一種基于核原型樣本分析的光譜解混方法
【專利摘要】本發(fā)明涉及一種基于核原型樣本分析的光譜解混方法。本發(fā)明包括：采集待處理的高光譜數(shù)據(jù)；確定整體流程的參數(shù)；對(duì)輸入圖像數(shù)據(jù)預(yù)處理；在預(yù)處理后的數(shù)據(jù)上采用基于核原型樣本分析方法實(shí)現(xiàn)光譜解混。本發(fā)明實(shí)施簡(jiǎn)單，光譜解混的過程不用獨(dú)立拆解為端元提取和解混兩個(gè)過程，可以處理無純端元存在的解混情況，及不同混合程度數(shù)據(jù)最優(yōu)端元選擇和解混問題。此外最終提取結(jié)果物理含義明確，對(duì)數(shù)據(jù)的解譯性更強(qiáng)。同時(shí)該方法結(jié)果相對(duì)非負(fù)矩陣分解光譜解混的結(jié)果更穩(wěn)定，精度更好。
【專利說明】—種基于核原型樣本分析的光譜解混方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于核原型樣本分析的光譜解混方法。
【背景技術(shù)】
[0002]高光譜遙感成像儀可以在電磁波譜的紫外、可見光、近紅外和中紅外區(qū)域獲取數(shù)十至數(shù)百個(gè)非常窄且連續(xù)的光譜波段，并基于高的光譜分辨率優(yōu)勢(shì)來獲取精細(xì)的地物信息。但由于成像空間分辨率的限制和地表的復(fù)雜多樣性，成像所得的遙感圖像的某些像素中往往包含多種地物類型，因此混合像元普遍存在的事實(shí)使得混合像元處理技術(shù)近幾年受到國(guó)內(nèi)外學(xué)者廣泛的關(guān)注與研究。如何從高光譜混合數(shù)據(jù)中準(zhǔn)確提取出典型地物(端元)光譜，并有效地進(jìn)行混合像元分解得到他們之間混合的比例(豐度)已經(jīng)成為定量遙感分析的一個(gè)重要研究方向。
[0003]線型混合模型可以在一般情況下很好地用于描述混合像元形成機(jī)理?；诰€性模型的混合像元分解算法可以分為兩大類:基于幾何學(xué)的方法和基于統(tǒng)計(jì)學(xué)的方法。前者假設(shè)高光譜圖像所有數(shù)據(jù)位于一個(gè)單形體中，而該單形體頂點(diǎn)分別對(duì)應(yīng)各端元分布位置。但幾何學(xué)方法是從已有數(shù)據(jù)集中尋找頂點(diǎn)，不適用于沒有純像元的數(shù)據(jù)集?；诮y(tǒng)計(jì)學(xué)的方法克服了該缺點(diǎn)，充分利用數(shù)據(jù)統(tǒng)計(jì)特性求解端元光譜。非負(fù)矩陣分解作為統(tǒng)計(jì)方法中的一種近年來受到較多關(guān)注，尤其適用處理混合程度較高的數(shù)據(jù)。該模型較為靈活，可有效提取方差等信息，但其表達(dá)形式復(fù)雜，因而一些直觀信息的獲取很難。另外其采用隨機(jī)初始化，容易陷入局部極值，結(jié)果不穩(wěn)定。無論是幾何方法還是非負(fù)矩陣分解均適用于大量混合數(shù)據(jù)存在的情況，尤其是非負(fù)矩陣分解非常適合高混合程度數(shù)據(jù)解混問題。但實(shí)際情況中，低混合程度的情況也會(huì)存在，近一兩年內(nèi)有國(guó)外研究學(xué)者證明，在低混合程度下，基于無監(jiān)督聚類，利用聚類中心提取端元完成光譜解混更適合于低混合程度的圖像數(shù)據(jù)。
[0004]基于上訴分析，本發(fā)明提出采用原型樣本分析方法實(shí)現(xiàn)光譜解混，得到具有直觀物理含義的分解結(jié)果。并使用其擴(kuò)展的核方法，動(dòng)態(tài)調(diào)節(jié)核參數(shù)，改變對(duì)特征空間里樣本間相似性的映射能力，最終能夠靈活適應(yīng)于不同混合程度高光譜數(shù)據(jù)光譜解混的需求。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于提供一種光譜解混的結(jié)果更穩(wěn)定，精度更好的基于核原型樣本分析的光譜解混方法。
[0006]本發(fā)明的目的是這樣實(shí)現(xiàn)的:
[0007](I)采集待處理的高光譜數(shù)據(jù)X，X e Rmxn，其中M為光譜向量的維數(shù)，N為數(shù)據(jù)所有像元的數(shù)目；
