【技术实现步骤摘要】
本专利技术属于高光谱图像解混，特别是一种用于高光谱解混的滑窗加权稀疏展开网络方法。
技术介绍
1、高光谱能够捕获地物的诊断性光谱信息，具备空谱合一特性。而高光谱解混是分析和处理高光谱图像(hsi)的一个重要程序之一，它根据地物的高光谱信息分离出单个像素的纯端元光谱和它们对应的丰度。
2、目前，线性(lmm)与非线性(nlmm)混合模型是高光谱解混使用最为广泛的两种模型。线性混合模型假设物质之间没有相互作用，光线经单一物质反射后就被高光谱相机捕获。但由于高光谱相机的空间分辨率有限，光谱会在相机内部发生混合。非线性混合模型考虑到了物质间的相互作用，包括经典的双线性混合模型和微观的非线性混合模型。基于线性混合模型的线性解混方法因其简单且有效的特点，受到了学者们的高度关注。广义上，传统的(非深度学习的)解混方法可分为三类：1)几何学方法，2)统计学方法，3)稀疏表示方法。几何学方法认为高光谱图像(hsi)的所有像元都包含在一个单纯形集合中，单纯形的各个顶点对应着端元。统计学方法将解混看作盲源分离(bss)问题。非负矩阵分解是一种用来解决bss问题的常规方法，目前也被广泛应用于高光谱解混。它不仅能够无监督解混，还可以同时确定端元签名以及对应的丰度。虽然他们的计算效率很高，但仍面临着自然高光谱图像(hsi)中不存在纯像元或者获得虚拟端元的挑战。
3、随着通用光谱库的不断完善，稀疏表示方法(称为稀疏解混)得到了进一步发展。稀疏解混方法使用在实验室中获取的光谱库对高光谱图像(hsi)中的混合像元做线性回归。也就是使用一种
4、具体来说，对于问题(1),基于稀疏回归的解混算法，通常利用稀疏性约束来识别和分离混合像素中的端元。这些方法的核心思想是通过最优化问题来寻找一个稀疏的解，即只有少数几个丰度系数是非零的。然而，这些方法通常需要数百次迭代来收敛到一个满意的解，这导致计算成本非常高。尤其是在处理大规模高光谱数据集时，这种迭代优化过程会变得非常耗时。此外，稀疏回归算法对初值选择敏感，容易陷入局部最优解，导致鲁棒性有限。在实际应用中，由于环境条件和传感器特性的变化，高光谱图像往往包含复杂的混合光谱，这使得基于稀疏回归的算法难以适应，从而影响解混的准确性。对于问题(2),深度神经网络在高光谱解混方面的应用虽然已经取得了显著的性能提升，但其黑箱特性和对训练数据的依赖仍然是需要克服的重要挑战。这些网络通过大量的训练数据学习到复杂的非线性关系，能够在测试时对未见过的数据进行准确的解混。然而，拥有这种强大的建模能力同时也带来了模型解释性的挑战。非线性激活函数和多层复杂的网络结构使得网络输出与输入之间的关系变得复杂，难以追踪。因此，很难确定哪些输入特征对最终的解混结果影响最大，这使得模型的决策过程缺乏透明度。泛化能力的挑战也是一个问题，如果没有足够的训练数据和适当的正则化，网络可能会对训练数据过度拟合，导致在新的数据上表现不佳。数据分布差异也会影响网络的泛化能力。
技术实现思路
1、本专利技术的目的在于提供一种用于高光谱解混的滑窗加权稀疏展开网络方法。
2、实现本专利技术目的的技术解决方案为：一种用于高光谱解混的滑窗加权稀疏展开网络方法，包括如下步骤：
3、第一步，高光谱成像仪的数据采集；
4、第二步，构造鲁棒的加权稀疏模型；
5、第三步，构造可学习丰度空间注意模块与可学习全变差算子；
6、第四步，利用admm求解加权稀疏解混模型；
7、第五步，构造展开网络；
8、第六步，使用设计的损失函数和更新规则训练网络；
9、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
10、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
11、一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
