本發(fā)明涉及一種高光譜解混技術(shù)，特別涉及一種基于光學計算的新型稀疏解混方法。

背景技術(shù)：

由于實測對象的類型多樣性、地物隨時間實時變化以及地物光譜多次散射等問題存在，高光譜傳感器在采樣過程中不可避免的存在混合像元的情況。在高光譜圖像分類研究中，如何獲取亞像元精度上的真實屬性信息，提高光譜影像分類精度，尤其是在系統(tǒng)實時性要求高，存在海量遙感數(shù)據(jù)以及對重構(gòu)圖像質(zhì)量高保真要求的前提下，具有重要的學術(shù)價值而實際應用于亞像元目標探測、精細巖礦識別、對地偽裝識別等領(lǐng)域具有非?，F(xiàn)實的研究意義。

傳統(tǒng)的混元解混算法有很多：光譜信號匹配，光譜角映射以及單形體體積法等。但是都有一個重要的假設(shè)前提條件：光譜庫中端元數(shù)目大于或等于實測構(gòu)成混合像元的端元數(shù)。但在實際生產(chǎn)生活中實測端元樣本越來越多，使得端元光譜庫規(guī)模日益擴大，往往出現(xiàn)端元數(shù)目遠大于實測解混端元數(shù)的情況，使得大量端元構(gòu)成表現(xiàn)出冗余特性。進一步傳統(tǒng)解混算法采用先高速采樣，后選取重要信息的小部分系數(shù)，再對這部分系數(shù)及其位置信息進行編碼后，最后實施傳輸或存儲的方式，使得傳統(tǒng)方法存在成本昂貴，數(shù)據(jù)存儲，傳輸效率以及有效信息獲取困難等諸多問題。

為了解決該問題，最近幾年有人提出將利用壓縮感知(Compressive Sensing or Compressed Sensing,CS)理論中信號的稀疏特性來處理混合光譜稀疏解混所面對的預處理、端元提取以及多端元稀疏分解識別等問題。但是基于壓縮感知理論的高光譜稀疏解混所涉及的信號稀疏化、測量值的獲取以及豐度矩陣重構(gòu)的高計算復雜度嚴重制約了該方法的進一步發(fā)展與實際應用。研究具有更準確提取實測端元、高保真端元精度、更加快速的提取速度為基礎(chǔ)的高光譜稀疏解混新理論與新算法成為亟需解決的問題。

缺點：當前的高光譜稀疏解混技術(shù)，由于在處理過程中的高計算復雜度問題，存在著難以實時端元解混和豐度矩陣重建等問題。

因此亟需一種能實時、快速端元解混并精確重構(gòu)豐度矩陣的方法。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種能實時端元解混并精確重構(gòu)豐度矩陣的方法。

