CN103854263B - 一种基于正交约束投影解混模型的消噪解混方法 - Google Patents
一种基于正交约束投影解混模型的消噪解混方法 Download PDFInfo
- Publication number
- CN103854263B CN103854263B CN201410119157.6A CN201410119157A CN103854263B CN 103854263 B CN103854263 B CN 103854263B CN 201410119157 A CN201410119157 A CN 201410119157A CN 103854263 B CN103854263 B CN 103854263B
- Authority
- CN
- China
- Prior art keywords
- matrix
- solution
- mixed
- abundance
- orthogonality constraint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种基于正交约束投影解混模型的消噪解混算法,包括以下步骤:噪声估计、建立正交约束投影解混模型和解混算法。本发明具有以下优点:(1)高光谱数据去噪处理后,再建立的解混模型,因为不受噪声的干扰,解混结果更加稳定;(2)对丰度矩阵施加正交约束,将传统的线性模型优化问题转化为最小化“单位矩阵与对称矩阵(转置的丰度矩阵与丰度矩阵的乘积)差值”,为了最小化该差值,应尽量使得丰度矩阵的行向量正交,从而在不需要选择稀疏约束系数的情况下促进解混结果的稀疏性;(3)只需要设置丰度矩阵的初始值,降低了解混结果对初始值的依赖性。
Description
技术领域
本发明涉及消噪解混算法的技术领域,特别是基于正交约束投影解混模型的消噪解混算法的技术领域。
背景技术
在对高光谱遥感图像进行信息提取时,混合像元的存在是传统的像元级遥感分类和面积测量精度难以达到实用要求的主要限制原因,这造成了高精度地物分类、地面目标检测、识别和遥感解译的困扰,成为遥感技术定量化深入发展的障碍。混合像元解混研究把混合像元进行有效地分解,得到端元和其对应的比例(丰度)。传统的线性模型把随机误差看作为加性噪声,在混合像元解混过程中以最小化随机误差为目标,但是解混结果不稳定并依赖于初始值;且解混结果对噪声特别敏感,随着噪声的变化,解混结果收敛于不同的局部最小值。
发明内容
本发明的目的就是解决现有技术中的问题,提出一种基于正交约束投影解混模型的消噪解混方法,首先对高光谱数据进行噪声提取,接着利用正交约束的投影模型代替传统的线性模型,解混结果更加稳定,能在不需要选择稀疏约束系数的情况下促进解混结果的稀疏性。
为实现上述目的,本发明提出了一种基于正交约束投影解混模型的消噪解混方法,依次包括以下步骤:
a)噪声估计:考虑到噪声影响解混结果的稳定性及精确性,首先提取高光谱数据中的噪声,然后根据多元回归理论来评估加性噪声,具体步骤如下:
step1:输入高光谱数据;
step2:令;
step3:对于公式将i从1到M进行迭代运算,其中,令,则有;
step4:输出噪声矩阵;
b)建立正交约束投影解混模型:正交约束投影解混模型将端元矩阵假设为去噪后的高光谱数据在转置的丰度矩阵上的投影,即得到,去噪后的高光谱数据,其中;正交约束投影解混模型表示为,令为丰度矩阵行向量之间非正交引起的误差矩阵,是单位矩阵,则表示矩阵与误差矩阵的乘积,则,正交约束投影解混模型将混合像元解混问题转化为最小化误差矩阵,由于为去噪后的高光谱数据,可视为常数,因此矩阵的大小依赖于矩阵,即在最小化矩阵的基础上,求解丰度矩阵,再由丰度矩阵计算端元矩阵;
c)解混算法:为了获得稀疏的解混结果,正交约束投影解混模型的优化问题转化为最小化误差矩阵,即,表示一种酉不变范数,采用NMF算法推导的丰度矩阵,由公式求解端元矩阵;根据NMF乘法迭代法则有,其中及分别表示点乘及点除,将公式带入,则丰度矩阵为:,基于去噪的正交约束投影模型的解混算法具体步骤如下:
step1:输入去噪后的高光谱数据;
step2:输入丰度矩阵的初始值,把基于最小二乘的VCA算法求解结果作为丰度矩阵初始值;
step3:将i从1开始对进行迭代更新,将矩阵中小于零的元素置零处理,直到满足最大迭代次数,或者满足误差矩阵的条件时停止迭代,其中;
step4:输出丰度矩阵,并由公式计算端元矩阵。
作为优选,所述步骤a)中对于提取的高光谱数据,把AVIRIS成像光谱仪获取的高光谱数据的噪声近似为加性噪声。
作为优选,所述步骤a)中的表示噪声建模时的误差,取为0向量。
