基于幾何空譜結(jié)構(gòu)信息的高光譜混合像元分解方法技術(shù)

本發(fā)明專利技術(shù)屬于遙感數(shù)據(jù)處理技術(shù)領(lǐng)域，具體公開了一種基于幾何空譜結(jié)構(gòu)信息的混合像元分解方法，解決高光譜圖像混合像素點地物類別不明，分布不準確的問題。其步驟為：1)輸入高光譜數(shù)據(jù)，預(yù)處理后將數(shù)據(jù)排列成一個矩陣；2)用VD法估計純端元個數(shù)；3)提取圖像的邊緣輪廓；4)提出一個根據(jù)邊緣、位置提出計算空間距離的公式；5)提出一個根據(jù)光譜統(tǒng)計信息計算譜間距離的公式；6)由空、譜間距離構(gòu)造幾何空譜約束項，并加入NMF模型中；7)通過新的NMF算法解混輸出端元矩陣和豐度矩陣，判斷場景地物類別和分布比例。本發(fā)明專利技術(shù)對不同的高光譜數(shù)據(jù)有良好的適用性，較現(xiàn)有方法提高了混合像元分解的精度，對目標檢測、識別具有重要的價值。

【技術(shù)實現(xiàn)步驟摘要】
基于幾何空譜結(jié)構(gòu)信息的高光譜混合像元分解方法
本專利技術(shù)屬于高光譜遙感數(shù)據(jù)處理
，涉及高光譜數(shù)據(jù)解混，具體是一種基于幾何空譜結(jié)構(gòu)信息的高光譜混合像元分解方法，可用于地物探測和目標異常檢測和亞像素鑒別的研究。
技術(shù)介紹
高光譜遙感技術(shù)是近十幾年來發(fā)展起來的一種新興遙感技術(shù)。高光譜遙感數(shù)據(jù)相對于傳統(tǒng)的多光譜數(shù)據(jù)擁有更加豐富的光譜信息，其廣泛應(yīng)用表明高光譜遙感技術(shù)的較大潛力。針對其在軍事，工業(yè)和民用上的應(yīng)用，相應(yīng)的處理技術(shù)有：降維，目標檢測，變化檢測，端元提取，混合像元分解和分類。高光譜圖像雖然具有較高的光譜分辨率，但其空間分辨率是有限的，因而在一個瞬時視場中往往包含幾種不同的地物，即光譜混合現(xiàn)象，幾乎無法辨識，降低目標檢測算法的性能。為了解決這一問題，混合像元分解技術(shù)可用來提取地物的光譜特性曲線以及預(yù)測像元內(nèi)包含目標的比例成分，對后續(xù)處理研究具有重要意義。通常，在假設(shè)的線性混合模型下，無監(jiān)督的解混方法在步驟上可先進行端元提取再進行豐度估計，也可以兩者同時計算；按照純端元的存在假設(shè)也可分為：純端元存在數(shù)據(jù)中的方法和數(shù)據(jù)中不存在純端元的方法。其中，非負矩陣分解(NMF)是一種有效的高光譜解混技術(shù)。在純端元不存在于數(shù)據(jù)中的假設(shè)下，這類可同時計算純端元特性曲線和豐度分布比例的方法也是可行的。國內(nèi)外研究者近幾年提出了各種改進的非負矩陣分解解決混合像元的問題，包括最小體積約束的非負矩陣分解(MVCNMF)，稀疏約束的非負矩陣分解(SNMF)，平滑性約束的非負矩陣分解(PNMFSC)等等。但這些方法對不存在純端元的遙感數(shù)據(jù)存在識別端元不準，分布比例計算不精確的問題，并且沒有考慮到數(shù)據(jù)自身的空間結(jié)構(gòu)鄰近相似性以及譜間統(tǒng)計性的相似特點，使得現(xiàn)有方法存在局限性。
技術(shù)實現(xiàn)思路
