[發(fā)明專利]基于稀疏主題松弛模型的高光譜影像解混方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010930126.4
• 申請日: 2020-09-07
• 公開（公告）號: CN112163460B
• 公開（公告）日: 2022-08-02
• 發(fā)明（設計）人: 朱祺琪;王琳琳
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/762;G06V10/77;G06V10/774;G06K9/62
• 代理公司: 武漢知產(chǎn)時代知識產(chǎn)權代理有限公司 42238
• 代理人: 彭建怡

1.一種基于稀疏主題松弛模型的高光譜影像解混方法，其特征在于：包括以下步驟：

S101：將高光譜影像中一定比例的像元組合成為訓練數(shù)據(jù)集；

S102：以像元為基礎，構建訓練數(shù)據(jù)集的像元-波段共生矩陣，并將所述共生矩陣輸入至稀疏主題松弛模型中，以對所述稀疏主題松弛模型進行預訓練，得到預訓練后的稀疏主題松弛模型；

S103：構建所述高光譜影像所有像元的像元-波段共生矩陣，并將構建的共生矩陣輸入至所述預訓練后的稀疏主題松弛模型中；得到所述高光譜影像的初始端元和初始豐度；

S104：針對所述初始端元，采用模糊C均值聚類算法確定端元聚類結果即為最終的端元結果；將所述初始豐度按照所述端元聚類結果進行劃分，將同一類端元對應的豐度劃分為一組，并將同組內的豐度結果以像元為單位求和疊加，在滿足“豐度和為一約束”的條件下將同類端元對應的豐度進行疊加得到第一豐度結果；

S105：采用VCA-FCLS模型生成所述高光譜影像的第二豐度結果，并將所述第二豐度結果與所述第一豐度結果進行加權聯(lián)合得到最終豐度結果，輸出最終影像豐度圖。

2.如權利要求1所述的一種基于稀疏主題松弛模型的高光譜影像解混方法，其特征在于：步驟S101中，將所述高光譜影像中的像元從左到右逐次排列，并預設一定比例的像元組成為訓練數(shù)據(jù)集；

所述像元-波段共生矩陣由I行J列組成，I為訓練數(shù)據(jù)集中像元總個數(shù)，J為訓練數(shù)據(jù)集對應的總波段數(shù)；像元-波段共生矩陣的不同行代表不同的像元，不同列代表不同的波段；所述像元-波段共生矩陣中的第i行第j列元素a_ij代表訓練數(shù)據(jù)集中第i個像元對應的第j個波段上的光譜反射率。

3.如權利要求1所述的一種基于稀疏主題松弛模型的高光譜影像解混方法，其特征在于：步驟S103中，采用EM算法實現(xiàn)預訓練后的稀疏主體松弛模型的目標參數(shù)求解：通過迭代E步驟和M步驟進行學習推理至收斂，求解更新得到最優(yōu)的隱含端元表示及其對應的豐度表示，即初始端元和初始豐度。

4.如權利要求3所述的一種基于稀疏主題松弛模型的高光譜影像解混方法，其特征在于：考慮到高光譜影像的端元可變性問題，將預訓練的稀疏主題松弛模型的待挖掘的主題的總個數(shù)設置為大于實際端元個數(shù)的數(shù)值，其取值范圍為6～30。

5.如權利要求1所述的一種基于稀疏主題松弛模型的高光譜影像解混方法，其特征在于：步驟S104中，采用模糊C均值聚類算法確定最終的端元結果；具體包括：

將所述初始端元輸入到模糊C均值聚類算法中，聚類中心的個數(shù)設置為高光譜影像中實際的端元個數(shù)；由模糊C均值聚類算法得到的各聚類中心即為所求解的最終的端元聚類結果。

6.如權利要求1所述的一種基于稀疏主題松弛模型的高光譜影像解混方法，其特征在于：步驟S105中：

最終豐度結果＝W×第一豐度結果+(1-W)×第二豐度結果；

其中，W為預設的第一豐度結果的權重，取值范圍為0.65～0.85。