[發明專利]基于信息熵稀疏的深度非負矩陣解混方法和存儲介質

在審

• 申請號: 202110914378.2
• 申請日: 2021-08-10
• 公開（公告）號: CN113836483A
• 公開（公告）日: 2021-12-24
• 發明（設計）人: 趙瑋豪;李杏梅
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06F17/16
• 分類號: G06F17/16;G06F17/15
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種基于信息熵稀疏的深度非負矩陣解混方法和存儲介質，方法包括：對端元矩陣和豐度矩陣進行VCA?FCLS初始化，并建立深度NMF解混模型；將初始化后的端元矩陣和初始化后的豐度矩陣作為第一目標函數的輸入，并利用第一目標函數，基于乘性迭代規則對深度NMF解混模型預訓練；利用梯度下降法迭代更新預訓練后的端元矩陣和豐度矩陣；將更新后的端元矩陣和更新后的豐度矩陣作為第二目標函數的輸入，并利用第二目標函數對預訓練后的NMF解混模型迭代微調；再次迭代更新微調后的端元矩陣和豐度矩陣，并通過數據分析確定第二目標函數的最優參數；根據最優參數獲得NMF解混模型的全局最優解。

技術領域

本發明涉及圖像處理技術技術領域，具體涉及一種基于信息熵稀疏的深度非負矩陣解混方法和存儲介質。

背景技術

高光譜解混技術是一項重要的圖像處理技術，被廣泛應用于農業、礦產勘探和環境監測等各領域。其中，非負矩陣分解(NMF)算法是研究的熱門，但NMF算法有明顯的非凸性，存在多個局部極小值。且大多數基于NMF的解混方法只考慮單層中的信息，而忽略了原始數據包含具有隱藏信息的分層特征的事實，對于復雜和高度混合的數據而言，這可能會導致解混性能不理想。

發明內容

本發明解決的一個主要問題是現有技術中對于復雜和高度混合的數據而言，基于NMF的解混方法解混性能不理想的問題。

根據本發明的一個方面，本發明提供一種基于信息熵稀疏的深度非負矩陣解混方法，包括：

對端元矩陣和豐度矩陣進行VCA-FCLS初始化，并建立深度NMF解混模型；

將初始化后的所述端元矩陣和初始化后的所述豐度矩陣作為第一目標函數的輸入，并利用所述第一目標函數，基于乘性迭代規則對所述深度NMF解混模型預訓練，所述第一目標函數為：

其中，A為光譜特征矩陣,S為豐度矩陣，X為具有B個波段和P個像元的高光譜數據集，S_ij代表第i種地物類型在第j個像元的豐度，i＝1,2,...,M，j＝1,2,...,P；λ是正則化參數；

利用梯度下降法迭代更新預訓練后的所述端元矩陣和所述豐度矩陣；

將更新后的所述端元矩陣和更新后的所述豐度矩陣作為第二目標函數的輸入，并利用所述第二目標函數對預訓練后的所述NMF解混模型迭代微調，所述第二目標函數為：

其中，minf(A,S)表示重構誤差，l表示第l層，L表示最后一層，代表第l層的重構的豐度矩陣，ψ_l-1＝A₁A₂…A_l-1，且對于ψ_l-1，當且僅當l＝1時，代表一個單位矩陣；

再次迭代更新微調后的所述端元矩陣和所述豐度矩陣，并通過數據分析確定所述第二目標函數的最優參數；

根據所述最優參數獲得所述NMF解混模型的全局最優解。

進一步地，所述深度NMF解混模型的數學表達式為：

X≈A₁A₂…A_L-1A_LS_L。

進一步地，所述利用所述第二目標函數對預訓練后的所述NMF解混模型迭代微調還包括：

對所述深度NMF結構的每個中間層結果均進行微調；

進一步地，所述基于乘性迭代規則對所述深度NMF解混模型預訓練還包括：

重新定義高光譜數據集為第一表達式：