[发明专利]一种基于随机投影的高光谱图像稀疏解混方法

说明书

(一)技术领域：

本发明涉及一种基于随机投影的高光谱图像稀疏解混方法，属于高光谱遥感图像分析技术领域。

(二)背景技术：

在过去三十年间，随着成像光谱技术(imaging spectroscopy)的不断发展，在飞机或卫星平台上搭载的成像光谱仪(imaging spectrometer)采集得到的遥感图像(remote sensingimages)包含了越来越丰富的空间、辐射和光谱信息，从而为地表物质的信息提取和目标检测提供了一个强有力的手段。光谱分辨率作为遥感技术发展的一个重要指标，目前已由多光谱发展到高光谱，正向超高光谱发展。

一般来说，在同一环境下，由同一光谱传感器检测得到的物质光谱具有不同物质不同光谱特征的特点。根据这一特点，可以对高光谱图像的每一个像素点进行物质分析。然而由于遥感探测仪器较低的空间分辨率限制以及自然界地物的复杂多样性，使得单个像元点的光谱特征反映的不一定只是一种物质的特性，而可能是几种不同物质光谱的混合，这样的特征像素点被称为混合像元(mixed pixel)。为了提高遥感应用的精度，就必须解决混合像元的分解问题，使遥感应用由像元级达到亚像元级。进入像元内部，将混合像元分解为不同的“基本组成单元”，或称“端元”(endmember)，并求得这些基本组分所占的比例，或称“丰度”(abundance fractions)，这就是所谓的“光谱解混”过程(spectral unmixing)(童庆禧，张兵，郑兰芬.高光谱遥感——原理、技术与应用[M].高等教育出版社2006)。光谱解混分析实现了高光谱数据的定量分析。

传统的高光谱图像解混方法是：首先利用端元选择(endmember selection)技术获取存在于高光谱图像中的成份光谱；然后通过混合像元分解(mixed pixel decomposition)技术确定各个端元在混合像元中所占的比例。由于这类方法是以端元光谱为条件建立的，因此必须先以监督或非监督的方法找到所谓的端元光谱。近年来，随着盲信号分离(blind source separation，BSS)和非负矩阵分解(Nonnegative Matrix Factorization，NMF)技术的兴起和发展，非监督的光谱解混技术逐渐受到遥感学者们的重视。它是指在端元信息完全未知的情况下，直接从遥感图像本身入手，根据混合像元的光谱模型以及约束条件等信息，利用非监督的信号处理方法得到端元光谱及其组分信息。目前，非监督的光谱解混算法主要集中在两个方向：基于凸集理论的单纯形几何学方法和基于盲信号分离(BSS)技术的独立成分分析(Independent Component Analysis，ICA)及非负矩阵分解(nonnegative matrix factorization，NMF)方法。这两种算法在混合像元分解上都可以获得较为精确的分解结果，但同时也面临一些需要解决的问题。例如，单纯形方法往往需要假设高光谱图像数据中的每一个端元均存在纯像元，否则分解精度会受到显著影响。非负矩阵分解方法存在很多局部极小，这会造成分解的不唯一，极大的影响了算法的性能。

随着高光谱成像仪的广泛应用，高光谱数据库得到不断完善，越来越多纯物质的光谱特征得到测量，一种基于高光谱数据库的半监督解混算法成为研究的热点，即高光谱图像稀疏解混方法。它将高光谱数据库所有的物质光谱作为假想的端元，真正的端元在光谱库中所占的比例是很小的。高光谱图像稀疏解混的目的就是要找到每个像元光谱在高光谱数据库中的稀疏表达。可以利用假想端元的丰度稀疏性作为正则化项，求解所有假想端元所对应的丰度，并在光谱库中挑选出真正的端元。稀疏解混方法能够准确直接的找到端元，避免了前两种方法求解端元不精确的问题。

三种高光谱图像解混技术面对的共同问题是海量的高光谱数据造成解混过程中计算机内存不足以及计算时间较长。针对上述问题，本发明采用随机投影算法将海量的高光谱数据投影在较低维的空间，以投影后的较少量数据代替原始数据进行稀疏解混处理，并采用分裂Bregman算法对高光谱图像所有的像素点进行整体处理，来代替传统的逐个像素进行解混的方式，进一步减少时间消耗，取得了较好的效果。

(三)发明内容：

1、目的：本发明的目的是提供一种基于随机投影的高光谱图像稀疏解混方法，此方法能够对原始海量高光谱数据进行降维处理，减少内存消耗和计算时间；并利用高光谱数据库，为丰度加以稀疏性约束，进而求得高光谱图像每个像元的组成物质以及其含量百分比，实现高光谱图像的定量分析。

2、技术方案：本发明是通过以下技术方案实现的：