基于信息熵稀疏的深度非负矩阵解混方法和存储介质技术

本发明专利技术提供了一种基于信息熵稀疏的深度非负矩阵解混方法和存储介质，方法包括：对端元矩阵和丰度矩阵进行VCA

【技术实现步骤摘要】
基于信息熵稀疏的深度非负矩阵解混方法和存储介质


[0001]本专利技术涉及图像处理技术
，具体涉及一种基于信息熵稀疏的深度非负矩阵解混方法和存储介质。

技术介绍

[0002]高光谱解混技术是一项重要的图像处理技术，被广泛应用于农业、矿产勘探和环境监测等各领域。其中，非负矩阵分解(NMF)算法是研究的热门，但NMF算法有明显的非凸性，存在多个局部极小值。且大多数基于NMF的解混方法只考虑单层中的信息，而忽略了原始数据包含具有隐藏信息的分层特征的事实，对于复杂和高度混合的数据而言，这可能会导致解混性能不理想。

技术实现思路

[0003]本专利技术解决的一个主要问题是现有技术中对于复杂和高度混合的数据而言，基于NMF的解混方法解混性能不理想的问题。
[0004]根据本专利技术的一个方面，本专利技术提供一种基于信息熵稀疏的深度非负矩阵解混方法，包括：
[0005]对端元矩阵和丰度矩阵进行VCA
‑
FCLS初始化，并建立深度NMF解混模型；
[0006]将初始化后的所述端元矩阵和初始化后的所述丰度矩阵作为第一目标函数的输入，并利用所述第一目标函数，基于乘性迭代规则对所述深度NMF解混模型预训练，所述第一目标函数为：
[0007][0008]其中，A为光谱特征矩阵,S为丰度矩阵，X为具有B个波段和P个像元的高光谱数据集，S
ij
代表第i种地物类型在第j个像元的丰度，i＝1,2,...,M，j＝1,2,...,P；λ是正则化参数；
[0009]利用梯度下降法迭代更新预训练后的所述端元矩阵和所述丰度矩阵；
[0010]将更新后的所述端元矩阵和更新后的所述丰度矩阵作为第二目标函数的输入，并利用所述第二目标函数对预训练后的所述NMF解混模型迭代微调，所述第二目标函数为：
[0011][0012]其中，minf(A,S)表示重构误差，l表示第l层，L表示最后一层，代表第l层的重构的丰度矩阵，ψ
l
‑1＝A1A2…
A
l
‑1，且对于ψ
l
‑1，当且仅当l＝1时，代表一个单位矩阵；
[0013]再次迭代更新微调后的所述端元矩阵和所述丰度矩阵，并通过数据分析确定所述第二目标函数的最优参数；
[0014]根据所述最优参数获得所述NMF解混模型的全局最优解。
[0015]进一步地，所述深度NMF解混模型的数学表达式为：
[0016]X≈A1A2…
A
L
‑1A
L
S
L
。
[0017]进一步地，所述利用所述第二目标函数对预训练后的所述NMF解混模型迭代微调还包括：
[0018]对所述深度NMF结构的每个中间层结果均进行微调；
[0019]进一步地，所述基于乘性迭代规则对所述深度NMF解混模型预训练还包括：
[0020]重新定义高光谱数据集为第一表达式：
[0021][0022]其中，δ为一常量，为新的高光谱数据集，向量1是一个全为1的行向量；定义光谱特征矩阵为第二表达式：
[0023][0024]为新的光谱特征矩阵。
[0025]进一步地，所述基于乘性迭代规则对所述深度NMF解混模型预训练还包括：
[0026]基于所述第一目标函数分别对所述光谱特征矩阵和所述丰度矩阵求偏导，
[0027]并利用梯度下降法对所述光谱特征矩阵和所述丰度矩阵进行迭代，得到所述光谱特征矩阵和所述丰度矩阵的乘性迭代规则。
[0028]进一步地，所述基于乘性迭代规则对所述深度NMF解混模型预训练还包括：
[0029]基于所述第二目标函数分别对第l层所述光谱特征矩阵和第l层所述丰度矩阵求偏导，利用梯度下降法进行迭代，得到所述深度NMF解混模型微调第l层分解结果的乘性迭代公式。
[0030]进一步地，所述利用所述第二目标函数对预训练后的所述NMF解混模型迭代微调还包括：
[0031]微调的迭代过程利用整个所述深度NMF解混模型的参数，并且以预训练得到的所述端元矩阵和所述丰度矩阵每层的结果为迭代的初始值。
[0032]根据本专利技术的另一个方面，还提供一种存储介质，所述存储介质为计算机可读存储介质，所述计算机可读存储介质上存储有如前任一所述的一种基于信息熵稀疏的深度非负矩阵解混方法。
