[發(fā)明專(zhuān)利]基于稀疏圖編碼的高光譜遙感圖像本征分解方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110250389.5
• 申請(qǐng)日: 2021-03-08
• 公開(kāi)（公告）號(hào): CN112967350B
• 公開(kāi)（公告）日: 2022-03-18
• 發(fā)明（設(shè)計(jì)）人: 谷延鋒;謝雯;金旭東
• 申請(qǐng)（專(zhuān)利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06T9/00
• 分類(lèi)號(hào): G06T9/00;G06T5/00;G06V20/13;G06V10/74;G06V10/77;G06V10/772;G06K9/62
• 代理公司: 哈爾濱華夏松花江知識(shí)產(chǎn)權(quán)代理有限公司 23213
• 代理人: 岳昕

1.基于稀疏圖編碼的高光譜遙感圖像本征分解方法，其特征在于所述方法包括以下步驟：

步驟一、構(gòu)建高光譜遙感圖像的稀疏圖編碼字典，包括以下步驟：

步驟一一、獲得高光譜遙感圖像，包括以下步驟：

其中，H＝[H₁,H₂,…,H_n]∈R^d×n，H是高光譜遙感圖像，n為高光譜遙感圖像上的像素總數(shù)，d表示高光譜遙感圖像H的光譜維度，R^d×n是實(shí)數(shù)域上大小為d×n的矩陣的集合，ρ是反射率分量，1_n是n×1的全1列向量，是1×n的全1行向量，1_d是d×1的全1列向量，β＝[β₁,β₂,…,β_n]^T是n×1方向矩陣的列向量，β^T是n×1方向矩陣的行向量，E是環(huán)境光照，E＝[E(λ₁),E(λ₂),…,E(λ_d)]^T∈R^d×1，λ代表光照波長(zhǎng)；

步驟一二、將高光譜遙感圖像在光譜維上做幾何平均去除掉由于物體表面幾何分布引起的光譜變化得到圖像包括以下步驟：

其中，I_d是d×d的單位矩陣，1_d^T是d×1的全1行向量，是去除由于物體表面幾何分布引起的光譜變化后的高光譜遙感圖像；

步驟一三、將在空間維上做幾何平均，消除由于隨空間分布變化的光照引起的光譜變化得到圖像

步驟一四、根據(jù)獲得高光譜遙感圖像中每個(gè)像素的稀疏圖編碼字典；

步驟二、根據(jù)高光譜遙感圖像的稀疏圖編碼字典獲得稀疏圖的相似度矩陣；

步驟三、根據(jù)步驟一獲得的和步驟二獲得的稀疏圖相似度矩陣獲得高光譜圖像的反射率分量。

2.根據(jù)權(quán)利要求1所述的基于稀疏圖編碼的高光譜遙感圖像本征分解方法，其特征在于：所述步驟一三中將在空間維上做幾何平均，消除由于隨空間分布變化的光照引起的光譜變化得到圖像包括以下步驟：

其中，I_n是n×n的單位矩陣，是消除由于隨空間分布變化的光照引起的光譜變化后的高光譜遙感圖像。

3.根據(jù)權(quán)利要求2所述的基于稀疏圖編碼的高光譜遙感圖像本征分解方法，其特征在于：所述步驟一四中獲得高光譜遙感圖像中每個(gè)像素的稀疏圖編碼字典，包括以下步驟：

其中，i＝1,2,…,n是高光譜遙感圖像中的像素，n是高光譜遙感圖像中的像素總數(shù)，R^d×(d+n-1)是實(shí)數(shù)域上大小為d×(d+n-1)的矩陣的集合。

4.根據(jù)權(quán)利要求3所述的基于稀疏圖編碼的高光譜遙感圖像本征分解方法，其特征在于：所述步驟二中根據(jù)高光譜遙感圖像的稀疏圖編碼字典獲得稀疏圖的相似度矩陣，包括以下步驟：

步驟二一、根據(jù)優(yōu)化準(zhǔn)則獲得高光譜遙感圖像中第i個(gè)像素的系數(shù)向量；

步驟二二、建立稀疏圖相似矩陣的定義，并獲取矩陣中定義的元素之間的關(guān)系；

步驟二三、獲得稀疏圖相似度矩陣的每個(gè)元素W(i,j)與系數(shù)向量αⁱ之間的關(guān)系，并根據(jù)獲得的關(guān)系獲得稀疏圖相似度矩陣中的每個(gè)元素；

步驟二四、相似度矩陣中所有的元素構(gòu)成高光譜遙感圖像H的稀疏圖相似度矩陣W。

5.根據(jù)權(quán)利要求4所述的基于稀疏圖編碼的高光譜遙感圖像本征分解方法，其特征在于：所述步驟二一中根據(jù)優(yōu)化準(zhǔn)則獲得高光譜遙感圖像中第i個(gè)像素的系數(shù)向量，所述優(yōu)化準(zhǔn)則如下：

其中，αⁱ∈R^d+n-1是高光譜遙感圖像中第i個(gè)像素的系數(shù)向量，R^d+n-1是實(shí)數(shù)域上大小為d+n-1的矩陣的集合。