基于鄰域光譜加權(quán)的高光譜圖像稀疏解混方法
【專利摘要】本發(fā)明公開了一種基于鄰域光譜加權(quán)的高光譜圖像稀疏解混方法，主要解決了現(xiàn)有技術(shù)在高信噪比的高光譜圖像稀疏解混過程中，高光譜圖像稀疏解混精度低、重構(gòu)效果差、耗時長、效率低的問題。本發(fā)明的步驟為：輸入解混參數(shù)、預(yù)處理、構(gòu)造擬合稀疏矩陣、構(gòu)造鄰域光譜加權(quán)的稀疏解混模型、求解鄰域光譜加權(quán)的稀疏解混模型、輸出解混結(jié)果。本發(fā)明引入了加權(quán)空間相關(guān)性模型和擬合稀疏矩陣，具有稀疏解混精度高、重構(gòu)效果好、耗時短、效率高的優(yōu)點。
【專利說明】基于鄰域光譜加權(quán)的高光譜圖像稀疏解混方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，更進(jìn)一步涉及稀疏解混【技術(shù)領(lǐng)域】中的一種基于鄰域光譜加權(quán)的高光譜圖像稀疏解混方法。本發(fā)明用于各種數(shù)字設(shè)備的高光譜圖像解混處理，能有效提聞聞光譜圖像解混的精度。
【背景技術(shù)】
[0002]高光譜圖像解混技術(shù)，是指對于高光譜圖像中的每一個混合像元，將其分解為不同的基本組成單元，或稱“端元”，并求得這些基本組成單元所占的比例。其中，“端元”一般是指從高光譜圖像中提取的包含某種地物類型比例很高的像元，而未必是僅包含一種地物類型的純像元。
[0003]Jose M.Bioucas-Dias 和 Antonio Plaza 在文獻(xiàn) “Total Variation SpatialRegularization for Sparse Hyperspectral Unmixing，，([J].IEEE Transactions onGeoscience and Remote Sensing, 2012, 50 (11)).中提出一種基于全變分變量分裂增廣拉格朗日(sparse unmixing via variable splitting augmented Lagrangian and totalvariation, SUnSAL_tv)的稀疏解混方法。該方法使用全變分正則化來約束高光譜圖像解混模型中的豐度向量，在原始的稀疏解混模型上添加空間信息的相關(guān)性約束，利用已知光譜庫信息，通過交替乘子替換法(Alternating Direction Method Multipliers, ADMM)來求解新的稀疏解混模型。但該方法仍存在的不足是，在高信噪比的高光譜圖像稀疏解混過程中，高光譜圖像稀疏解混精度低、重構(gòu)效果差。
[0004]北京航天航空大學(xué)擁有的專利技術(shù)“一種基于隨機(jī)投影的高光譜圖像稀疏解混方法”(專利申請?zhí)?201110207433.0，授權(quán)
【發(fā)明者】李云松, 李嬌嬌, 劉嘉慧, 吳憲云, 王柯儼, 宋長賀 申請人:西安電子科技大學(xué)