[发明专利]一种基于3D谱-空抗干扰的高光谱解混方法

说明书

本发明公开的一种基于3D谱‑空抗干扰的高光谱解混方法，包括如下步骤：利用高光谱图像提取初始端元和丰度；对高光谱图像数据空间进行转换，重新评价变换域中的各维度的优先级；根据各维度优先级的贡献度进行加权操作；对原始高光谱图像进行超像素分割，将高光谱图像划分为多个近似同质空间；利用超像素设计丰度局部相似约束；根据波段优先级和局部相似约束迭代优化丰度和端元；该方法根据各维度优先级的贡献度进行加权，削弱高阶统计量的贡献，提高低阶统计量的重要度来改善光谱的纯净度，利用超像素来诱导子空间内的结构稀疏性和局部相似性，降低对像素噪声和光谱变异性等干扰的敏感度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于3D谱-空抗干扰的高光谱解混方法。

背景技术

高光谱成像设备能够捕获成百上千的连续波段，每一个像素点能够构成一条光滑的光谱曲线，被广泛用于表征不同地物信息，具有重要的应用价值。然而，传感器的高光谱分辨率牺牲了空间分辨率，导致捕获的高光谱图像(HSIs)包含大量的混合像元，对地物的精准识别造成严重影响，为此高光谱解混技术受到了广泛的关注。

非负矩阵分解是高光谱解混任务中的一个经典算法，但是其生成的解空间不唯一，为此，通常将空间信息集成到非负矩阵分解中，但是只注重空间维度的噪声变异性影响，并不能很好的解决问题，因为在真实的高光谱图像中，一些受到水蒸气，大气损害严重的低信噪比波段被手动移除。这证明波段噪声是普遍存在的。因此光谱维度的噪声干扰也很严重。而且依靠先验信息手动消除波段噪声是一项高成本的工作，不具有普适性。

因此一些工作已经开始关注波段噪声的影响，取得了不错的效果。但是大都只是基于受到噪声破坏的数据空间下对各波段的噪声进行衡量，并根据估计的噪声含量按波段设置权重或是利用所有数据对各波段进行线性再表示以使噪声趋于边缘化，但是这类方法并没有有效地使噪声和低秩成分分离，难以避免各维度上噪声和低秩成分的混淆，对端元和丰度的精确分离产生进一步的干扰。

发明内容

根据现有技术存在的问题，本发明公开了一种基于3D谱-空抗干扰的高光谱解混方法，具体采用如下步骤：

初始化端元矩阵E，丰度矩阵A。

通过非负矩阵分解方法求解E和A。基础的非负矩阵分解目标函数定义如下：

考虑到高光谱成像过程中，受到外界因素的干扰，导致捕获的图像中包含大量的噪声。这些噪声按照不同的属性可分为波段噪声和像素噪声。为了有效消除波段噪声的干扰，我们需要对数据空间进行转换，将波段的高阶统计量和低阶统计量分离开。使有效成分分布在靠前的维度上。具体地，我们需要对数据进行统计分析，我们首先度量数据样本X中各波段的线性相关程度。

其中，σ(·)为协方差统计函数，表示第l个波段向量，μ为均值波段向量。然后我们对Σ进行分解，得到包含L个空间转换基向量的矩阵M∈R^L×L以及各维度信息的贡献度Z。

Σ＝MZM^T (3)

此外，考虑到各维度的贡献不同，我们可以使用Z对各维度进行加权。但是值得注意的是，Z中各波段的贡献系数差距很大，而权重的设定不仅要考虑到对空间信息的影响，更要考虑光谱信息。为了平衡它们的关系，我们将各波段的贡献系数C设置为即因此可构建关于端元E和丰度A的目标函数为

除了考虑波段信息的影响，空间信息也不能被忽略。相邻的像素通常是由同种材料构成的，有效的利用局部空间的上下文信息能够较好地提高解混的性能，消除空间噪声和变异性等干扰。使用超像素分割方法将该场景分割成S个局部邻域空间，考虑到每个子空间内像素具有同质性，因此我们首先约束局部区域Ω_s内各像素a_j的相似性，可以得到：