本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的，一種基于光學計算的稀疏解混方法，包括以下步驟：

S1：采用光學濾波方法獲取高光譜信號的變換域稀疏系數(shù)矩陣；

S2：設(shè)計確定性測量矩陣實現(xiàn)高光譜信號的感知測量；

S3：通過硬件FPGA進行稀疏系數(shù)矩陣和確定性測量矩陣的并行乘法計算獲取端元信號；

S4：利用高光譜信號的稀疏化結(jié)構(gòu)信息以及結(jié)構(gòu)化重構(gòu)算法重構(gòu)豐度矩陣。

進一步，所述步驟S1中，采用光學濾波方法獲取高光譜信號的變換域稀疏系數(shù)矩陣包括光學非自適應多尺度變換步驟，具體包括以下子步驟：

S11：對高光譜信號進行多尺度分解，得到各帶通子帶；

S12：對各帶通子帶進行方向分解，得到空間濾波結(jié)果。

進一步，所述步驟S3中的并行計算獲取端元信號，具體過程包括以下子步驟：

S31：把構(gòu)造和優(yōu)化的確定性測量矩陣預先放入可編程門陣列的ROM中；

S32：分塊處理稀疏系數(shù)矩陣，并串行輸入并存儲在RAM中；

S33：根據(jù)步驟S32和步驟S33運用并行乘法計算實現(xiàn)高光譜信號的實時端元提取。

進一步，所述光學濾波方法包括匹配濾波方法，具體步驟描述如下：相干點光源S經(jīng)準直透鏡L₀形成軸向平行光，將輸入某波段高光譜信號f(x,y)置于輸入面P₁，經(jīng)透鏡L₁的光學傅里葉變換后，在其后的頻譜面上將產(chǎn)生其頻譜F(u,v)；在頻譜面P₂上放置頻域形式的濾波器ψ(x,y)的譜的共軛ψ^*(u,v)，相乘得到F(u,v)*ψ^*(u,v)；經(jīng)過透鏡L₂的傅里葉變換，在輸出面P₃得到高光譜信號的空域濾波結(jié)果，即輸入高光譜信號的光學非自適應多尺度變換其中，f為透鏡焦距；為卷積。

進一步，所述光學濾波方法包括聯(lián)合變換相關(guān)法，具體步驟描述如下：將激光1光束經(jīng)過第一透鏡7擴束準直后，通過分光鏡2一部分光作為入射光照射在第一空間光調(diào)制器4上，在其對稱光軸上分別放置輸入圖像3和空域形式的濾波器13，第一空間光調(diào)制器位于第二透鏡5的前焦點處，經(jīng)過傅里葉透鏡的變換，利用第一CCD6采集其聯(lián)合變換功率譜；然后，通過計算機將聯(lián)合變換功率譜加載到第一空間光調(diào)制器上；另一部分光經(jīng)反光鏡8照射在第二空間光調(diào)制器9上，經(jīng)過第三透鏡10反變換作用，在第三透鏡的后焦面處得到輸出14，利用第二CCD11采集得到輸入高光譜信號的空域濾波結(jié)果。

由于采用以上技術(shù)方案，本發(fā)明具有以下優(yōu)點：

本發(fā)明采用光學濾波技術(shù)和電學系統(tǒng)實現(xiàn)多尺度幾何分析，在保證重構(gòu)精度的前提下大幅度的提高稀疏解混的效率，實現(xiàn)快速有效的稀疏分解。利用光子極高的信息容量和效率、極快的響應能力、極強的互連能力與并行能力，以及極大的存儲能力等特點，將光子作為信息載體進行信息的存儲、傳輸和處理，能更快速、精確地性重構(gòu)豐度矩陣。因此，高光譜稀疏解混過程能夠?qū)崿F(xiàn)實時處理。

附圖說明

為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明作進一步的詳細描述，其中：

圖1為基于光學計算的高光譜稀疏解混流程圖；

圖2為匹配濾波方法的光學4f系統(tǒng)；

圖3為聯(lián)合變換相關(guān)器。

具體實施方式

下面將結(jié)合附圖，對本發(fā)明的優(yōu)選實施例進行詳細的描述。

圖1為基于光學計算的高光譜稀疏解混流程圖，圖2為光學4f系統(tǒng)，圖3為聯(lián)合變換相關(guān)器。如圖1所示：本發(fā)明提供的一種基于光學計算的高光譜稀疏解混方法，包括以下步驟：