[0008](2)確定整體流程的參數(shù)，包括圖像數(shù)據(jù)要提取的端元數(shù)目D，設(shè)置核參數(shù)σ，松弛因子δ ；
[0009](3)對(duì)輸入圖像數(shù)據(jù)預(yù)處理:利用PCA降維算法提取前D-1個(gè)主分量，即
^ j^(D-l) XN[0010](4)在預(yù)處理后的數(shù)據(jù)上采用基于核原型樣本分析方法實(shí)現(xiàn)光譜解混:
[0011]在給定數(shù)據(jù)集X’ e R(d_1)xn，D為原型向量的個(gè)數(shù)，尋找包含數(shù)據(jù)集的主凸包，包含數(shù)據(jù)集的D-ι維凸包為:
[0012]
【權(quán)利要求】
1.一種基于核原型樣本分析的光譜解混方法，其特征在于: (1)采集待處理的高光譜數(shù)據(jù)X，Xe Rmxn，其中M為光譜向量的維數(shù)，N為數(shù)據(jù)所有像元的數(shù)目； (2)確定整體流程的參數(shù)，包括圖像數(shù)據(jù)要提取的端元數(shù)目D，設(shè)置核參數(shù)σ，松弛因子S ; (3)對(duì)輸入圖像數(shù)據(jù)預(yù)處理:利用PCA降維算法提取前D-1個(gè)主分量，即X’e R(D_1)XN ； (4)在預(yù)處理后的數(shù)據(jù)上采用基于核原型樣本分析方法實(shí)現(xiàn)光譜解混: 在給定數(shù)據(jù)集X’ e R(d_1)xn，D為原型向量的個(gè)數(shù)，尋找包含數(shù)據(jù)集的主凸包，包含數(shù)據(jù)集的D-1維凸包為:
arg Iiiinc s D{X' | SCS) =|| X'-X CS \\l
s.t.CdI1=I, SnI1=I C≥0，S≥O 其中d，n分別為D，N所代表的列序號(hào)，C e Rnxd和S e Rdxn將會(huì)得到主凸包； X'Ce R(D-1)XD為分解估計(jì)所得的原型向量矩陣，S為豐度矩陣，得到端元陣X’C和豐度矩陣S。
2.根據(jù)權(quán)利要求1所述的一種基于核原型樣本分析的光譜解混方法，其特征在于:在所述步驟(4)中當(dāng)混合地物中不包含純的端元向量，包含數(shù)據(jù)集的D-1維凸包為:
arg minc’sD(X’ SCS)
s.t.1- δ ( CdI1 ≤ 1+δ，sn|=l C≥0，S≥O。
3.根據(jù)權(quán)利要求1所述的一種基于核原型樣本分析的光譜解混方法，其特征在于:在所述步驟(4)中引入尺度變量Cid，使得IcdI1=I而1-δ ^ I ad| ^ l+δ，包含數(shù)據(jù)集的D-1維凸包為:
arg mina ；c；sD (X' SCdiag ( a ) S)
s.t.1- δ ( I CtdI1 ≤ l+δ, CdI1=I, sn|=l C≥0，S≥O。
4.根據(jù)權(quán)利要求1至3中的任意一項(xiàng)所述的一種基于核原型樣本分析的光譜解混方法，其特征在于:所述的光譜解混得到端元陣X’ C和豐度矩陣S的具體步驟包括: (4.1)初始化原型樣本分析: (4.1.1)以距當(dāng)前所選擇點(diǎn)距離和最遠(yuǎn)位置進(jìn)行搜索，移除第一個(gè)隨機(jī)選擇的點(diǎn):
few = max,.11 χ,.- 11 ".e C}
j , 其中，Xi e X’，j-為新選擇點(diǎn)的位置序號(hào)，C指當(dāng)前所有已選點(diǎn)位置序號(hào)； (4.1.2)隨機(jī)初始化豐度矩陣S ；
(4.1.3)設(shè)置 a =1 ； (4.2)以投影梯度法迭代更新變量a，C及S ;
(4.2.1)更新 α ； 計(jì)算梯度 g:;辦咕《)欲-m *在梯度方向更新α — a-uaga ；將a投影到合適的區(qū)域ad=Pa (Cid)；Ua為線性調(diào)節(jié)步長(zhǎng)因子；(4.2.2)更新 S ;計(jì)算梯度
【文檔編號(hào)】G06T7/00GK103942787SQ201410143292
【公開日】2014年7月23日 申請(qǐng)日期:2014年4月10日 優(yōu)先權(quán)日:2014年4月10日
【發(fā)明者】趙春暉, 趙艮平, 李曉慧, 劉務(wù), 李威 申請(qǐng)人:哈爾濱工程大學(xué)