[发明专利]基于光谱库裁剪与协同稀疏回归的高光谱数据解混方法

说明书

本发明公开了一种基于光谱库裁剪与协同稀疏回归的高光谱数据解混方法，包含如下步骤：输入光谱库和待解混高光谱数据；光谱库初始化与光谱数据矩阵构造；构建光谱拟合误差保真项；构建丰度矩阵协同稀疏性约束项；构建光谱库裁剪的稀疏正则化项；建立光谱库裁剪和协同稀疏回归模型；迭代求解光谱库裁剪和协同稀疏回归模型；输出裁剪后的光谱库和端元丰度图。本发明为缓解光谱库端元与实际场景中端元的误匹配问题，建立协同稀疏回归模型，进行目标函数最优化解混，提高了解混的精度，降低了端元误匹配率，增强了对光谱幅度变化和噪声的鲁棒性；可广泛应用于环境监测、矿产勘探和精准农业等领域的高光谱数据解混应用。

技术领域

本发明涉及遥感高光谱数据处理技术，具体涉及一种基于光谱库裁剪与协同稀疏回归的高光谱数据解混方法。

背景技术

高光谱数据由于其光谱相关性及丰富的空间信息而被广泛应用于军事监测、精准农业和矿物勘探等领域。其中，高光谱数据解混是定量遥感分析的关键技术。高光谱数据解混的基本原理是将单个像元光谱分解成若干个纯净像元光谱的组合。其理论依据是由于成像光谱仪空间分辨率的限制，获得的高光谱图像中存在大量的混合像元，每个混合像元中包含多种纯净物质。

目前已经提出了许多针对高光谱数据的解混算法，包括纯净像元指数、顶点成分分析、独立成分分析和相关成分分析等。但是上述几类方法都是从高光谱数据中提取端元。经过数十年的研究，人们已经收集许多矿物的标准光谱，形成了庞大的光谱库，完全可以利用光谱库省去端元提取的步骤，直接进行光谱解混。

2014李云松等人提出了基于邻域光谱加权的高光谱图像稀疏解混方法[西安电子科技大学,中国,基于邻域光谱加权的高光谱图像稀疏解混方法[p].发明申请 ,CN103810715A,2014-03-12]，取得了良好的解混效果。但是由于温度、光照等的影响，同一种矿物在实验室收集到的光谱曲线和在真实环境下收集到的光谱曲线有所偏差。上述方法不能有效处理光谱变化现象，当数据存在大量噪声时，算法的解混效果下降。

发明内容

本发明的目的在于提供一种基于光谱库裁剪与协同稀疏回归的高光谱数据解混方法。

实现本发明目的的技术解决方案为：一种基于光谱库裁剪与协同稀疏回归的高光谱数据解混方法，包含如下步骤：

步骤1，输入光谱库和待解混高光谱数据；

步骤2，光谱库初始化与光谱数据矩阵构造；

步骤3，构建光谱拟合误差保真项；

步骤4，构建丰度矩阵协同稀疏性约束项；

步骤5，构建光谱库裁剪的稀疏正则化项；

步骤6，建立光谱库裁剪和协同稀疏回归模型；

步骤7，迭代求解光谱库裁剪和协同稀疏回归模型；

步骤8，输出裁剪后的光谱库和端元丰度图。

本发明与现有技术相比，其显著优点在于：(1)本发明充分考虑了稀疏解混过程中存在的光谱误匹配现象，利用光谱变化具有稀疏性的先验知识，并结合协同稀疏回归框架，对光谱误匹配现象进行建模，与传统的稀疏解混方法相比，改善了解混的效果，增强了对光谱幅度变化和噪声的鲁棒性；(2)本发明可广泛应用于环境监测、矿产勘探和精准农业等领域的高光谱数据解混应用。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是本发明的基于光谱库裁剪与协同稀疏回归的高光谱数据解混方法流程图。

图2(a)是Cuprite数据集上使用Tetracorder软件得到的明矾石矿物丰度图。

图2(b)是Cuprite数据集上使用SUnSAL方法得到的明矾石矿物丰度图。