基於結構先驗低秩表示的高光譜圖像解混方法
2023-07-25 09:11:06 2
基於結構先驗低秩表示的高光譜圖像解混方法
【專利摘要】本發明屬於圖像處理【技術領域】，涉及一種基於結構先驗低秩表示的高光譜圖像解混方法，包括原始高光譜數據進行光譜矯正、估計矯正後的高光譜數據的信號子空間、將校正後的數據以及光譜庫作為低秩表示模型的輸入數據和字典，通過解此優化問題得到整個光譜庫的豐度矩陣、剔除光譜庫中非真正端元的光譜、將修剪過的光譜庫作為端元重新代入低秩表示模型計算所對應的豐度矩陣，反覆迭代最終得到包含真正的端元矩陣以及所對應的豐度矩陣。利用光譜庫作為端元，避免了直接從原始數據中提取端元，且由於對字典進行了修剪更新，降低了光譜庫中物質光譜自相干性對解混效果的不利影響，能有效地識別出端元信號，提高了豐度估計的準確率。
【專利說明】基於結構先驗低秩表示的高光譜圖像解混方法
【技術領域】
[0001] 本發明屬於圖像處理【技術領域】，涉及目標識別方法，可應用於礦物識別，具體涉及 一種基於結構先驗低秩表示的高光譜圖像解混方法。
【背景技術】
[0002] 高光譜成像技術是20世紀80年代初在遙感領域發展起來的新興成像技術，典型 的硬體設備為成像光譜儀。成像光譜儀通過分光技術，將電磁波信號分解為許多微小、相鄰 的波段，對應波段上的能量被不同的傳感器捕獲，因此形成高光譜遙感圖像波段數目多、光 譜解析度高的數據特點。高光譜圖像的另外一個顯著特點為圖譜合一，即同時記錄了地物 的圖像和光譜信息，各個波段分別成像，因此各個波段的圖像疊合在一起形成數據立方體， 每個像元在各個波段圖像上的輻射值可以形成一條連續的光譜曲線。目前，高光譜遙感已 經得到廣泛的應用，研究表明，高光譜遙感在專題圖和地形圖的測制和更新、環境監測與災 害評估、巖礦的探測和識別、農作物和植被的精細分類等領域具有良好的應用前景。
[0003] 然而，混合像元的廣泛存在已經成為制約高光譜遙感應用的突出問題。遙感圖像 像元記錄的是探測單元的瞬時視場角所對應的地面範圍內目標的輻射能量總和，如果探測 單元的瞬時視場角所對應的地面範圍僅包含了同一類性質的目標，則該像元記錄的是同一 性質的地面目標的輻射能量總和，這樣的像元稱為純像元；如果探測單元的瞬時視場角所 對應的地面範圍包含了多類不同性質的目標，則該像元記錄的是多類不同性質地面目標的 輻射能量總和，這樣的像元稱為混合像元。由於地面的複雜多樣性及傳感器空間解析度的 限制，混合像元在高光譜圖像上更為廣泛存在，它不僅影響了基於高光譜圖像的地物識別 精度，而且已經成為高光譜遙感向定量化方向深入發展的主要障礙。因此，如何有效地解決 混合像元問題是高光譜圖像處理技術面臨的難題之一。
[0004] 目前解決混合像元問題最為有效的方法為混合像元分解。它是將混合像元的測量 光譜分解為一組組成光譜（端元）和相應的豐度的過程，豐度表示了每種端元在混合像元 中所佔的比例。混合像元分解能夠突破傳感器空間解析度的限制，在亞像元精度上獲取混 合像元的真實屬性信息，提高影像分類的精度。
[0005] 傳統的混合像元分解方法主要分為端元提取和豐度估計這兩個步驟。研究者們提 出了許多基於統計學和幾何學的端元提取方法，這些方法基於一個假設即原始高光譜數據 中存在純象元。但是由於實際這樣的假設不一定成立，因此從原始數據中識別端元並不是 一個理想的方法。於是近幾年研究者們提出了基於稀疏回歸的高光譜解混方法，該方法將 光譜庫作為端元，由於與整個光譜庫中的信號相比，一幅圖像中的端元數目是很小的，則與 之對應的豐度矩陣是稀疏的，但是由於光譜庫中光譜的自相干性較高，使得不能有效地識 別出端元信號，降低了豐度估計的準確率，致使最終的解混效果不是很理想。
【發明內容】
[0006] 本發明的目的是克服現有的高光譜圖像解混方法由於光譜庫中光譜的自相干性 較高，使得不能有效地識別出端元信號，降低了豐度估計的準確率，致使最終的解混效果不 是很理想的問題。
[0007] 為此，本發明提供了一種基於結構先驗低秩表示的高光譜圖像解混方法，包括如 下步驟：
[0008] (1)結合光譜庫A e RU-對原始高光譜數據進行光譜校正，得到校正後的數據 Y e rlxn,
[0009] 其中，L表示高光譜數據的波段數，m表示光譜庫中的物質光譜總個數，N表示高光 譜數據樣本總個數，R表示實數域；
[0010] (2)使用基於最小錯誤高光譜信號子空間識別法估計校正後的數據Y的信號子空 間，得到信號子空間維數P，即估計出的端元數目；
[0011] (3)設當前光譜庫中物質光譜個數為r，初始化r = m ;
[0012] (4)將數據Y和光譜庫A作為低秩表示模型的輸入信號和字典，求解得到對應的系 數矩陣X即豐度矩陣：
[0013]
【權利要求】