作为优选,所述b)步骤中为了从理论上定量评估正交约束投影模型解混结果的精确性,利用均方差准则推导丰度矩阵的均方差,用表示公式中丰度矩阵的均方差, ,表示计算数学期望,表示实测的丰度矩阵,代表中的端元矩阵的伪逆矩阵,,将公式和代入,则有:
,由于对于任意两个变量及,迹运算满足,因此正交约束投影解混模型的丰度矩阵均方差为,分别表示端元个数及去噪后的高光谱数据,可看作为常数,因此丰度矩阵均方差与变量之间的关系表示为:,将公式代入公式的左边,则。
本发明的有益效果:本发明首先对高光谱数据进行噪声提取,接着利用正交约束的投影模型代替传统的线性模型,具有以下几个优点:<1>高光谱数据去噪处理后,再建立的解混模型,因为不受噪声的干扰,解混结果更加稳定;<2>对丰度矩阵施加正交约束,将传统的线性模型优化问题转化为最小化“单位矩阵与对称矩阵(转置的丰度矩阵与丰度矩阵的乘积)差值”,为了最小化该差值,应尽量使得丰度矩阵的行向量正交,从而在不需要选择稀疏约束系数的情况下促进解混结果的稀疏性;<3>经典的盲混合像元解混在未知端元矩阵及丰度矩阵的情况下,需要同时设置端元矩阵及丰度矩阵的初始值;本发明提出混合像元解混算法,只需要设置丰度矩阵的初始值,降低了解混结果对初始值的依赖性。在模拟数据及实际数据上的实验表明,基于去噪的正交约束投影模型的算法解混性能均要比其他算法好。
具体实施方式
本发明一种基于正交约束投影解混模型的消噪解混方法,依次包括以下步骤:
a)噪声估计:考虑到噪声影响解混结果的稳定性及精确性,首先提取高光谱数据中的噪声,然后根据多元回归理论来评估加性噪声,具体步骤如下:
step1:输入高光谱数据;
step2:令;
step3:对于公式将i从1到M进行迭代运算,其中,令,则有;
step4:输出噪声矩阵;
b)建立正交约束投影解混模型:正交约束投影解混模型将端元矩阵假设为去噪后的高光谱数据在转置的丰度矩阵上的投影,即得到,去噪后的高光谱数据,其中;正交约束投影解混模型表示为,令为丰度矩阵行向量之间非正交引起的误差矩阵,是单位矩阵,则表示矩阵与误差矩阵的乘积,则,正交约束投影解混模型将混合像元解混问题转化为最小化误差矩阵,由于为去噪后的高光谱数据,可视为常数,因此矩阵的大小依赖于矩阵,即在最小化矩阵的基础上,求解丰度矩阵,再由丰度矩阵计算端元矩阵;
c)解混算法:为了获得稀疏的解混结果,正交约束投影解混模型的优化问题转化为最小化误差矩阵,即,表示一种酉不变范数,采用NMF算法推导的丰度矩阵,由公式求解端元矩阵;根据NMF乘法迭代法则有,其中及分别表示点乘及点除,将公式带入,则丰度矩阵为:,基于去噪的正交约束投影模型的解混算法具体步骤如下:
step1:输入去噪后的高光谱数据;
step2:输入丰度矩阵的初始值,把基于最小二乘的VCA算法求解结果作为丰度矩阵初始值;
step3:将i从1开始对进行迭代更新,将矩阵中小于零的元素置零处理,直到满足最大迭代次数,或者满足误差矩阵的条件时停止迭代,其中;
step4:输出丰度矩阵,并由公式计算端元矩阵。
所述步骤a)中对于提取的高光谱数据,把AVIRIS成像光谱仪获取的高光谱数据的噪声近似为加性噪声,所述步骤a)中的表示噪声建模时的误差,取为0向量,所述b)步骤中为了从理论上定量评估正交约束投影模型解混结果的精确性,利用均方差准则推导丰度矩阵的均方差,用表示公式中丰度矩阵的均方差, ,表示计算数学期望,表示实测的丰度矩阵,代表中的端元矩阵的伪逆矩阵,,将公式和代入,则有:
,由于对于任意两个变量及,迹运算满足,因此正交约束投影解混模型的丰度矩阵均方差为,,分别表示端元个数及去噪后的高光谱数据,可看作为常数,因此丰度矩阵均方差与变量之间的关系表示为:,将公式代入公式的左边,则。
为了更进一步精确地评价我们提出的算法在实际数据上的混合像元解混性能,我们还采用从USGS库中选取相应端元的光谱作为参考端元特征。我们比较算法NOCPMUA(基于去噪的正交约束投影模型的解混算法)、NMF-SMC、、VCA及SISAL五种算法的解混性能,每种算法分别运行30次,并取SADj,(j表示第j个端元的光谱角)的平均值进行比较。基于结果可以看出NOCPMUA算法能够提取出最多的矿物质端元且能够提供最好的综合解混结果,特别是在提取绿脱石及黄铁甲石时,算法NOCPMUA的平均光谱角分别为0.1331、0.1398,要比解混性能排在第二位的算法的平均光谱角小0.1069、0.1199。此外,其他的解混算法提取的端元的标准差均明显大于NOCPMUA算法,这表明其他算法受噪声影响解混结果极不稳定。
上述实施例是对本发明的说明,不是对本发明的限定,任何对本发明简单变换后的方案均属于本发明的保护范围。