12、本专利技术与现有技术相比，其显著特点在于：(1)构建了一种可在数学上解释的加权稀疏网络模型，能够在有限数量的可学习参数下实现令人满意的性能且大幅降低了计算成本，增强了模型可解释性；(2)利用鲁棒的滑动窗口注意策略，提高了网络的解混精度和鲁棒性，大大降低了网络的训练成本，同时提高了其可用性；(3)提出了一种新的空间-光谱加权方法，利用迭代过程中真实端元与虚拟端元丰度分数的不同变化，实现自适应加权，并使用空间卷积，将丰度的空间信息引入到权重因子中；(4)利用深度学习的反向传播机制，设计了自适应全变差约束。让网络可以从数据中学的更好的水平与竖直差分算子。
13、下面结合附图对本专利技术作进一步详细描述。
本文档来自技高网...【技术保护点】
1.一种用于高光谱解混的滑窗加权稀疏展开网络方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种用于高光谱解混的滑窗加权稀疏展开网络方法，其特征在于，第一步，高光谱成像仪的数据采集，具体是将高光谱成像仪安装在一台无人机设备上，进行高光谱数据的采集。
3.根据权利要求1所述的一种用于高光谱解混的滑窗加权稀疏展开网络方法，其特征在于，第二步，构造鲁棒的加权稀疏模型，即稀疏解混方法基于线性混合模型，假设观测光谱是由几个字典原子线性组合近似的；令表示观测高光谱图像,y1,y2,…,yn表示每个像素的观测光谱曲线，表示光谱字典，a1,a2,…,am表示各个端元的光谱曲线，表示高光谱图像Y对应字典A的丰度图，x1,x2,…,xn表示每个像素点的各个端元丰度图；观测高光谱图像Y表示为：
4.根据权利要求3所述的一种用于高光谱解混的滑窗加权稀疏展开网络方法，其特征在于，第三步，构造可学习丰度空间注意模块与可学习全变差算子；假设分别表示虚拟端元和真实端元第k次迭代后算得的丰度分数，则有：我们令：
5.根据权利要求4所述的一种用于高光谱解混的
6.根据权利要求5所述的一种用于高光谱解混的滑窗加权稀疏展开网络方法，其特征在于，第五步，构造展开网络，即利用设计的RWSU网络，展开迭代，并使用深度学习网络来执行每个迭代阶段；为构造展开网络，在上述迭代过程中嵌入可学习参数；在等式(18)中引入可学习参数变成如下形式：
7.根据权利要求6所述的一种用于高光谱解混的滑窗加权稀疏展开网络方法，其特征在于，第六步，使用设计的损失函数和更新规则训练网络；使用得到的丰度进行解码，记输出的估计丰度和稀疏噪声为解码重构的纯净光谱为包含稀疏噪声的重构光谱为由此构造一个损失函数：
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～7中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一所述方法的步骤。
...【技术特征摘要】
1.一种用于高光谱解混的滑窗加权稀疏展开网络方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种用于高光谱解混的滑窗加权稀疏展开网络方法，其特征在于，第一步，高光谱成像仪的数据采集，具体是将高光谱成像仪安装在一台无人机设备上，进行高光谱数据的采集。
3.根据权利要求1所述的一种用于高光谱解混的滑窗加权稀疏展开网络方法，其特征在于，第二步，构造鲁棒的加权稀疏模型，即稀疏解混方法基于线性混合模型，假设观测光谱是由几个字典原子线性组合近似的；令表示观测高光谱图像,y1,y2,…,yn表示每个像素的观测光谱曲线，表示光谱字典，a1,a2,…,am表示各个端元的光谱曲线，表示高光谱图像y对应字典a的丰度图，x1,x2,…,xn表示每个像素点的各个端元丰度图；观测高光谱图像y表示为：
4.根据权利要求3所述的一种用于高光谱解混的滑窗加权稀疏展开网络方法，其特征在于，第三步，构造可学习丰度空间注意模块与可学习全变差算子；假设分别表示虚拟端元和真实端元第k次迭代后算得的丰度分数，则有：我们令：
5.根据权利要求4所述的一种用于高光谱解混的滑窗加权稀疏展开网络方法，其特征在于，第四步利用admm求解加权稀疏解混模型的算法...
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。