本專利技術(shù)的目的在于克服上述已有技術(shù)的不足，考慮到對數(shù)據(jù)空譜信息的利用提出了一種基于幾何空譜結(jié)構(gòu)信息的高光譜混合像元分解方法，以明確端元的分布特性以及空間位置信息對結(jié)果的影響，提高解混效果。本專利技術(shù)的技術(shù)方案是：一種基于幾何空譜結(jié)構(gòu)信息的高光譜混合像元分解方法，其步驟包括如下：(1)輸入高光譜數(shù)據(jù)，圖像大小為a×b像素,并預(yù)處理得到高光譜數(shù)據(jù)L為處理的波段個數(shù)，N為像素點個數(shù)，N＝a×b；(2)用VD估計法，計算純端元個數(shù)p；(3)提取高光譜圖像的輪廓信息，通過PCA降維提取出第一主成分量得出對Y用Robert算子提取場景輪廓圖N＝a×b；(4)根據(jù)輪廓信息、局部空間窗LW內(nèi)任一點與相應(yīng)的所述輪廓信息的位置關(guān)系信息計算高光譜數(shù)據(jù)之間的幾何空間距離度量得出此空間距離的公式；大小為m×m像素的局部空間窗LW內(nèi)若中心點為(mi,ni)，在局部空間窗LW內(nèi)，通過輪廓線判定中心點(mi,ni)與周圍任一點(mj,nj)是否處在同一區(qū)域內(nèi)，局部空間窗LW內(nèi)任一點(mj,nj)與中心點的幾何空間距離度量為：此處為兩個光譜向量之間的差異；(5)根據(jù)數(shù)據(jù)光譜統(tǒng)計信息計算譜間距離度量得出此譜間距離的公式；在光譜維上，對數(shù)據(jù)建立最近鄰圖，則兩個光譜向量xi,xj之間的幾何譜間距離度量定義為：此處γ＝[(mi-mj)+(ni-nj)]2為兩光譜向量位置距離，NB(xj)為向量xj的k個最近鄰點集合；(6)構(gòu)造新的NMF算法框架由步驟(4)和步驟(5)中的幾何空譜距離度量和根據(jù)圖論中如果原數(shù)據(jù)xi,xj之間相似則其分解后的豐度分布向量之間必定相似的原則構(gòu)造空譜拉普拉斯流形正則：和此處的La，Le鄰接圖的拉普拉斯矩陣，和是每個節(jié)點相關(guān)的對角矩陣,由此構(gòu)造新的非負矩陣分解框架式，為解混后得出的純端元特征矩陣，則對應(yīng)的豐度分布比例矩陣為(7)通過新的非負矩陣分解模型輸出端元光譜曲線矩陣和對應(yīng)的每個端元分布豐度圖矩陣。上述步驟(1)所述的輸入高光譜數(shù)據(jù)，并預(yù)處理得到高光譜數(shù)據(jù)按照如下步驟進行：1a)輸入原始的高光譜圖像數(shù)據(jù)S為原始波段數(shù)；1b)將三維數(shù)據(jù)I排列成二維數(shù)據(jù)N＝a×b；1c)對遙感數(shù)據(jù)上噪聲影響大的波段進行摘取，得到波段選擇后的光譜數(shù)據(jù)L＜S；1d)對數(shù)據(jù)矩陣Z按波段，即按列，進行范數(shù)歸一化，得到數(shù)據(jù)上述步驟(7)所述的通過新的非負矩陣分解模型輸出端元光譜曲線矩陣和對應(yīng)的每個端元分布豐度圖矩陣，按照如下步驟進行：2a)將高光譜樣本作為輸入數(shù)據(jù)，p為需要分解的純端元個數(shù)；2b)初始化純端元特征矩陣和豐度比例矩陣2c)按照下列乘法法則的式子交替迭代更新M和S：M←M.*RST./MSST2d)檢測是否滿足收斂條件或停機條件，即迭代次數(shù)是否已達到上限或分解輸出結(jié)果是否已經(jīng)達到收斂，不滿足返回2c)。