[發明專利]一種基于無限高斯混合模型的高光譜圖像解混方法

有效

• 申請號: 201410266799.9
• 申請日: 2014-06-16
• 公開（公告）號: CN104008574B
• 公開（公告）日: 2017-05-10
• 發明（設計）人: 鄧水光;徐亦飛;李瑩;吳健;尹建偉;吳朝暉
• 申請（專利權）人: 浙江大學
• 主分類號: G06T19/00
• 分類號: G06T19/00
• 代理公司: 浙江杭州金通專利事務所有限公司33100
• 代理人: 徐關壽

技術領域

本發明屬于圖像處理技術領域，涉及基于高光譜圖像解混方法，尤其涉及一種基于無限高斯混合模型的高光譜圖像解混方法。

背景技術

高光譜圖像為三維圖像，包括普通二維平面圖像信息和波長信息。在對目標的空間特征成像的同時，對每個空間像元經過色散形成幾十個乃至幾百個窄波段以進行連續的光譜覆蓋。一個高光譜圖像為有若干個波長對應的二維圖像組成的三維高光譜圖像。

近紅外外高光譜因其快速無損等特性被廣泛應用于食品、醫藥、石油化工等行業。然而由于目前的大多數高光譜圖像都是由多個不同的物質(端元)混合合成，為了更加精準的每個混合成分進行分析，就需要對高光譜圖像進行解混分析，通常需要假設高光譜圖像滿足線性混合模型(LMM)，該模型中的端元豐度需要滿足非負(ANC)和和為1的限制(ASC)。通常情況下，解混過程包括端元提取和豐都反演兩個步驟。對于端元提取而言，又可以分為端元數據確定和端元提取兩部分。就端元數目確定，第一類方法是基于像素的相關系數矩陣和協方差矩陣，常見的有主成分分析(PCA)、Harsanyi-Farrand-Chang(HFC)、Akaike信息準則的等方法，這些方法在低維度圖像中工作正常，但是對于高維度的圖像的處理效果不好；第二類方法就是通過子空間的最小化來確定端元。對于端元提取來講，主要可以分為監督方法和非監督方法。監督方法假設所有的端元都是已知的，主要包括定點成分分析(VCA),自動端元提取(AEE),純像元指數(PPI)，N-FINDR及迭代誤差分析(IEA)，這些方法主要從幾何視角進行分析，但是上述方法必須要求該幾何體中需要至少存在一個端元。當算法中沒有純端元的情況下，最小體積轉化(MVT)及其相類似的方法(迭代限制端元(ICES))采取包含所有數據的最大的單純形。這種方法的局限性在于必需存在N-1個端元(N為端元總數)，但在真實的高混合的數據集中，這種假設不理想。當所有的端元提取后，通常利用全限制的最小二乘預測(FCLS)或最大似然分析對端元進行豐度反演。當端元和其對應的豐富不確定，高光譜的解混問題就可以看成是盲信號分離問題，常見的方法包括包括獨立主成分(ICA)和非負矩陣分析(NMF)。對于ICA來講，其要求的端元之間相互獨立在實際圖像中不現實。對于NMF來講，求解NMF中的矩陣問題容易陷入最小解問題。

發明內容

針對近紅外高光譜圖像中的非純像元不存在，高光譜解混中的ANC、ASC和端元未知的限制，在高光譜數據模型滿足經典的高斯混合模型情況下，本發明提出一種基于無限高斯混合模型的高光譜圖像解混方法，通過使用分層貝葉斯模型對高斯模型中的參數和非參數進行估計，從而可以有效地得到混合的像元的組分機器所對應的豐度。

為了解決上述技術問題，本發明的技術方案如下：

一種基于無限高斯混合模型的高光譜圖像解混方法，

11)對高光譜圖像進行降維處理，得到處理后的降維數據；

12)利用虛擬維度的方法確定高斯組分個數的大小，并得出高斯組分個數的范圍，針對每個高斯組分個數，利用K-means方法，進行分別聚類，對于每個聚類的群組，使用PPI方法，提取每個群組中的最純的像元作為高斯混合模型中的期望向量；

13)對于高光譜圖像中的每個像元，基于無限混合模型，采用兩狀態策略進行端元數目采樣，然后使用Metropolis-within-Gibb對無限混合模型中的參數和超參數進行估計，通過多次迭代，得到最終的穩定的參數和超參數的估計；

所述高光譜中的像元滿足無限高斯混合模型；

高光譜圖像滿足如式(a)所屬的高斯模型：

其中E_r為獨立的高斯向量，y是高光譜圖像中的某個像元，R為組成該像元的組成個數，α_r為組成部分的比例即豐度，其需要滿足如式(b)兩種限制：

在無限的高斯混合模型中，設定所有的高斯成分都相同，對于每個高斯成分而言：

E_r|m_r,σ²～N(m_r,σ²I_L)(c)；

其中m_r＝[m_r,1,...,m_r,L]^T是第r個高斯分布的均值向量，當所有的端元分布中的方差為單位矩陣因此，像元的似然函數可以表述為如式(d)所示：