一种基于3D谱-空抗干扰的高光谱解混方法技术

本发明专利技术公开的一种基于3D谱

【技术实现步骤摘要】
一种基于3D谱
‑
空抗干扰的高光谱解混方法


[0001]本专利技术涉及图像处理
，尤其涉及一种基于3D谱
‑
空抗干扰的高光谱解混方法。

技术介绍

[0002]高光谱成像设备能够捕获成百上千的连续波段，每一个像素点能够构成一条光滑的光谱曲线，被广泛用于表征不同地物信息，具有重要的应用价值。然而，传感器的高光谱分辨率牺牲了空间分辨率，导致捕获的高光谱图像(HSIs)包含大量的混合像元，对地物的精准识别造成严重影响，为此高光谱解混技术受到了广泛的关注。
[0003]非负矩阵分解是高光谱解混任务中的一个经典算法，但是其生成的解空间不唯一，为此，通常将空间信息集成到非负矩阵分解中，但是只注重空间维度的噪声变异性影响，并不能很好的解决问题，因为在真实的高光谱图像中，一些受到水蒸气，大气损害严重的低信噪比波段被手动移除。这证明波段噪声是普遍存在的。因此光谱维度的噪声干扰也很严重。而且依靠先验信息手动消除波段噪声是一项高成本的工作，不具有普适性。
[0004]因此一些工作已经开始关注波段噪声的影响，取得了不错的效果。但是大都只是基于受到噪声破坏的数据空间下对各波段的噪声进行衡量，并根据估计的噪声含量按波段设置权重或是利用所有数据对各波段进行线性再表示以使噪声趋于边缘化，但是这类方法并没有有效地使噪声和低秩成分分离，难以避免各维度上噪声和低秩成分的混淆，对端元和丰度的精确分离产生进一步的干扰。

技术实现思路

[0005]根据现有技术存在的问题，本专利技术公开了一种基于3D谱
‑
空抗干扰的高光谱解混方法，具体采用如下步骤：
[0006]初始化端元矩阵E，丰度矩阵A。
[0007]通过非负矩阵分解方法求解E和A。基础的非负矩阵分解目标函数定义如下：
[0008][0009]考虑到高光谱成像过程中，受到外界因素的干扰，导致捕获的图像中包含大量的噪声。这些噪声按照不同的属性可分为波段噪声和像素噪声。为了有效消除波段噪声的干扰，我们需要对数据空间进行转换，将波段的高阶统计量和低阶统计量分离开。使有效成分分布在靠前的维度上。具体地，我们需要对数据进行统计分析，我们首先度量数据样本X中各波段的线性相关程度。
[0010][0011]其中，σ(
·
)为协方差统计函数，表示第l个波段向量，μ为均值波段向量。然后我们对Σ进行分解，得到包含L个空间转换基向量的矩阵M∈R
L
×
L
以及各维度信息的贡献度Z。
[0012]Σ＝MZM
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0013]此外，考虑到各维度的贡献不同，我们可以使用Z对各维度进行加权。但是值得注意的是，Z中各波段的贡献系数差距很大，而权重的设定不仅要考虑到对空间信息的影响，更要考虑光谱信息。为了平衡它们的关系，我们将各波段的贡献系数C设置为即因此可构建关于端元E和丰度A的目标函数为
[0014][0015]除了考虑波段信息的影响，空间信息也不能被忽略。相邻的像素通常是由同种材料构成的，有效的利用局部空间的上下文信息能够较好地提高解混的性能，消除空间噪声和变异性等干扰。使用超像素分割方法将该场景分割成S个局部邻域空间，考虑到每个子空间内像素具有同质性，因此我们首先约束局部区域Ω
s
内各像素a
j
的相似性，可以得到：
[0016][0017]由于子区域内的像素不是完全相同的，靠近中心的像素与相似性较强，而边缘像素的相似性较差，因此，我们需要根据各像素的光谱
‑
空间距离v
j
来约束它们的相似性程度。上式可以转换为：
[0018][0019]表示第j个像素的相似性指数；
[0020]此外，局部区域内的丰度比值应该具有结构稀疏性，因此我们需要进一步分空间的去约束这种属性，要保证这种按端元稀疏属性，我们要寻找子空间内含量最高的端元，对其在该空间内的所有丰度值加一个小权重，使其变得更大。相反，子空间内含量最低的端元，对其在该空间内的所有丰度值加一个大权重，使其变得更小。对(6)施加约束我们可以得到：
[0021][0022]其中，是局部稀疏诱导矩阵，用来控制局部丰度的结构稀疏性。由于一个场景中端元数量P越多，则这个场景相对越复杂，子区域内的丰度的更可能趋向于有较弱的结构稀疏性。因此我们使用P来控制稀疏程度。
[0023]这样，通过将(7)扩展到(4)中，基于3D谱
‑
空抗干扰的高光谱解混方法被提出，它能从光谱和空间这三个维度上有效抵抗噪声和光谱变异性等干扰。其最终的目标函数为：
[0024][0025]由于目标函数包含两个联合变量E和A，需要采用梯度下降法，来交替求解E和A。
[0026][0027][0028]其中，ω表示梯度下降的步长，E和A的梯度分别如下：
[0029][0030]gradE＝M
T
C
T
CMEAA
T
‑
M
T
C
T
CMXA
T
ꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0031]交替更新(11)和(12)，直到收敛到局部最小值，则可以得到最优的端元和丰度集合。
[0032]本专利技术公开的一种基于3D谱
‑
空抗干扰的高光谱解混方法，该方法重新对数据空间进行评估，对有效信息施加大的权重，并根据超像素分割方法获得局部邻域信息来进一步约束邻域丰度的相似性，尤其在大面积同质区域内，波段优先级和空间相似性的优势能够充分发挥，在有效地抵御初始值的错误引导下，深入挖掘同质区域内干净成分，自适应且有效地刻画端元和丰度信息。
附图说明
[0033]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]图1为本专利技术提供的方法的流程示意图；
[0035]图2为Samson数据的三维立体图；
[0036]图3为Samson数据的参考端元图和各算法从Samson数据评估的端元曲线图；
[0037]图4为Samson数据的参考丰度图和各算法从Samson数据获取的丰度图。
具体实施方式
[0038]为使本专利技术的技术方案和优点更加清楚，下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚完整的描述：
[0039]如图1所示的一种基于3D谱
‑
空抗干扰的高光谱解混方法具体包括以下步骤：
[0040]步骤101：对原始图像进行初始端元和丰度提取；
[0041]步骤102：对X进行空间转换以在变换域构建光谱优化模型；
...

【技术保护点】

【技术特征摘要】
1.一种基于3D谱
‑
空抗干扰的高光谱解混方法，其特征在于包括：利用高光谱图像提取初始端元和丰度；对高光谱图像数据空间进行转换，重新评价变换域中的各维度的优先级；根据各维度优先级的贡献度进行加权操作；对原始高光谱图像进行超像素分割，将高光谱图像划分为多个近似同质空间；利用超像素设计丰度局部相似约束；根据波段优先级和局部相似约束迭代优化丰度和端元。2.根据权利要求1所述的方法，其特征在于：重新评价变换域中的各维度的优先级，根据各维度优先级的贡献度进行加权时：首先度量高光谱图像X中各波段的线性相关程度如下：其中，σ(
·
)为协方差统计函数，表示第l个波段向量，μ为均值波段向量，对Σ进行分解，得到包含L个空间转换基向量的矩阵M∈R
L
×
L
以及各维度信息的贡献度Z；Σ＝MZM
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

【专利技术属性】
技术研发人员：宋梅萍，杨婷婷，李芳，李森，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：