本发明专利技术提供了一种高光谱数据处理方法，首先进行端元数目确定，然后利用MLIG算法进行影像端元提取，最后利用MVC-MRF算法进行端元优化和光谱解混。本发明专利技术通过对约束线性模型进行简化，端元数目确定和端元提取算法都是通过数学公式严格推导的，理论严谨；然后根据端元的线性无关性提出了MLIG端元识别算法，端元提取算法计算简单，效率高，可以满足大数据集应用；最后构建了MVC-MRF算法对提取的端元进行优化和光谱解混，可以提取出所有线性无关的影像端元，而且具有代表性，解混误差基本为0，分类精度高。
【技术实现步骤摘要】
本专利技术涉及，属于高光谱数据信息提取领域。
技术介绍
高光谱数据光谱分辨率较高，可以发现许多视觉和先验信息无法确定的未知信号 特征。但与此同时，空间分辨率相对较低，影像中普遍存在混合像元现象，线性光谱解混模 型在高光谱数据分析中能够给出令人满意的结果。光谱解混精度主要取决于端元提取精 度，根据假定影像数据中是否存在纯净像元可将端元提取算法分为两类：端元识别算法和 端元生成算法。基于线性混合模型的端元识别算法有效利用了线性混合模型和凸体几何理 论的强对应关系，将端元提取巧妙地转化为寻找高光谱数据空间体积最大的单形体顶点问 题。但此类算法假定所用端元都存在于场景中这一假设并不可靠，尤其在异质性较高的影 像场景中。 端元生成算法在一定程度上克服了端元识别算法在假设前提上的不足，可以提取 出存在于混合像元中的端元。该类算法主要从端元的几何特征和光谱解混误差这两个角度 出发，分为三类：一是基于端元的几何特性，即混合像元位于以端元为顶点的单形体中，但 该方法是非凸规划问题，容易陷入局部最优，对初值依赖很大。二是利用解混误差来进行约 束，需要预先设置端元数目或误差阈值，不同的参数设置对结果影响很大。三是通过解混误 差和端元的几何特性共同约束进行的，约束条件下的非负矩阵分解在物理意义上和光谱解 混模型比较吻合，在光谱解混中获得了一定的研宄与应用，但对初值的依赖性很大，需要通 过其他端元提取算法进行初始化，而且对端元数目的估计不足，容易导致偏差。近年来新提 出的顾及空间信息的端元提取方法在一定程度上消除了噪声的影响，但在某些情景下可能 会影响端元提取结果，尤其是端元光谱特征接近的地物。 已有端元提取算法对端元数目的研宄处于空白状态，常常借助于特征降维或虚拟 维度来估计，而这些算法都是借助波段间的统计特性实施的，没有考虑到影像地物的光谱 特征，理论性有待加强。已有高光谱数据分析方法都是在假定端元数目已知或通过其他方 法估计的，然后借助端元的几何特征或解混误差作为先验信息提取端元，最后通过混合模 型来计算端元组分丰度，各个步骤之间缺少理论上的联系。
技术实现思路
为了解决现有技术的不足，本专利技术提供了，通过对约束 线性模型进行简化，借助矩阵满秩分解理论严密推导了端元数目的确定方法，然后根据端 元的线性无关性提出了 MLIG端元识别算法，最后构建了 MVC-MRF算法对提取的端元进行优 化和光谱解混。 本专利技术为解决其技术问题所采用的技术方案是：提供了一种高光谱数据处理方 法，包括以下过程： (1)端元数目的确定： 已知高光谱影像P的波段和像元数目分别为1和n，设影像中有r个端元，光谱特 征向量表示为 M = ，其中，11^= 1，1 < i < r，M 即端元 光谱矩阵，维度为IX r，根据线性混合模型有： P = Ma + e (1) 其中e表示噪声或者模型误差，a表示端元丰度矩阵，维度为rXn，其约束条件 为： I1Xn= I 1XrX a rXn(〇 f a ki 兰 1) (2) 其中a ^是a中的元素； 对于高光谱影像P的波段i中的第j个像元Pij，在理想线性光谱混合模型下误差 项 e ij= 〇,则卩。.=m n* a u+n^* a 2j+......+mir* arj(3) a kj = 1- ( a 丄』+ a 2j+......