本專利技術(shù)的有益效果：本專利技術(shù)通過研究幾何空譜結(jié)構(gòu)信息構(gòu)造空間相似性度量和譜間相似性度量，設(shè)定新的非負矩陣分解模型對數(shù)據(jù)進行解混。與現(xiàn)有的技術(shù)相比具有以下優(yōu)點：1)本專利技術(shù)有效利用了高光譜圖像場景中空譜信息，設(shè)計兩種光譜向量之間空間距離和譜間距離的度量；2)本專利技術(shù)將空譜信息融入非負矩陣分解的模型框架內(nèi)，推導(dǎo)出新的迭代更新乘法式子和逼近目標函數(shù)。仿真實驗結(jié)果表明，本專利技術(shù)提出的基于幾何空譜結(jié)構(gòu)信息的高光譜混合像元分解方法能夠有效地應(yīng)用于解混，并進一步應(yīng)用于目標檢測和亞像元分析。以下將結(jié)合附圖對本專利技術(shù)做進一步詳細說明。附圖說明圖1是本專利技術(shù)的整體實現(xiàn)流程圖；圖2是本專利技術(shù)中提出的幾何空譜結(jié)構(gòu)信息的非負矩陣分解的流程圖；圖3是本專利技術(shù)仿真采用的真實的高光譜場景的灰度圖；圖4是本專利技術(shù)仿真對真實數(shù)據(jù)降維后的第一主成分量；圖5是本專利技術(shù)仿真提取到的場景輪廓圖；圖6是本專利技術(shù)仿真通過新的非負矩陣分解算法得到的每個地物的豐度分布圖。具體實施方式參照圖1，本專利技術(shù)的具體實施如下：步驟1.對高光譜原始混合數(shù)據(jù)進行預(yù)處理。選取場景大小為a×b像素的高光譜數(shù)據(jù)I，波段數(shù)為S，像素點個數(shù)為N，且N＝a×b。由于真實的高光譜數(shù)據(jù)數(shù)值很大，則需要在光譜維上進行歸一化，利于后續(xù)的計算。預(yù)處理過程不僅包括歸一化處理，還需要將有噪聲的波段過濾掉，得到新的高光譜數(shù)據(jù)具體步驟如下：1a)輸入原始的高光譜圖像數(shù)據(jù)S為原始波段數(shù)；1b)將三維數(shù)據(jù)I排列成二維數(shù)據(jù)N＝a×b；1c)對遙感數(shù)據(jù)上噪聲影響大的波段進行摘取，得到波段選擇后的光譜數(shù)據(jù)L＜S；1d)對數(shù)據(jù)矩陣Z按波段，即按列，進行范數(shù)歸一化，得到數(shù)據(jù)步驟2.純端元個數(shù)p的估計；“虛擬維數(shù)”(VD)估計，基于奈曼-皮爾遜檢測理論的特征分析方法HFC能有效估計VD。a)計算高光譜數(shù)據(jù)的相關(guān)矩陣R和協(xié)方差矩陣K，并作特征值分解。R的特征值記為K的特征值記為{λ1≥λ2≥...≥λL}。b)假定信號源是未知正常量，噪聲為零均值的高斯噪聲。VD問題轉(zhuǎn)換為二元假設(shè)問題c)若H1為真,則認為存在一個信號能量對相關(guān)特征值作出了貢獻,反之則認為僅存在噪聲成分。在該二元假設(shè)下,可以將每一對特征值看成服從以下條件概率密度的隨機變量其中：d)根據(jù)c)中等式，定義檢測概率和虛警概率給定一個虛警概率pF,那么tl被確定。若則判定有一個信號能量對該特征值作出貢獻。對各個波段分別確定tl，使得H1成立的波段個數(shù)即為虛擬維數(shù)。步驟3.提取高光譜圖像的輪廓信息。高光譜數(shù)據(jù)通過主成分分析(MATLAB中的princomp()函數(shù))降維提取出第一主成分量Y，對Y用Robert算子提取場景輪廓步驟4.根據(jù)輪廓信息、局部空間窗LW內(nèi)本文檔來自技高網(wǎng)...

