[发明专利]一种基于提纯优化的空间目标光谱解混方法

说明书

本发明公开了一种基于提纯优化的空间目标光谱解混方法，通过提纯方法，首先对原始稀疏光谱采用可变分裂增广拉格朗日算法进行端元提取，该方法可以有效选择混合光谱的初始端元，减小计算量。然后利用端元提纯优化方法，对初始提取出的端元进行迭代提纯与优化，优化后的端元一步步逼近真实端元。最后将提纯优化后得到的端元和丰度与原始光谱进行比较，不断进行提纯操作直至提纯后的端元重构误差大于之前误差的最小值，所得的端元及丰度即为最优解。本发明具有鲁棒性强、速度快的优点，还能在低信息量的情况下准确求解。

技术领域

本发明涉及空间目标识别领域，尤其涉及一种基于提纯优化的空间目标光谱解混方法。

背景技术

随着现代科技的迅猛发展，越来越多的平台被送入太空，对于空间目标(如卫星、空间碎片、宇宙星体等)的研究，包括空间目标识别、轨道确定以及位置估计等变得越来越重要，它是进入空间、了解空间以及控制空间的基础，是空间攻防必不可少的环节。获取空间目标的光谱信息及特征对于空间目标的识别、轨道估计、卫星姿态及工作状态的判断等具有重要意义。

光谱分析技术作为一种新兴的检测分析手段已广泛应该用于航天、地质、冶金、石油、农业、化工、生物、化学等领域，采用光谱分析技术在对混合物进行研究，端元提取方法可以获得组成混合物光谱的纯物质光谱(端元光谱)，丰度估计方法可以对混合物光谱获得端元的含量信息(丰度)，光谱解混则是端元提取与丰度估计的结合。近年来，这一技术已广泛应用于显微成像光谱分析、遥感成像光谱地物分析、以及非成像光谱分析等领域，基于此，本发明旨在提出一种新的光谱解混方法，进一步推动这一技术的发展。

在地面空间目标的观测中，有些情况下受仪器设备限制只能获取点目标光谱，所得光谱数据中没有纯像元存在，而是包含目标的多种组成材料信息，形成混合光谱。且由于地面观测窗口时间有限，所得观测数据较少，以及光谱受大气、辐射、温度等影响使得信噪比较低。近年来，随着数据处理与建模的发展，光谱目标解混得到了极大地发展，出现了基于光谱线性混合模型的光谱解混方法，主要分为三类：第一类是像元纯度指数算法(Purepixel index,简称PPI)，该算法将几何凸集做为基础，对原始数据进行降维，随机生成穿过数据集内部的测试向量作为一维坐标轴，记录每个像元被投影到一维测试向量坐标的端点的次数记为PPI指数，缺点是初始测试向量的选取对结果有很大影响。第二类是N范数算法(N‐FINDER)，该方法计算单形体体积的方式确定端元位置，该方法从数据集中随机选取像元作为初始候选端元，计算由这些像元围成的单形体体积，然后用图像中的观测像元代替初始候选端元，重新计算单形体体积，反复进行代入候选、比较、取代这一过程，直到找到最大的单形体的顶点，缺点是初始端元的随机性导致端元提取结果具有不确定性和不可重复性；计算体积时需要对数据进行降维，降维操作会导致数据微弱信息的丢失；N‐FINDER算法迭代时间长，效率不高。第三类是顶点成分分析(vertex component analysis，VCA)，该算法以线性光谱混合模型的几何学描述为基础，寻找投影后具有最大投影长度的像元最为第一个端元，然后以与该端元正交的一个方向作为第二次迭代时的投影方向，计算P次正交投影后就可以得到全部端元，以很低的时间复杂度实现了端元提取，缺点是待测光谱数据中必须有端元存在。

综上所述，现有方法对光谱数据量有较大的要求，比较难适用于光谱数据量少、光谱稀疏的空间目标解混；再者，由于地面观测空间目标的窗口时间有限，且光谱受大气、辐射、温度等影响使得信噪比较低，现有方法难以在低信噪比的情况下有效进行光谱解混；其次，现有方法初始端元选择随机性较强，对结果有较大影响。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种简单、快速、高效的基于提纯优化的空间目标光谱解混方法，以解决现有技术在光谱数据量少、信噪比低、待测光谱数据中无纯端元的情况下的光谱解混问题，且端元选择具有确定性，减少了初始计算的复杂度。