将上述的非线性、端元变异及异常点三个挑战性问题集成在同一框架中解决，利用相关熵诱导度量准则来实现，但考虑到该准则对加性噪声比较敏感，所以对原始的高光谱图像进行预处理，即利用C＝D‑δΥ处理掉高光谱图像矩阵D的加性噪声，获得相对“干净”的数据矩阵C。δ表示加性噪声在重构误差Υ中所占比例。当0＜δ＜1时，表示加性噪声只是重构误差的一小部分，重构误差还包括了其他噪声；当δ≥1时，表示重构误差不恰当，不足以表达加性噪声，且有大量噪声被分解到端元矩阵及丰度矩阵中。d1)基于相关熵诱导度量的通用的集成解混框架模型表示为：1≤i≤B，1≤z≤P，1≤m≤M，其中是共轭函数，是为了克服端元变异问题而引入的函数。鉴于尺度因子与重构误差之间的乘性关系，定义为d2)由于非负矩阵分解确保其重建的低秩性，β₁||E||_*可以免求解。交替的最小化策略被用来求解解混的定性结果。即为了求解其中个变量，另两个变量固定，在这种情况下，最小化问题转换为凸优化问题。构造拉格朗日函数，根据KKT条件，可更新端元矩阵E、丰度矩阵A及重构误差矩阵Υ如下：