[0033]本专利技术通过使用深度NMF模型代替传统的单层NMF模型，并进行信息熵稀疏，提出了一种基于信息熵稀疏的深度NMF算法(HDNMF)，能够更好的挖掘隐含层信息，充分考虑空间信息，通过模拟数据和真实Cuprite数据集进行验证，验证了该算法的有效性。
附图说明
[0034]本专利技术构成说明书的一部分附图描述了本专利技术的实施例，并且连同说明书一起用于解释本专利技术的原理。
[0035]图1为本专利技术实施例中深度NMF解混模型示意图。
[0036]图2为本专利技术实施例中DNMF算法流程图示意图。
[0037]图3为本专利技术实施例中模拟数据4种端元的光谱曲线示意图。
[0038]图4为本专利技术实施例中合成高光谱数据示意图。
[0039]图5为本专利技术实施例中模拟数据端元丰度对比图。
[0040]图6为本专利技术实施例中变化时SAD和RMSE值变化图。
[0041]图7为本专利技术实施例中HDNMF在不同层数下的SAD和RMSE。
[0042]图8为本专利技术实施例中真实数据中玉髓和榍石的丰度图像。
具体实施方式
[0043]下面将结合附图来详细描述本专利技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。
[0044]同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
[0045]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。
[0046]为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。
[0047]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
[0048]在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
[0049]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0050]实施例一，如图1所示，为本实施例中的深度NMF模型结构示意图，常用的光谱混合模型有线性混合模型和非线性混合模型两种，本专利技术实施例一使用的是线性混合模型，它具有清晰的物理特性，有较好的理论基础.假设像元的光谱曲线是多个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信息熵稀疏的深度非负矩阵解混方法，其特征在于，包括：对端元矩阵和丰度矩阵进行VCA
‑
FCLS初始化，并建立深度NMF解混模型；将初始化后的所述端元矩阵和初始化后的所述丰度矩阵作为第一目标函数的输入，并利用所述第一目标函数，基于乘性迭代规则对所述深度NMF解混模型预训练，所述第一目标函数为：其中，minf(A,S)表示重构误差，F为矩阵的2范数，A为光谱特征矩阵，S为丰度矩阵，X为具有B个波段和P个像元的高光谱数据集，S
ij
代表第i种地物类型在第j个像元的丰度，i＝1,2,...,M，j＝1,2,...,P；λ是正则化参数；利用梯度下降法迭代更新预训练后的所述端元矩阵和所述丰度矩阵；将更新后的所述端元矩阵和更新后的所述丰度矩阵作为第二目标函数的输入，并利用所述第二目标函数对预训练后的所述NMF解混模型迭代微调，所述第二目标函数为：其中，l表示第l层，L表示最后一层，代表第l层的重构的丰度矩阵，ψ
l
‑1＝A1A2…
A
l
‑1，且对于ψ
l
‑1，当且仅当l＝1时，代表一个单位矩阵；再次迭代更新微调后的所述端元矩阵和所述丰度矩阵，并通过数据分析确定所述第二目标函数的最优参数；根据所述最优参数获得所述深度NMF解混模型的全局最优解。2.如权利要求1所述的一种基于信息熵稀疏的深度非负矩阵解混方法，其特征在于，所述深度NMF解混模型的数学表达式为：X≈A1A2…
A
L
‑1A
L
S
L
。3.如权利要求1所述的一种基于信息熵稀疏的深度非负矩阵解混方法，其特征在于...

【专利技术属性】
技术研发人员：赵玮豪，李杏梅，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：