【技術(shù)保護點】
基于幾何空譜結(jié)構(gòu)信息的高光譜混合像元分解方法，其特征在于：包括以下步驟：(1)輸入高光譜數(shù)據(jù)，圖像大小為a×b像素,并預(yù)處理得到高光譜數(shù)據(jù)L為處理的波段個數(shù)，N為像素點個數(shù)，N＝a×b；(2)用VD估計法，計算純端元個數(shù)p；(3)提取高光譜圖像的輪廓信息，通過PCA降維提取出第一主成分量提出對Y用Robert算子提取場景輪廓圖N＝a×b；(4)根據(jù)邊緣信息、位置信息計算高光譜數(shù)據(jù)之間的幾何空間距離度量提出此空間距離的公式；大小為m×m像素的局部空間窗LW內(nèi)若中心點為(mi,ni)，在局部窗LW內(nèi)，通過輪廓線判定中心點(mi,ni)與周圍任一點(mj,nj)是否處在同一區(qū)域內(nèi)，局部空間窗LW內(nèi)任一點(mj,nj)與中心點的幾何空間距離度量為：此處為兩個光譜向量之間的差異；(5)根據(jù)數(shù)據(jù)光譜統(tǒng)計信息計算譜間距離度量提出此譜間距離的公式；在光譜維上，對數(shù)據(jù)建立最近鄰圖，則兩個光譜向量xi,xj之間的幾何譜間距離度量定義為：di,je=e-||xi-xj||22,ifxi∈NB(xj)e-γ||xi-xj||22,ifxi∉NB(xj)]]>此處γ＝[(mi?mj)+(ni?nj)]2為兩光譜向量位置距離，NB(xj)為向量xj的k個最近鄰點集合；(6)構(gòu)造新的NMF算法框架由步驟(4)和步驟(5)中的幾何空譜距離度量和根據(jù)圖論中如果原數(shù)據(jù)xi,xj之間相似則其分解后的豐度分布向量之間必定相似的原則構(gòu)造空譜拉普拉斯流形正則：||f||Ma=Σi,j=1N||si-sj||2/di,ja=STLaS]]>和||f||Me=Σi,j=1N||si-sj||2/di,je=STLeS]]>此處的La，Le鄰接圖的拉普拉斯矩陣，和是每個節(jié)點相關(guān)的對角矩陣,d~iie=Σj=1n1/dije,d~iia=Σj=1n1/dija;]]>由此構(gòu)造新的非負矩陣分解框架式，為解混后得出的純端元特征矩陣，則對應(yīng)的豐度分布比例矩陣為f(M,S)=fe(M,S)+||f||Ma+||f||Me=12||X-MS||22+tr(SLaST)+tr(SLeST)]]>(7)通過新的非負矩陣分解模型輸出端元光譜曲線矩陣和對應(yīng)的每個端元分布豐度圖矩陣。...

【技術(shù)特征摘要】
1.基于幾何空譜結(jié)構(gòu)信息的高光譜混合像元分解方法，其特征在于：包括以下步驟：(1)輸入高光譜數(shù)據(jù)，圖像大小為a×b像素,并預(yù)處理得到高光譜數(shù)據(jù)L為處理的波段個數(shù)，N為像素點個數(shù)，N＝a×b；(2)用VD估計法，計算純端元個數(shù)p；(3)提取高光譜圖像的輪廓信息，通過PCA降維提取出第一主成分量對Y用Robert算子提取場景輪廓圖N＝a×b；(4)根據(jù)輪廓信息、局部空間窗LW內(nèi)任一點與相應(yīng)的所述輪廓信息的位置關(guān)系信息計算高光譜數(shù)據(jù)之間的幾何空間距離度量得出此空間距離的公式；大小為m×m像素的局部空間窗LW內(nèi)若中心點為(mi,ni)，在局部空間窗LW內(nèi)，通過輪廓線判定中心點(mi,ni)與周圍任一點(mj,nj)是否處在同一區(qū)域內(nèi)，局部空間窗LW內(nèi)任一點(mj,nj)與中心點的幾何空間距離度量為：此處為兩個光譜向量之間的差異；(5)根據(jù)數(shù)據(jù)光譜統(tǒng)計信息計算譜間距離度量得出此譜間距離的公式；在光譜維上，對數(shù)據(jù)建立最近鄰圖，則兩個光譜向量xi,xj之間的幾何譜間距離度量定義為：此處γ＝[(mi-mj)+(ni-nj)]2為兩光譜向量位置距離，NB(xj)為向量xj的k個最近鄰點集合；(6)構(gòu)造新的NMF算法框架由步驟(4)和步驟(5)中的幾何空譜距離度量和根據(jù)圖論中如果原數(shù)據(jù)xi,xj之間相似則其分解后的豐度分布向量之間必定相似的原則構(gòu)造空譜拉普拉斯流形正則：和

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：楊淑媛，焦李成，程時倩，劉芳，侯彪，劉紅英，熊濤，任宇，馮志璽，任永恒，
申請(專利權(quán))人：西安電子科技大學(xué)，
類型：發(fā)明
國別省市：陜西;61