[發明專利]一種基于提純優化的空間目標光譜解混方法

有效

• 申請號: 201711303797.2
• 申請日: 2017-12-11
• 公開（公告）號: CN107977943B
• 公開（公告）日: 2020-05-19
• 發明（設計）人: 李慶波;史少林
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/50
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 安麗

1.一種基于提純優化的空間目標光譜解混方法，其特征在于：實現步驟如下：

步驟101，輸入待測混合光譜和端元個數；

步驟102，對所述待測混合光譜數據進行預處理，以去除噪聲、基線的干擾；對輸入混合光譜數據進行預處理方法采用自適應迭代權重-偏最小二乘方法或多項式迭代擬合法校正方法；其中，自適應迭代權重-偏最小二乘方法通過迭代改變擬合基線與原始信號之間的總體方差權重實現，權重是由當前擬合基線和原始信號之間的差異得到，因此它是個不斷擬合和逼近的過程；自適應迭代權重-偏最小二乘方法主要是采用懲罰最小二乘算法將信號平滑的原理應用到基線擬合，然后自適應迭代將懲罰過程轉化為一個基線逼近的過程；該方法無需任何先驗信息，便于實際檢測中將多種物質光譜校正在同一基線上；

步驟103，根據待測混合光譜和端元個數，利用可變分裂增廣拉格朗日算法提取出初始端元；

步驟104，對提取出的初始端元進行提純迭代優化，得到提純后的端元；具體優化過程如下：

Step1：對于步驟103中提取出的初始端元，所得的結果是由真實純物質端元按比例混合而成，設初步端元為M＝(m₁,m₂,...m_p)：

Step2：對初始端元進行提純優化：

其中，M_p為優化后的第p個端元，m_p為真實端元，為優化系數；

步驟105，利用全約束最小二乘法求出提純后端元對應的豐度，并由此得到重構光譜數據；

步驟106，將所述重構光譜數據與輸入的待測混合光譜比較，得到提純后的重構誤差RMSE；

步驟107，若提純后的重構誤差提到小于未進行步驟104中提純操作的重構誤差最小值，則繼續進行步驟104中的提純操作，直至提純后的重構誤差大于提純前的重構誤差，最終的端元矩陣與豐度矩陣即為最優解，最終實現對空間目標光譜的解混。

2.根據權利要求1所述的基于提純優化的空間目標光譜解混方法，其特征在于：所述步驟103中，利用可變分裂增廣拉格朗日算法求出初始端元，具體方法如下：

Step1：假設待測混合光譜中每條光譜近似認為是各個端元的線性混合光譜：

0≤z_i≤1

其中Y為待測混合光譜，e_i為端元，z_i為豐度，N為誤差，E為端元矩陣，Z為豐度矩陣；

Step2：對于豐度矩陣Z有即由端元矩陣E定義的單形體正比于|det(E)|，得：

E^*＝argmin|det(E)|

其中n為波段數，p為端元數；

Step3：令Q≡E^-1，所以det(Q)＝1/det(E)，得：

Step4：在等式右邊同乘相同的約束Y^T(YY^T)^-1,令a^T≡1_NY^T(YY^T)^-1，上式轉化為；

Step5：將Step4中問題轉化為優化問題:

其中λ為正則化系數；

Step6：求解優化問題，即可得到初步的端元提取結果。

3.根據權利要求1所述的基于提純優化的空間目標光譜解混方法，其特征在于：所述步驟105中，利用全約束最小二乘法求出提純后的端元對應的新的豐度矩陣公式為：

Z＝M^TY(M^TM)^-1。

4.根據權利要求1所述的基于提純優化的空間目標光譜解混方法，其特征在于：所述步驟106中，用于比較的重構光譜數據與待測混合光譜數據的重構誤差RMSE：

其中N為光譜數據的波段數，x(Estimate)為提純優化后的重構光譜數據，x₀(Real)為待測混合光譜數據。