一種基于同質指數的高光譜遙感圖像稀疏解混方法技術

一種基于同質指數的高光譜遙感圖像稀疏解混方法，包括對高光譜遙感圖像的每個像元進行同質分析提取同質指數，根據整幅高光譜遙圖像中像元同質指數的值域對每個像元的同質指數進行線性拉伸，將其作為基于全變分的變量分離增廣拉格朗日稀疏解混算法中空間正則項的權重，并重新定義算法中鄰接像元間豐度的差商算子。本方法提高了稀疏解混的精度，使得解混豐度的空間平滑性更接近圖像真實的空間平滑性分布，并且更有效的抑制了噪音對解混結果的影響。本方法在基于高光譜遙感圖像的高精度地物分類以及地面目標檢測和識別方面具有重要的應用價值。

【技術實現步驟摘要】
【專利摘要】，包括對高光譜遙感圖像的每個像元進行同質分析提取同質指數，根據整幅高光譜遙圖像中像元同質指數的值域對每個像元的同質指數進行線性拉伸，將其作為基于全變分的變量分離增廣拉格朗日稀疏解混算法中空間正則項的權重，并重新定義算法中鄰接像元間豐度的差商算子。本方法提高了稀疏解混的精度，使得解混豐度的空間平滑性更接近圖像真實的空間平滑性分布，并且更有效的抑制了噪音對解混結果的影響。本方法在基于高光譜遙感圖像的高精度地物分類以及地面目標檢測和識別方面具有重要的應用價值。【專利說明】
本專利技術屬于遙感圖像處理
，涉及。
技術介紹
高光譜遙感圖像具有較高的光譜分辨率，能更為細致精確地分析地物的物質成分，因而得到了廣泛應用。然而高光譜圖像的空間分辨率一般較低，混合像元普遍存在，極大地阻礙了它的應用，因此混合像元的分解就成為推動其應用突破的一項關鍵技術。混合像元分解過程就是要從混合像元中識別不同類型的地物(端元)，并求出其在混合像元中所占的比例(豐度)，是高光譜遙感圖像分析的核心問題之一。基于稀疏回歸的混合像元分解方法是一種半監督的解混方法，它利用已有的端元光譜庫作為先驗信息，將像元表示成端元光譜庫中某些端元的線性組合。該方法不需要在圖像中提取端元，也不要求圖像中每個端元必須有純凈像元對應，在像元普遍混合程度較高時仍能取得較好的效果。一個像元含有的端元數目通常小于整幅圖像所含有的端元數目，更遠遠小于端元光譜庫中端元的數目，即像元用端元線性表示時豐度值具有稀疏性。基于稀疏回歸的解混方法在解混過程中加入了豐度的稀疏性約束，得到的結果更符合實際情況。大部分混合像元分解的方法都基于圖像的光譜分析，卻忽略了圖像的空間信息。然而圖像在空間上有一定的連續性，像元與其鄰近像元的端元以及端元對應的豐度有很強的相關性。近年來很多學者研究如何利用高光譜圖像豐富的空間信息來提高混合像元分解的精度，提出了很多改進方法。一部分通過圖像空間分析更準確地提取端元光譜。Zortea和Plaza通過對圖像中像元與其鄰域窗口內像元的光譜相似度分析提取空間信息，將與鄰近像元光譜相似的像元稱為同質像元，認為純凈像元最有可能是同質像元，所以在端元提取過程中收縮非同質像元以突出同質像元。Martin和Plaza通過聚類或者分割方法自適應地提取光譜純凈區域，避免了窗口大小的選擇對方法的影響，然后在空間同質區提取端元。他們進一步提出空間同質指數，并將空間同質指數和光譜純凈指數融合在一起輔助提取端元。另外一些則是在原來基于光譜空間分析方法的目標優化函數里加入空間平滑性約束。其中1rdache等在稀疏解混模型中加入空間全變分正則項，使得解混結果既保持稀疏性又保持一定的空間平滑性。這些方法對不同的空間鄰域建立了一致的空間平滑性模型；然而端元豐度的空間分布異常復雜，平滑性并不能保持一致。下面介紹與本專利技術相關的一些概念:1.線性光譜混合模型線性光譜混合模型假設像元的光譜反射率是其中含有的所有地物的光譜反射率的線性組合。線性光譜混合模型可以表示為y=M α +η ( I)其中y表示一個像元的光譜反射率(簡稱光譜)，是一個L維的列向量(L是高光譜遙感圖像的光譜波段數);M是這個像元中含有端元的光譜組成的一個L行V列矩陣，這個像元中含有V個端元，M的每一列表示一個端元的光譜；α是一個V維向量,它的每一個元素α V表示第V個端元對應的豐度；η是L維的加性噪音。端元的豐度是指端元在像元中所占有的比重，因此豐度值要滿足以下“和為一”約束條件(Abundance Sum-to-oneConstraint, ASC)和“非負”約束條件(Abundance Nonnegative Constraint, ANC):【權利要求】1.，其特征在于，包括以下步驟: 步驟a，對高光譜遙感圖像的每個像元進行同質分析提取同質指數，提取方式如下， 對于高光譜遙感圖像的某像元Pu，設選擇以像元Pu為中心、以η為半徑的不包含像元Pu的方形鄰域窗口為Ω (Pu)，計算像元Pu與它的鄰域窗口內像元已，。之間的光譜相似度S (Pr，。, PiJ ,按下式將加權平均的光譜相似度作為該像元的同質指數， 2.根據權利要求1所述的高光譜遙感圖像稀疏解混方法，其特征在于:步驟a中，按下式計算像元Pu與它的鄰域窗口內像元Pr，。之間的光譜相似度S (Pr，。，Pi； j)， 3.根據權利要求1所述的高光譜遙感圖像稀疏解混方法，其特征在于:步驟a中，空間權重參數ω (Pr c)定義如下， 4.根據權利要求1或2或3所述的高光譜遙感圖像稀疏解混方法，其特征在于:設端元光譜庫中有m個端元，記實數集為R，令A G R1- ; YelRix"表示整幅高光譜遙感圖像，XeR 是端元豐度的分布圖像，N是高光譜遙感圖像中像元的個數，L是高光譜遙感圖像的光譜波段數； 步驟d中，將步驟c中定義的鄰接差商算子作為空間平滑項引入到稀疏解混的目標優化函數中，得到的目標優化函數如下，【文檔編號】G06T7/00GK103761742SQ201410034872【公開日】2014年4月30日 申請日期:2014年1月24日 優先權日:2014年1月24日 【專利技術者】邵振峰, 王毓乾 申請人:武漢大學本文檔來自技高網...

【技術保護點】

【技術特征摘要】

【專利技術屬性】
技術研發人員：邵振峰，王毓乾，
申請(專利權)人：武漢大學，
類型：發明
國別省市：