[发明专利]一种基于丰度的高光谱图像显著性分析方法

权利要求书

1.一种基于丰度的高光谱图像显著性分析方法，其特征在于，构造用于解混的自动编码器模型，该模型包括编码部分和解码部分，编码部分的最后一层表示提取到的丰度向量，解码部分的权重表示提取到的端元；利用训练好的模型的编码部分计算每个像元的丰度；利用获取的丰度计算每个像元的纯度，并选出纯度高的像元作为显著性像元。

2.按照权利要求1所述的构造用于解混的自动编码器模型，该模型包括编码部分和解码部分，编码部分的最后一层表示提取到的丰度向量，解码部分的权重表示提取到的端元，其特征在于，包括以下步骤：

21)构建模型的编码部分。除去输入层，编码部分共有六层，前四层为隐藏层，每个隐藏层之后为一个非线性激活函数ReLU，如式(1)所示。

g(z)＝max{0,z} (1)

为了有效地训练所构建的网络，将第六层设置为批量归一化(Batch Norm,BN)层，它可以使该层的分布转化为均值为0，方差为1的标准正态分布，如式(2)所示。

z_i+1＝BN(z_i)＝γz_i+β (2)

其中，z_i和z_i+1分别表示该层的输入和输出，γ和β是两个可学习的参数。第七层使用具有动态阈值α的软阈值ReLU激活函数，其中动态阈值α是可学习的参数，如式(3)所示。

g(z)＝max(0,z-α) (3)

22)构建模型的解码部分。解码部分由一层线性函数组成，且这层的权重表示提取到的端元。

23)利用设计好的模型，将高光谱的所有光谱曲线输入到网络中以优化网络参数。

3.按照权利要求1所述的利用训练好的模型的编码部分计算每个像元的丰度，其特征在于，将高光谱图像中所有光谱曲线都输入模型的编码部分，从而计算出每个像元的丰度分数。

4.按照权利要求1所述的利用获取的丰度信息计算每个像元的纯度指数，并选出纯度较高的像元作为显著性像元，其特征在于，包括以下步骤：

41)计算像元纯净度。为了寻找高光谱图像中的显著性像元，同时由于丰度值可以归一化为零到一之间的数值，因此可以使用p范数衡量每个像元的纯度，如式(4)所示。

由于对于高光谱图像中的某一个像元，其丰度之和为1，因此越大，表明该像元越纯净。

42)通过纯度指数对像元进行排序，选择前百分之t的像元作为显著性像元。