【技术实现步骤摘要】
本专利技术属于高光谱图像处理，具体涉及一种基于高光谱解混技术的矿物识别与分类方法。
技术介绍
1、成像光谱技术将物质成分决定的地物光谱与反映地物存在格局的空间分布图像有机结合，使得遥感图像上的每个像元既具有表征其物理特性的光谱信息，又包含反映其几何特性的空间信息。在矿物的识别和分类工作中，人们利用高光谱成像技术获取地表覆盖物的高光谱图像。通过解译这些光谱样本数据，可以准确确定检测数据中存在的矿物组成、化学成分和结构特征，进而识别潜在的矿产资源，如铁矿石、铜矿石、黄铁矿、铝土矿、磷酸盐矿等。通过与已知矿产资源的光谱数据库进行对比，能够实现对潜在矿产资源的快速识别和定量分析，为矿产资源的开发利用提供重要的实验数据支持。因此，高光谱技术在矿物分析中具有重要的应用前景，对于矿产资源的勘探和开发具有重要意义。
2、目前高光谱矿物识别与分类技术面临的难点主要包括：1、高光谱遥感传感器的空间分辨率受限，同时自然界中地物分布复杂多样，特别是地物本身尺寸较小，导致像元很少由单一均匀的地物特征组成。这些因素导致高光谱遥感影像中存在大量的混合像元。2、多种地物成分之间存在复杂的非线性多重散射和光谱变异现象，传统的单线性模型难以准确表示地物混合过程。3、由于光谱成像设备故障或成像条件不佳等原因，高光谱图像易受如高斯噪声、脉冲噪声、死线、条带噪声等复杂噪声污染，并且存在像素缺损等退化现象，导致数据的信噪比低，给矿物识别与分类工作带来极大的挑战。
3、因此，需要设计一种基于高光谱解混技术的矿物识别与分类方法。
1、本专利技术的目的在于提供一种基于高光谱解混技术的矿物识别与分类方法，以解决
技术介绍
中提出的目前高光谱矿物识别与分类技术面临的难点问题。
2、为实现上述目的，本专利技术提供了一种基于高光谱解混技术的矿物识别与分类方法，包括如下步骤：
3、s1、利用高光谱成像仪获取相关矿物的高光谱图像；
4、s2、构建矿物端元光谱库；
5、s3、根据相关矿物的高光谱图像建立双线性光谱混合模型；
6、s4、利用鲁棒光谱可变双线性空间正则化解混算法，进行光谱解混，精准估计混合像元内所包含的每种矿物的丰度；
7、s5、根据求解得到的矿物的丰度，量化每种矿物对应的比例，做到精准识别与分类。
8、在一种具体的实施方式中，所述s2中，通过现场采集或者利用现有的光谱库作为先验基础，通过稀疏解混算法对s1中获取的高光谱图像进行预处理，分析高光谱图像中可能包含的矿物端元，以此构建一个能基本涵盖被观测高光谱图像内矿物的矿物端元光谱库。提取矿物光谱曲线的方式包括用硬件设备现场采集的方式以及利用现有的光谱库作为先验基础，通过稀疏解混算法得到的方式。
9、在一种具体的实施方式中，所述稀疏解混算法包括变量分裂和增广拉格朗日算法(sunsal)。
10、在一种具体的实施方式中，构建矿物的双线性光谱混合模型：
11、y＝ea+fb+n+s (1)
12、其中，y表示观测到的高光谱图像，e为矿物端元光谱库，a表示了对应的丰度矩阵，f表示双线性端元矩阵，b表示相互作用丰度矩阵，n表示噪声矩阵，s为稀疏噪声矩阵。
13、在一种具体的实施方式中，在利用鲁棒光谱可变双线性空间正则化解混算法处理矿物的高光谱图像时，包括如下分步骤：
14、重构粗尺度高光谱图像；
15、构建粗丰度引导矩阵；
16、解混算法光谱解混。
17、在一种具体的实施方式中，重构粗尺度高光谱图像时，采用中值滤波对因噪声破坏严重的高光谱图像进行修复；接着，通过超像素分割手段划分出光谱图像的同质区域，并利用类均值滤波技术对超像素块内的噪声干扰进行平滑，从而构建粗尺度下的高光谱图像；
18、构建粗尺度下的高光谱图像时，第t个超像素块，每块包含nt个像素，yk为yt中的任意一个像素，则构建粗尺度光谱图像的操作可具体定义为：
19、
20、其中，表示超像素块yt对应的粗超像素块中的任意一列。
21、在一种具体的实施方式中，构建粗丰度引导矩阵时，利用admm算法求解出粗尺度下的丰度估计构建粗丰度引导矩阵wfilter，具体可表示为：
22、
23、其中，是粗尺度下估计的丰度矩阵，wfilter是粗丰度引导矩阵，i表示第i行，j表示第j列，(i,:)表示第i行的所有元素，||·||2表示计算向量的2范数，m是矿物端元光谱库e内的端元个数，n是高光谱图像像素点个数。ε是一个极小值，为了保证分母不为0。
24、在一种具体的实施方式中，解混算法光谱解混时，
25、在粗丰度引导矩阵基础上，引入了空间加权因子wspa，还引入了稀疏噪声正则项，对稀疏噪声s施加噪声稀疏加权矩阵wn，得到最终的解混模型，利用admm方法精心求解，得到丰度矩阵a；
26、空间加权因子wspa基于空间邻域信息，表示为：
27、
