[發明專利]一種聯合圖像信息的空間人造目標光譜解混方法及系統

有效

• 申請號: 202011259445.3
• 申請日: 2020-11-12
• 公開（公告）號: CN112380967B
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 李慶波;苗興晉
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/26;G06F30/27;G06F17/16;G06V10/58;G01N21/25;G06F111/04
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 張夢澤

1.一種聯合圖像信息的空間人造目標光譜解混方法，其特征在于，包括：

獲取空間人造目標的原始尺度高光譜圖像；所述原始尺度高光譜圖像包括多個像元；

利用自適應高光譜圖像分割算法對所述原始尺度高光譜圖像進行處理，生成近似尺度高光譜圖像；所述近似尺度高光譜圖像中包括多個超像元，所述超像元的個數小于所述像元的個數；

確定近似尺度的解混問題優化模型和原始尺度的解混優化模型；所述原始尺度的解混問題優化模型為：

其中，γ和μ為正則化參數；Q是權重參數矩陣，Q＝diag(q₁,…,q_N)，所述權重參數矩陣中的對角線元素為光譜-空間距離；P為原始尺度高光譜圖像；W為原始尺度端元矩陣；Z為原始尺度高光譜圖像中像元對應的豐度矩陣，為原始尺度高光譜圖像中像元對應的豐度矩陣的低分辨率近似值；正則化函數M為原始尺度端元光譜向量的個數，N為原始尺度高光譜圖像中像元的數量，z_mi為原始尺度高光譜圖像中第i個像元中第m個端元的組成比例，a為衡量豐度稀疏程度的參數；

基于對近似尺度高光譜圖像中超像元對應的豐度矩陣、原始尺度高光譜圖像中像元對應的豐度矩陣和原始尺度端元矩陣的迭代更新，對所述近似尺度的解混問題優化模型和原始尺度的解混優化模型求解，得到原始尺度端元矩陣估計結果和原始尺度高光譜圖像對應的豐度矩陣估計結果。

2.根據權利要求1所述的聯合圖像信息的空間人造目標光譜解混方法，其特征在于，所述近似尺度的解混問題優化模型的最優解為近似尺度高光譜圖像中超像元對應的豐度矩陣估計值；所述近似尺度的解混問題優化模型為：

其中，P_C為近似尺度高光譜圖像；Z_C為近似尺度高光譜圖像中超像元對應的豐度矩陣；K為近似尺度高光譜圖像中超像元的數量；正則化函數λ為用于控制正則化函數g(Z_C)與數據擬合之間權衡的參數；z_Cmi為近似尺度高光譜圖像中第i個超像元中第m個端元的組成比例。

3.根據權利要求1所述的聯合圖像信息的空間人造目標光譜解混方法，其特征在于，所述基于對近似尺度高光譜圖像中超像元對應的豐度矩陣、原始尺度高光譜圖像中像元對應的豐度矩陣和原始尺度端元矩陣的迭代更新，對所述近似尺度的解混問題優化模型和原始尺度的解混優化模型求解，得到原始尺度端元矩陣估計結果和原始尺度高光譜圖像對應的豐度矩陣估計結果，具體包括：

基于所述近似尺度的解混問題優化模型，對近似尺度高光譜圖像中超像元對應的豐度矩陣進行更新，得到當前迭代的近似尺度高光譜圖像中超像元對應的豐度矩陣；

將當前迭代的近似尺度高光譜圖像中超像元對應的豐度矩陣，采用逆變換映射回原始尺度高光譜圖像中，得到當前迭代的原始尺度高光譜圖像中像元對應的豐度矩陣的低分辨率近似值

基于所述原始尺度的解混優化模型，對原始尺度高光譜圖像中像元對應的豐度矩陣和原始尺度端元矩陣進行更新，得到當前迭代的原始尺度高光譜圖像中像元對應的豐度矩陣和原始尺度端元矩陣；

判斷是否達到迭代停止條件；

當達到迭代停止條件時，將當前迭代的原始尺度高光譜圖像中像元對應的豐度矩陣確定為原始尺度高光譜圖像對應的豐度矩陣估計結果；將當前迭代的原始尺度端元矩陣確定為原始尺度端元矩陣估計結果；

當未達到迭代停止條件時，更新迭代次數，返回“基于所述近似尺度的解混問題優化模型，對近似尺度高光譜圖像中超像元對應的豐度矩陣進行更新，得到當前迭代的近似尺度高光譜圖像中超像元對應的豐度矩陣”步驟。