1. 基於結構先驗低秩表示的高光譜圖像解混方法，其特徵是：包括如下步驟： (1) 結合光譜庫AeRixm對原始高光譜數據進行光譜校正，得到校正後的數據 YGRlxn, 其中,L表示高光譜數據的波段數，m表示光譜庫中的物質光譜總個數，N表示高光譜數 據樣本總個數，R表示實數域； (2) 使用基於最小錯誤高光譜信號子空間識別法估計校正後的數據Y的信號子空間， 得到信號子空間維數P，即估計出的端元數目； (3) 設當前光譜庫中物質光譜個數為r，初始化r=m; (4) 將數據Y和光譜庫A作為低秩表示模型的輸入信號和字典，求解得到對應的係數矩 陣X即豐度矩陣：
約束條件：Y=AX+E，X彡 0,ItX=It 其中，EeRixn是噪聲矩陣，XeIfXN是求解得到的豐度矩陣，IIXII#是矩陣X的核範 數，I|E| |2:1是矩陣E的混合12:1範數，X>0，1TX=It是豐度的"非負"以及"和為一"約 束； (5) 判斷當前光譜庫A中的物質光譜個數r與端元數目的估計值p之差是否小於預設 的閾值n，對於真實高光譜數據，n在10-20之間取值； 如果是，則終止，豐度矩陣X即為最終輸出結果； 如果否，則根據豐度矩陣X的稀疏性，從光譜庫中剔除非真正的端元信號得到新的光 譜庫Ase#Xm\其中m'是光譜庫經修剪後保留的物質光譜個數且m' >p，然後將、代 替A且r=m'，重複步驟⑷和（5)，直至輸出最終結果。
2. 根據權利要求1所述的基於結構先驗低秩表示的高光譜圖像解混方法，其特徵是： 所述步驟（2)中的基於最小錯誤高光譜信號子空間識別法具體實施方法如下： 2a)輸入數據Y= [yi，y2, ? ? ?，yN]GRlxn，其中yi 為數據Y的第i列，i= 1，2, ? ? ?，N， 並計算兔.=(￥￥〇/#; 2b)估計噪聲￡ = [H...,^ R/xV，其中圮為g的第i列，i= 1，2,…，N，具體計算 步驟如下： 第一步：計算Z=YT，K= (ZrZ),K=K1 ; 第二步：設置i= 1，2，? ? ?，L， 分別計算 i行第i列後的矩陣，[K'U表示矩陣K'去掉第i列後的矩陣，[K']@表示矩陣的第i行，[K'][v表示矩陣[Kli，[K，]u表示矩陣K'的第i行第i列元素，龍]^表示矩陣 K去掉第i列後的矩陣，表示矩陣龍U的第i行，[訂> 表示矩陣[它，Zi表示矩 陣Z的第i列，Zf表示矩陣z去掉第i列後的矩陣； 第三步：輸出￡ = [^為,…， 2c)估計噪聲相關矩陣
2d)估計信號相關矩陣
2e)計算Up =WpWf，其中Wp = [W1,W2,. ?.，wj,Wi 為Wp 的第i列，i= 1，2,. . .，L，是 的特徵向量； 2f)計算
，其中U^I-Up，I為單位矩陣，tr表 示求矩陣主對角線上元素之和。
3. 根據權利要求1所述的基於結構先驗低秩表示的高光譜圖像解混方法，其特徵是： 所述的步驟（4)中，I|X|L是矩陣的核範數，具體定義如下：
其中〇i(0彡i彡min{r，N})是矩陣X的奇異值。
4. 根據權利要求1所述的基於結構先驗低秩表示的高光譜圖像解混方法，其特徵是： 所述的步驟（4)中，I|E| |2:1是矩陣的混合12」範數，定義如下：
其中表示矩陣E的第i行第j列元素。
5. 根據權利要求1所述的基於結構先驗低秩表示的高光譜圖像解混方法，其特徵是： 所述的步驟（4)中，X彡0,ItX=It是豐度的"非負"以及"和為一"約束，其中X彡0是豐 度矩陣的"非負"約束，即矩陣X中的所有元素必須大於0 ;1TX=It為豐度的"和為一"約 束，即矩陣X中的每一列之和必須為1，其中矩陣X中的每一列代表每個像元對應不同端元 的豐度值，具體如下列公式所示：
其中X/+是X中第i行第j列的元素，表示第j個樣本的第i個端元的豐度值。
6. 根據權利要求1所述的基於結構先驗低秩表示的高光譜圖像解混方法，其特徵是： 所述的步驟（5)中，根據豐度矩陣X的稀疏性，從光譜庫中剔除非真正的端元信號得到新的 光譜庫AseRlXm\包括如下步驟： 5a)設定修剪閾值t=TXd,其中T為預設的定值，d為迭代次數，迭代次數即修剪次 數，初始值為1，隨著迭代次數的增加修剪閾值t也在不斷增加，有利於加快光譜庫的修剪； 5b)計算豐度矩陣X的第i行向量XiGR1XN，1彡i彡r中小於第一步中定義的修剪閾 值的元素的個數k; 5c)判斷k是否等於N，如果是，則將其對應的A中第i個物質光譜剔除掉，否則，保留 該物質光譜。
【文檔編號】G06K9/62GK104268561SQ201410468611
【公開日】2015年1月7日 申請日期:2014年9月15日 優先權日:2014年9月15日
【發明者】張向榮, 焦李成, 陳琪蒙, 劉紅英, 劉若辰, 馬文萍, 侯彪, 白靜, 楊淑媛 申請人:西安電子科技大學