[发明专利]一种基于非负矩阵分解的即插即用高光谱图像解混方法

说明书

本发明公开了一种基于非负矩阵分解的即插即用高光谱图像解混方法，本发明联合考虑了手动选择正则项和通过学习获得的正则项，进而利用高光谱图像中的先验信息。本方法使用降噪器学习光谱和空间信息，避免人工设计正则化器和解决复杂的优化问题。本发明也使用了手工正则项来引入图像中一些物理上明确的先验。本发明以稀疏正则项为例，加入丰度稀疏的先验知识，说明联合使用设计的正则化项和学习的正则项可以有效提高解混精度。本发明中的降噪器不仅能够引入先验信息，同时，降噪器的降噪特性也提高了算法对噪声的鲁棒性。

技术领域

本发明属于图像处理领域，具体涉及一种基于非负矩阵分解的即插即用高光谱图像解混方法。

背景技术

高光谱遥感成像技术的发展，使图像光谱分辨率得到了很大的提高，可以在数十纳米的较窄带中收集并形成图像数据，以获得更丰富的空谱信息。高光谱图像数据极高的光谱分辨率赋予了它诊断精细光谱特征和识别分析地物类型、材质及物质组分的能力，在矿物勘查、农作物评估、环境监测以及城市规划等领域都具有良好的应用前景。但是，由于受到空间分辨率的限制，成像光谱仪常常不能将所有不同的物体全部分离开来，会产生多个物体共用一个像元的现象。这一现象给高光谱遥感数据解译和分析带来了困难，尤其是对精细地物分类和目标检测等高光谱应用造成了不利影响。所以，混合像元解混是高光谱图像信息处理中急需解决的重要问题之一。

目前在高光谱解混方面已经做了大量的工作，主要分为两类：其一是监督类解混技术，分端元提取和丰度反演两步进行；其二是非监督类解混技术，通过算法同时提取端元和丰度信息。非负矩阵分解(NMF)方法是一种广泛使用的非监督解混方法。然而，NMF是一个非凸问题，没有唯一解。为了克服这一缺点，可以在目标函数中加入正则化项，约束解的空间，并利用高光谱图像的空间和光谱特性。其中一类典型的算法，就是基于全变分(TV)正则项的，以增强估计丰度的空间一致性。非局部TV正则项会考虑非局部空间信息，可以充分利用整个图像中的相似结构。由于混合像元通常包含端元的一个子集，提高稀疏度的正则化方法也得到了广泛的应用，研究者通常使用L1或L0范数来约束空间域和谱域，以增强解的稀疏性。由此可见，适当引入约束条件，巧妙地设计正则项，在解混性能的提高方面起着重要作用。但是还存在以下缺点：

一，缺乏灵活性，需要手动选择正则项的种类；

二，对于不同的正则项需要设计不同的优化问题求解方法，求解复杂，无法实现高光谱图像的快速解混；

三，对于噪声含量高的图像解混效果差，计算结果精度低。针对这样的局限性，可以通过即插即用的方法，通过正则、结构替换等方式，将先验引入数学模型的建立过程，既能避免人工构建和设计图像先验，又不增加数学优化模型的求解难度。

发明内容

本发明的目的在于克服上述不足，提供一种基于非负矩阵分解的即插即用高光谱图像解混方法，以解决现有的解混方法，正则项选择缺乏灵活性，优化问题求解过程复杂，图像解混效果差，计算结果精度低的技术问题。

为了达到上述目的，本发明包括以下步骤：

S1，获取待解混三维高光谱图像，对待解混三维高光谱图像进行重构，得到二维高光谱图像；

S2，对二维高光谱图像进行最小化投影，利用最小化投影后的噪声能量和投影信号误差能量之和，在正交子空间中，确定二维高光谱图像的端元数量；

S3，构建包含先验正则项的损失函数；

S4，引入辅助变量，对损失函数进行等价形式转化，得到转化后的损失函数和对应的增广拉格朗日函数；

S5，使用VCA端元提取结果初始化端元矩阵，使用FCLS丰度估计结果初始化丰度矩阵和辅助变量；

S6，根据端元的最小化损失函数估计端元；

S7，根据丰度的最小化损失函数估计丰度；