第一步：采用光學濾波方法獲取高光譜信號的變換域稀疏系數(shù)矩陣；

采用光學濾波方法獲取高光譜信號的變換域稀疏系數(shù)矩陣包括光學多尺度變換步驟，光學多尺度變換包括：

1)光學非自適應多尺度變換(以輪廓波為代表)，具體包括以下子步驟：

S11：利用光學系統(tǒng)以及塔式濾波器組的特點實現(xiàn)高光譜信號的多尺度分解，得到各帶通子帶；

S12：利用光學技術(shù)和方向濾波器組對各帶通子帶進行方向分解，得到空間濾波結(jié)果。

2)光學自適應多尺度變換(以條帶波為代表)，具體包括以下子步驟：

S11：利用現(xiàn)有的光學小波變換方法實現(xiàn)多尺度分解；

S12：通過電學數(shù)值計算完成最優(yōu)四叉樹的剖分；

S13：通過光學系統(tǒng)方法尋找一個最優(yōu)方向；

S14：利用電學數(shù)值計算和最優(yōu)方向得到光學自適應變換的結(jié)果。

在本發(fā)明中，采用光學非自適應多尺度變換。

在本發(fā)明中，所述光學濾波方法包括匹配濾波方法，具體步驟描述如下：相干點光源S經(jīng)準直透鏡L₀形成軸向平行光，將輸入某波段高光譜信號f(x,y)置于輸入面P₁，經(jīng)透鏡L₁的光學傅里葉變換后，在其后的頻譜面上將產(chǎn)生其頻譜F(u,v)；在頻譜面P₂上放置頻域形式的濾波器ψ(x,y)的譜的共軛ψ^*(u,v)，相乘得到F(u,v)*ψ^*(u,v)；經(jīng)過透鏡L₂的傅里葉變換，在輸出面P₃得到高光譜信號的空域濾波結(jié)果，即輸入高光譜信號的光學非自適應多尺度變換其中，f為透鏡焦距；為卷積。

所述光學濾波方法包括聯(lián)合變換相關(guān)法，具體步驟描述如下：將激光1光束經(jīng)過第一透鏡7擴束準直后，通過分光鏡2一部分光作為入射光照射在第一空間光調(diào)制器4上，在其對稱光軸上分別放置輸入圖像3和空域形式的濾波器13，第一空間光調(diào)制器位于第二透鏡5的前焦點處，經(jīng)過傅里葉透鏡的變換，利用第一CCD6采集其聯(lián)合變換功率譜；然后，通過計算機將聯(lián)合變換功率譜加載到第一空間光調(diào)制器上；另一部分光經(jīng)反光鏡8照射在第二空間光調(diào)制器9上，經(jīng)過第三透鏡10反變換作用，在第三透鏡的后焦面處得到輸出14，利用第二CCD11采集得到輸入高光譜信號的空域濾波結(jié)果。

第二步：設(shè)計Toeplitz確定性測量矩陣實現(xiàn)高光譜信號的感知測量；

第三步：通過硬件FPGA進行稀疏系數(shù)矩陣和測量矩陣的并行乘法計算獲取端元信號；所述第三步中的并行乘法計算來獲得端元信號，具體過程如下：

S31：把構(gòu)造的Toeplitz確定性測量矩陣預先放入可編程門陣列的ROM中；

S32：分塊處理稀疏系數(shù)矩陣，并串行輸入并存儲在RAM中；

S33：根據(jù)步驟S32和步驟S33運用并行乘法計算實現(xiàn)高光譜信號的實時端元提取。

第四步：利用高光譜信號的稀疏化結(jié)構(gòu)信息以及實時提取的端元，結(jié)合壓縮感知理論中RtOMP結(jié)構(gòu)化重構(gòu)算法，重構(gòu)出該端元對應的豐度矩陣，從而實現(xiàn)豐度矩陣稀疏解混的目的。

本發(fā)明將光學濾波方法應用于高光譜稀疏解混中，結(jié)合光學計算和壓縮感知理論，采用硬件FPGA和并行乘法計算實現(xiàn)測量矩陣和稀疏矩陣的并行處理，運用結(jié)構(gòu)化重構(gòu)算法實現(xiàn)高光譜信號的實時豐度矩陣重建。

最后說明的是，以上優(yōu)選實施例僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管通過上述優(yōu)選實施例已經(jīng)對本發(fā)明進行了詳細的描述，但本領(lǐng)域技術(shù)人員應當理解，可以在形式上和細節(jié)上對其作出各種各樣的改變，而不偏離本發(fā)明權(quán)利要求書所限定的范圍。