+ ak-ij+ a k+u+......+ arj)⑷ 根据式⑶和式⑷得到： Pij-mik= (m u-mik) * a " +......+ * a (mik+1-mik) a k+ij+......+ (mimr-mir) * a rJ (5) 令 a。： p ij-niik，当 s〈k 时，令 gis*fsj= (m is_mik)*a sj;当 s>k 时，令 gis*fsj = (mis+l _mik)*as+1J，则 aij= g il*f1J+gi2*f2J+......+g is*fsJ+......+gir-l*fr-lj (6) 已知基准端元为IV约束条件下的光谱线性混合方程为： A1Xn= G (7)其中，A1Xn - Pixn_m〇IlXn，M1Xr - G lx(r-i)+m〇I1Xr，I(r-i)x(r-i)表 示（r-1) X (r-1)单位矩阵，0fr_1)xl表示所有元素为0的列向量，表示 (r-l) Xr的矩阵； 已知线性混合分解模型的端元光谱是相互独立的，且1彡r，则R( P )= r，维度为 lX(r-l)的矩阵G的秩R(G) =r_l ;根据式⑵得到矩阵a的秩R(a) =r-l，则矩阵F 的秩R(F) = r-l ;根据矩阵满秩分解，维度为lXn的矩阵A的秩R(A) = r-l ;在已知1条 端元％的条件下，求解转换矩阵A的秩r-l以求得影像端元数目r ; 至此得到高光谱影像P中的端元数目r ; (2)影像端元提取： 对高光谱影像P去相关性，提取最大无关组，最大无关组对应的像元光谱作为初 始端元集； 至此得到光谱特征向量MQ= [m u m2, . . .，mj，即影像端元光谱向量组； (3)端元优化和光谱解混： 根据最大体积约束下矩阵满秩分解的目标函数进行端元优化和光谱解混： 其中，由r个相互独立的端元点集叫，…，构成的r-l个向量集为gl，…，grt，G = ，A为正则化系数，根据解混误差和端元体积进行设置；F表示端元 丰度，通过影像端元矩阵凡借助线性解混模型进行初始化。 步骤（1)进行端元数目的确定以前，利用MNF正反变换对原始高光谱影像进行噪 声白化处理，取前15个波段进行反变换，获得噪声白化影像，作为高光谱影像P。 步骤（1)求解转换矩阵A的秩r-1以求得影像端元数目r时，根据数据量度设置 计算精度为0.0001。 本专利技术基于其技术方案所具有的有益效果在于：本专利技术通过对约束线性模型进行 简化，端元数目的确定是通过数学公式严格推导的，理论严谨；然后根据端元的线性无关性 提出了 MLIG端元识别算法，端元提取算法计算简单，效率高，可以满足大数据集应用；最后 构建了 MVC-MRF算法对提取的端元进行优化和光谱解混，可以提取出所有线性无关的影像 端元，而且具有代表性，解混误差基本为0,分类精度高。【附图说明】 图1是本专利技术实施例的流程示意图。 图2是原始高光谱数据立方体Cuprite数据。 图3是光谱曲线，其中图3(a)是MLIG端元识别算法提取的端元光谱曲线，图3(b) 是MVC-MRF算法优化后的端元光谱曲线，图3 (c)是标准实验室光谱曲线。 图4是光谱线性解混后的端元丰度图。 图5是解混的均方根误差分布图。【具体实施方式】 下面结合附图和实施例对本专利技术作进一步说明。 本专利技术采用美国内华达州Cuprite矿区1995年获取的AVIRIS示例数据，共50个 波段，波长范围为1. 99一 2. 48um，空间分辨率为20m，尺寸大小400X350,波长2. 1010 ym 处的影像如图2所示。该地区主要由裸露的矿物组成，各种矿物之间的混合现象比较明显， 而且该数据在端元提取中得到了大量的研宄，已经成为一个验证端元提取和光谱解混算法 的标准测试数据。其中所有感兴趣的端元光谱都包含在USGS本文档来自技高网...
