[发明专利]基于低秩分解和空谱约束的高光谱图像时变特征提取方法有效
申请号: | 201710706837.1 | 申请日: | 2017-08-17 |
公开(公告)号: | CN107609573B | 公开(公告)日: | 2020-11-10 |
发明(设计)人: | 陈昭;卢婷 | 申请(专利权)人: | 东华大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06F17/16 |
代理公司: | 上海申汇专利代理有限公司 31001 | 代理人: | 翁若莹;柏子雵 |
地址: | 200050 上*** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明涉及一种基于低秩分解和空谱约束的高光谱图像时变特征提取方法,主要包括以下步骤:计算在不同时间同一地点采集的两组高光谱遥感图像的差异图像;利用差异图像的内在数据结构特性建立带空谱约束的低秩矩阵分解模型;通过交替迭代的方式求解该模型的各分量,进而提取时域变化特征。本发明充分利用数据的内在结构,提出一种带空谱约束的低秩矩阵分解模型及其求解算法,有效提取时域变化特征、去除多种形式的噪声,增强真实变化、抑制噪声所导致的虚假变化,从而提高时变高光谱遥感图像的变化检测精度。 | ||
搜索关键词: | 基于 分解 约束 光谱 图像 特征 提取 方法 | ||
【主权项】:
一种基于低秩分解和空谱约束的高光谱图像时变特征提取方法,其特征在于,包括以下步骤:步骤1、计算在不同时间同一地点采集的两组高光谱遥感图像T1∈RM×B和T2∈RM×B的差异图像Y∈RM×B,其中Y=T1‑T2;M为样本数,令I和J分别表示图像的行数和列数,则有M=I×J;B为样本维度;步骤2、建立带空谱约束的低秩矩阵分解模型:Y=L+S+N (1)式(1)中,L∈RM×B为低秩数据,且具有空谱约束所刻画的空谱特性,用于表示时域变化特征;S∈RM×B为稀疏矩阵,用于描述异常点;N∈RM×B为高斯噪声。引入变量X∈RM×B,得到式(1)所述模型的优化求解函数:minL,S||L||*+λ||S||1+τ||X||SSs.t.||Y-L-S||F2≤ϵ,L=X---(2)]]>式(2)中,τ为约束系数;ε为阈值;|·||SS为空谱约束项:|X||SS=Σi=1IΣj=1JΣw=1W2-1ωijw||xij-xijw||22---(3)]]>式(3)中,xij∈RB×1为ΘX∈RI×J×B中当前被处理的像素,Θ是将J×B矩阵重新排列成I×J×B三阶张量的算子;为以xij为中心的W×W空间邻域中除xij之外的像素;W和均为预先设定的常数,调节W和的值可以控制时变特征的平滑程度,防止过平滑;令W为正奇数,在ΘX中的空间坐标为(in,jn),i,in∈{1,2,…,I},j,jn∈{1,2,…,J},且(in,jn)≠(i,j),则有步骤3、采取交替迭代的方式对式(1)和式(2)的L,S,X,N进行求解,包括以下步骤:步骤3.1、通过增广拉格朗日乘子法将式(2)转化为:minl(L,S,X,Λ1,Λ2)=argminL,S,X,Λ1,Λ2||L||*+λ||S||1+τ||X||SS+<Λ1,Y-L-S>+<Λ2,X-L>+μ2(||Y-L-S||F2+||X-L||F2)---(4)]]>式(4)中,Λ1和Λ2是拉格朗日乘子;μ是惩罚因子,由式(4)得到:L(t+1)=argminL||L||*+<Λ1(t),Y-L-S(t)>+<Λ2(t),X(t)-L>+μ2(||Y-L-S(t)||F2+||X(t)-L||F2)=argminL||L||*+μ||12(Y+X(t)-S(t)+1μ(Λ1(t)+Λ2(t)))-L||F2---(5)]]>S(t+1)=argminSλ||S||1+μ2||S-(Y-L(t+1)+Λ1(t)μ)||22---(6)]]>X(t+1)=argminXJ(X)=argminX12||X-Q||22+τμ||X||SS---(7)]]>式(5)、(6)、(7)中,t表示迭代次数,且t=0,1,…,tmax,tmax为迭代次数上限;步骤3.2、整理式(5)、(6)、(7)、(1)依次得到L,S,X,N的解。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于东华大学,未经东华大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201710706837.1/,转载请声明来源钻瓜专利网。