[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

本發(fā)明提供了基于稀疏主題松弛模型的高光譜影像解混方法及系統(tǒng)，包括：對高光譜影像中的像元按劃分為訓練數(shù)據(jù)集；再分別生成訓練數(shù)據(jù)集和整個高光譜影像的共生矩陣，并將訓練數(shù)據(jù)集的共生矩陣輸入到模型進行預訓練，得到預訓練后的稀疏主題松弛模型；將高光譜影像的共生矩陣輸入到預訓練后的模型，得到影像的初始端元和初始豐度；將初始端元輸入到由模糊C均值聚類算法構建的模型中，得到由稀疏主題松弛模型獲取的端元以及相應的豐度；將由VCA?FCLS模型生成的豐度結果和由稀疏主題松弛模型獲取的豐度結果進行加權聯(lián)合，得到高光譜影像的豐度結果；能有效避免端元可變性且無需構建端元光譜庫，能快速挖掘高光譜影像混合像元中的隱含端元并估計豐度。

技術領域

本發(fā)明涉及主題模型與遙感影像處理領域的結合，主要解決高光譜遙感影像混合像元分解的問題，尤其涉及一種基于稀疏主題松弛模型的高光譜影像解混方法及系統(tǒng)。

背景技術

隨著遙感技術的快速發(fā)展，高空間分辨率和高光譜分辨率的遙感影像應用越來越廣泛。高光譜影像具有從可見光到不可見光等連續(xù)幾十到幾百波段的光譜信息，能夠更加準確地反映目標真實物理特性，已經(jīng)在環(huán)境監(jiān)測，精準農業(yè)，林業(yè)監(jiān)測和礦物勘探等領域取得了良好的效應。但是，由于傳感器空間分辨率低以及復雜地物的影響，單個像元可能包含多種地物的光譜特征，從而導致“混合像元”現(xiàn)象。

在傳統(tǒng)的高光譜影像混合像元分解方法中，幾何方法具有很高的計算效率，但它們通常需要純凈像元的假設前提，難以應對高度混合的地面場景；稀疏回歸方法往往難以構建針對影像特征的典型端元光譜庫，且需要大量的時間消耗；基于深度學習的方法可以獲得良好的結果，但它們通常需要大量的訓練數(shù)據(jù)，調整參數(shù)困難并且難以滿足“豐度和為一約束”；統(tǒng)計學方法無需事先獲取端元光譜庫，但它們通常難以獲取復雜的光譜分布模式。

在過去的研究中，主題模型作為語義表示已經(jīng)在遙感影像處理中得到了廣泛應用，如：場景分類、影像分割、目標識別等；這些模型能夠根據(jù)其隱藏的語義模式而不是其低級特征將數(shù)據(jù)表示為概率分布，這使得更易于在較高抽象級別上管理數(shù)據(jù)，因此在高光譜影像混合像元分解任務中顯示出巨大潛力。一些研究表明，在解混模型中添加稀疏約束有助于提高解混模型的性能，這為基于主題模型的解混研究提供了更大的改進空間。但是，這些方法通常需要選擇帶有輔助參數(shù)的正則化項，這對于大規(guī)模數(shù)據(jù)集的處理可能會出現(xiàn)問題。

發(fā)明內容

為了解決上述問題，本發(fā)明提供了一種基于稀疏主題松弛模型的高光譜影像解混方法及系統(tǒng)，在無需構建端元光譜庫的條件下快速挖掘到影像的隱含端元，有效避免端元可變性造成的影響，并借助不同模型的豐度加權聯(lián)合的方式來提高混合像元分解的性能。

在基于主題模型的方法中，全稀疏主題模型使用線性收斂來挖掘文檔中的隱含的稀疏主題，并且不需要額外的稀疏約束，大大減少了求解空間和需要提取的參數(shù)數(shù)量，降低了模型的復雜性。

本發(fā)明實施例提供的基于稀疏主題松弛模型的高光譜影像解混方法，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；