基于核稀疏非負矩陣分解的高光譜圖像非線性解混方法
【專利摘要】本發(fā)明涉及一種基于核稀疏非負矩陣分解的高光譜圖像非線性解混方法，利用虛擬維度方法對高光譜圖像進行端元個數(shù)的估計，然后利用核方法將傳統(tǒng)的基于線性混合模型的解混算法推廣到非線性特征空間，并使用交替迭代優(yōu)化方法解決非線性光譜解混問題。有益效果在于：其從高光譜觀測像素的混合模型出發(fā)，添加高光譜豐度的稀疏性到模型中，再將線性混合模型通過核方法映射到非線性混合模型中，有效地克服了線性解混的不足，同時具有良好的抗噪聲性能，可以作為一個解決高光譜遙感圖像非線性解混的有效手段。
【專利說明】基于核稀疏非負矩陣分解的高光譜圖像非線性解混方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于遙感信息處理【技術(shù)領(lǐng)域】，具體涉及一種基于核稀疏非負矩陣分解的高 光譜圖像非線性解混方法。

【背景技術(shù)】
[0002] 高光譜遙感圖像以其光譜分辨率高、成像波段多的優(yōu)勢，在遙感應(yīng)用領(lǐng)域得到廣 泛使用。由于空間分辨率一般較低和自然界地物的復(fù)雜多樣性的影響，導(dǎo)致觀測到的一個 像元很可能包含不止一種類別的地物，這種像元稱為混合像元?；旌舷裨毡榇嬖谟诟吖?譜遙感圖像中，因此分析各類別地物在混合像元中所占比例的技術(shù)，即光譜解混技術(shù)，是實 現(xiàn)地物精確分類和識別的前提。高光譜遙感圖像混合像元分解方法主要分為兩大類：基于 線性混合模型的解混算法和基于非線性混合模型的解混算法。由于線性模型假設(shè)端元地物 在場景中沒有相互作用，這與實際的自然環(huán)境存在差別，因此線性模型不能真實的反應(yīng)地 物的信息，需要非線性混合模型來解釋。針對非線性混合像元解混問題，國內(nèi)外學(xué)者進行了 大量研究，其中核方法被廣泛使用。非線性混合模型可以有效地克服線性混合模型的局限 性，提高解混的精度，在實際應(yīng)用中有重要的現(xiàn)實意義。
[0003] 近幾年，基于稀疏非負矩陣分解的高光譜圖像解混方法也是眾多學(xué)者研究的熱 點。因其為基于線性模型的解混方法，未考慮實際的自然環(huán)境對高光譜解混的影響，由于非 線性混合現(xiàn)象的存在，此類方法則不會得到精確地結(jié)果。


【發(fā)明內(nèi)容】

[0004] 要解決的技術(shù)問題
[0005] 為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出一種基于核稀疏非負矩陣分解的高光 譜圖像非線性解混方法。
[0006] 技術(shù)方案
[0007] -種基于核稀疏非負矩陣分解的高光譜圖像非線性解混方法，其特征在于步驟如 下：
[0008] 步驟1 :采用虛擬維度方法對待解混高光譜數(shù)據(jù)尤￡]^#進行端元個數(shù)估計得到 高光譜圖像的端元個數(shù)為P個，其中L為波段數(shù)，N是像素數(shù)；
[0009] 步驟2:構(gòu)造如下稀疏非負矩陣分解解混模型

【權(quán)利要求】
1. 一種基于核稀疏非負矩陣分解的高光譜圖像非線性解混方法，其特征在于步驟如 下： 步驟1 :采用虛擬維度方法對待解混高光譜數(shù)據(jù)Xe IRhV進行端元個數(shù)估計得到高光 譜圖像的端元個數(shù)為P個，其中L為波段數(shù)，N是像素數(shù)； 步驟2 :構(gòu)造如下稀疏非負矩陣分解解混模型
其中：min表示最小值操作，W表示高光譜的端元矩陣，H表示高光譜的豐度矩陣，||·￡表 示取F范數(shù)的平方操作，λ表示平滑度系數(shù)，β表示稀疏度系數(shù)； 步驟3 :構(gòu)造如下核函數(shù)矩陣K
其中，k為核函數(shù)，Φ⑴表示將高光譜圖像X映射到核空間，<·>表示內(nèi)積，σ為核 參數(shù)； 步驟4 :構(gòu)造如下核稀疏非負矩陣分解解混模型
其中，U表示端元矩陣W在核空間的表示； 步驟5 :采用交替迭代優(yōu)化方法，執(zhí)行以下循環(huán)，求解核稀疏非負矩陣分解解混模型： a) 設(shè)置迭代次數(shù)t = O ; b) 在[0，1]之間隨機初始化豐度矩陣，歸一化其每一列得到Hwe c) 使用交替迭代優(yōu)化方法，利用快速非負約束最小二乘方法求解優(yōu)化問題，得到高光 譜圖像的豐度矩陣和端元矩陣； d) 計算如下豐度矩陣的收斂殘差 res = I |H(t+1)-H(t) I |F 其中，res表示豐度矩陣的收斂殘差，H(t+1)表示第t+1次計算的高光譜圖像的豐度矩 陣，H(t)表示第t次計算的高光譜圖像的豐度矩陣，I I · I IF表示取F范數(shù)操作； e) 判斷豐度矩陣的收斂殘差是否小于豐度矩陣的最小收斂殘差閾值τ，若是，則執(zhí)行 步驟6,否則執(zhí)行步驟f; f) 將迭代次數(shù)t加1，判斷迭代次數(shù)是否大于最大迭代次數(shù)，若是，則執(zhí)行步驟6,否則 執(zhí)行步驟c ; 步驟6 :輸出解混結(jié)果，得到高光譜圖像端元矩陣和豐度矩陣。
2. 根據(jù)權(quán)利要求1所述基于核稀疏非負矩陣分解的高光譜圖像非線性解混方法，其特 征在于：所述平滑度系數(shù)λ = 2'
3. 根據(jù)權(quán)利要求1所述基于核稀疏非負矩陣分解的高光譜圖像非線性解混方法，其特 征在于：所述稀疏度系數(shù)取β = 2'
4. 根據(jù)權(quán)利要求1所述基于核稀疏非負矩陣分解的高光譜圖像非線性解混方法，其特 征在于：所述σ為核參數(shù)，取值為1。
5. 根據(jù)權(quán)利要求1所述基于核稀疏非負矩陣分解的高光譜圖像非線性解混方法，其特 征在于：所述迭代次數(shù)t的取值范圍為1到2000的整數(shù)。
6. 根據(jù)權(quán)利要求1所述基于核稀疏非負矩陣分解的高光譜圖像非線性解混方法，其特 征在于：所述最小收斂殘差閾值τ = 10'
【文檔編號】G06K9/62GK104392243SQ201410658331
【公開日】2015年3月4日 申請日期:2014年11月18日 優(yōu)先權(quán)日:2014年11月18日
【發(fā)明者】李映, 房蓓 申請人:西北工業(yè)大學(xué)