28、其中表示元素aij的邻域集合，f(·)表示通过邻域系统挖掘空间相关性的函数；使用邻域信息表征图像的空间相关性，具体表示为：
29、
30、其中，∈表示邻域权重，关于相邻元素的邻域权重，具体计算如下：
31、
32、其中，函数im(·)用来度量两个元素xi和xj之间的重要性；令(a,b)和(c,d)为元素xi和xj的空间坐标，通过计算两者之间的欧式距离对权重进行度量，其表达式为：
33、
34、wn的迭代更新式子可表示为：
35、
36、最终的解混模型表示如下：
37、
38、在一种具体的实施方式中，所述s5中，根据求解得到的矿物的丰度，获取每种矿物的丰度矩阵a数据，将其绘制成与高光谱图像相同平面尺寸的丰度图，通过分析各个端元的丰度图呈现的高亮区域得到最终识别与分类的结果。
39、相比于现有技术，本专利技术具有以下有益效果：
40、本专利技术开发了一种全新的矿物识别与分类方法。本方法根据地物特征之间存在的多重散射效应构建了双线性混合模型，并利用鲁棒光谱可变双线性空间正则化解混算法对图像进行解混。同时，本方法解决了高光谱图像中存在的复杂混合噪声干扰以及光谱变异问题。
41、本专利技术联合滤波引导权重与空间加权因子，构建了新的目标函数，充分挖掘高光谱图像中的空间信息。同时引入噪声稀疏正则项，最大限度抵抗噪声干扰，有效提升了对矿物分类与识别的效果。在模拟高光谱数据和真实高光谱数据集上的实验结果表明，本专利技术取得了较好的识别与分类效果。
42、除了上面所描述的目的、特征和优点之外，本专利技术还有其它的目的、特征和优点。下面将参照图，对本专利技术作进一步详细的说明。
本文档来自技高网...【技术保护点】
1.一种基于高光谱解混技术的矿物识别与分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于高光谱解混技术的矿物识别与分类方法，其特征在于，所述S2中，通过现场采集或者利用现有的光谱库作为先验基础，通过稀疏解混算法对S1中获取的高光谱图像进行预处理，分析高光谱图像中可能包含的矿物端元，以此构建一个能基本涵盖被观测高光谱图像内矿物的矿物端元光谱库。
3.根据权利要求2所述的基于高光谱解混技术的矿物识别与分类方法，其特征在于，所述稀疏解混算法包括变量分裂和增广拉格朗日算法(SUnSAL)。
4.根据权利要求1所述的基于高光谱解混技术的矿物识别与分类方法，其特征在于，构建矿物的双线性光谱混合模型：
5.根据权利要求1所述的基于高光谱解混技术的矿物识别与分类方法，其特征在于，在利用鲁棒光谱可变双线性空间正则化解混算法处理矿物的高光谱图像时，包括如下分步骤：
6.根据权利要求5所述的基于高光谱解混技术的矿物识别与分类方法，其特征在于，重构粗尺度高光谱图像时，采用中值滤波对因噪声破坏严重的高光谱图像进行修复；接着，通过超
7.根据权利要求5所述的基于高光谱解混技术的矿物识别与分类方法，其特征在于，构建粗丰度引导矩阵时，利用ADMM算法求解出粗尺度下的丰度估计构建粗丰度引导矩阵Wfilter，具体可表示为：
8.根据权利要求5所述的基于高光谱解混技术的矿物识别与分类方法，其特征在于，解混算法光谱解混时，
9.根据权利要求1所述的基于高光谱解混技术的矿物识别与分类方法，其特征在于，所述S5中，根据求解得到的矿物的丰度，获取每种矿物的丰度矩阵A数据，将其绘制成与高光谱图像相同平面尺寸的丰度图，通过分析各个端元的丰度图呈现的高亮区域得到最终识别与分类的结果。
...【技术特征摘要】
1.一种基于高光谱解混技术的矿物识别与分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于高光谱解混技术的矿物识别与分类方法，其特征在于，所述s2中，通过现场采集或者利用现有的光谱库作为先验基础，通过稀疏解混算法对s1中获取的高光谱图像进行预处理，分析高光谱图像中可能包含的矿物端元，以此构建一个能基本涵盖被观测高光谱图像内矿物的矿物端元光谱库。
3.根据权利要求2所述的基于高光谱解混技术的矿物识别与分类方法，其特征在于，所述稀疏解混算法包括变量分裂和增广拉格朗日算法(sunsal)。
4.根据权利要求1所述的基于高光谱解混技术的矿物识别与分类方法，其特征在于，构建矿物的双线性光谱混合模型：
5.根据权利要求1所述的基于高光谱解混技术的矿物识别与分类方法，其特征在于，在利用鲁棒光谱可变双线性空间正则化解混算法处理矿物的高光谱图像时，包括如下分步骤：
6.根据权利要...
【专利技术属性】
技术研发人员：张绍泉，唐孟雄，李政奎，李璠，赖鹏飞，郑嘉焌，梁联晖，邓承志，汪胜前，
申请(专利权)人：南昌工程学院，
类型：发明
国别省市：
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。