【技术保护点】
一种高光谱数据处理方法，其特征在于包括以下过程：(1)端元数目的确定：已知高光谱影像P的波段和像元数目分别为l和n，设影像中有r个端元，光谱特征向量表示为M＝[m1,m2,...,mr]，其中，mi＝[mli,...,mji,...,mli]T，1≤i≤r，M即端元光谱矩阵，维度为l×r，根据线性混合模型有：P＝Mα+ε (1)其中ε表示噪声或者模型误差，α表示端元丰度矩阵，维度为r×n，其约束条件为：I1×n＝I1×r×αr×n(0≦αki≦1) (2)其中αki是α中的元素；对于高光谱影像P的波段i中的第j个像元pij，在理想线性光谱混合模型下误差项εij＝0，则pij＝mi1*α1j+mi2*α2j+......+mir*αrj (3)αkj＝1‑(α1j+α2j+......+αk‑1j+αk+1j+......+αrj) (4)根据式(3)和式(4)得到：pij‑mik＝(mi1‑mik)*α1j+......+(mik‑1‑mik)*αk‑1j+(mik+1‑mik)αk+1j+......+(mimr‑mir)*αrj (5)令aij＝pij‑mik，当s<k时，令gis*fsj＝(mis‑mik)*αsj；当s>k时，令gis*fsj＝(mis+1‑mik)*αs+1j，则aij＝gi1*f1j+gi2*f2j+......+gis*fsj+......+gir‑1*fr‑1j (6)已知基准端元为m0，约束条件下的光谱线性混合方程为：Al×n＝Gl×(r‑1)*F(r‑1)×n (7)其中，Al×n＝Pl×n‑m0I1×n，Ml×r＝Gl×(r‑1)[I(r‑1)×(r‑1),0(r‑1)×1]+m0I1×r，I(r‑1)×(r‑1)表示(r‑1)×(r‑1)单位矩阵，0(r‑1)×1表示所有元素为0的列向量，[I(r‑1)×(r‑1),0(r‑1)×1]表示(r‑1)×r的矩阵；已知线性混合分解模型的端元光谱是相互独立的，且l≥r，则R(ρ)＝r，维度为l×(r‑1)的矩阵G的秩R(G)＝r‑1；根据式(2)得到矩阵α的秩R(α)＝r‑1，则矩阵F的秩R(F)＝r‑1；根据矩阵满秩分解，维度为l×n的矩阵A的秩R(A)＝r‑1；在已知1条端元m0的条件下，求解转换矩阵A的秩r‑1以求得影像端元数目r；至此得到高光谱影像P中的端元数目r；(2)影像端元提取：对高光谱影像P去相关性，提取最大无关组，最大无关组对应的像元光谱作为初始端元集；至此得到光谱特征向量M0＝[m1,m2,...,mr]，即影像端元光谱向量组；(3)端元优化和光谱解混：根据最大体积约束下矩阵满秩分解的目标函数进行端元优化和光谱解混：Minf(G,F)=12||A-GF||F2+λ2((r-1)!)2det(GTG)---(11)]]>其中，由r个相互独立的端元点集m1,…,mr∈Rr‑1构成的r‑1个向量集为g1,…,gr‑1，G＝[g1,…,gr‑1]，λ为正则化系数，根据解混误差和端元体积进行设置；F表示端元丰度，通过影像端元矩阵M0借助线性解混模型进行初始化。...
【技术特征摘要】
【专利技术属性】
技术研发人员：邓雪彬，田玉刚，吴蔚，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。