Claims (3)
1.一种基于正交约束投影解混模型的消噪解混方法,依次包括以下步骤:
a)噪声估计:考虑到噪声影响解混结果的稳定性及精确性,首先提取高光谱数据中的噪声,然后根据多元回归理论来评估加性噪声,具体步骤如下:
step1:输入高光谱数据;
step2:令;
step3:对于公式将i从1到M进行迭代运算,其中,令,则有;
step4:输出噪声矩阵;
b)建立正交约束投影解混模型:正交约束投影解混模型将端元矩阵假设为去噪后的高光谱数据在转置的丰度矩阵上的投影,即得到,去噪后的高光谱数据,其中;正交约束投影解混模型表示为,令为丰度矩阵行向量之间非正交引起的误差矩阵,是单位矩阵,则表示矩阵与误差矩阵的乘积,则,正交约束投影解混模型将混合像元解混问题转化为最小化误差矩阵,由于为去噪后的高光谱数据,可视为常数,因此矩阵的大小依赖于矩阵,即在最小化矩阵的基础上,求解丰度矩阵,再由丰度矩阵计算端元矩阵;
c)解混算法:为了获得稀疏的解混结果,正交约束投影解混模型的优化问题转化为最小化误差矩阵,即,表示一种酉不变范数,采用NMF算法推导的丰度矩阵,由公式求解端元矩阵;根据NMF乘法迭代法则有,其中及分别表示点乘及点除,将公式带入,则丰度矩阵为:,基于去噪的正交约束投影模型的解混算法具体步骤如下:
step1:输入去噪后的高光谱数据;
step2:输入丰度矩阵的初始值,把基于最小二乘的VCA算法求解结果作为丰度矩阵初始值;
step3:将i从1开始对进行迭代更新,将矩阵中小于零的元素置零处理,直到满足最大迭代次数,或者满足误差矩阵的条件时停止迭代,其中;
step4:输出丰度矩阵,并由公式计算端元矩阵;所述步骤a)中的表示噪声建模时的误差,取为0向量。
2.如权利要求1所述的一种基于正交约束投影解混模型的消噪解混方法,其特征在于:所述步骤a)中对于提取的高光谱数据,把AVIRIS成像光谱仪获取的高光谱数据的噪声近似为加性噪声。
3.如权利要求1所述的一种基于正交约束投影解混模型的消噪解混方法,其特征在于:所述b)步骤中为了从理论上定量评估正交约束投影模型解混结果的精确性,利用均方差准则推导丰度矩阵的均方差,用表示公式中丰度矩阵的均方差, ,表示计算数学期望,表示实测的丰度矩阵,代表中的端元矩阵的伪逆矩阵,,将公式和代入,则有:
,由于对于任意两个变量及,迹运算满足,因此正交约束投影解混模型的丰度矩阵均方差为,分别表示端元个数及去噪后的高光谱数据,可看作为常数,因此丰度矩阵均方差与变量之间的关系表示为:,将公式代入公式的左边,则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410119157.6A CN103854263B (zh) | 2014-03-27 | 2014-03-27 | 一种基于正交约束投影解混模型的消噪解混方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410119157.6A CN103854263B (zh) | 2014-03-27 | 2014-03-27 | 一种基于正交约束投影解混模型的消噪解混方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103854263A CN103854263A (zh) | 2014-06-11 |
CN103854263B true CN103854263B (zh) | 2017-08-11 |
Family
ID=50861881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410119157.6A Active CN103854263B (zh) | 2014-03-27 | 2014-03-27 | 一种基于正交约束投影解混模型的消噪解混方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103854263B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238591B (zh) * | 2017-05-27 | 2020-07-21 | 大连海事大学 | 活体荧光的光谱解混探测方法 |
CN107644393B (zh) * | 2017-09-28 | 2020-03-06 | 大连海事大学 | 一种基于gpu的丰度估计算法的并行实现方法 |
CN113344049B (zh) * | 2021-05-27 | 2022-07-26 | 湖州师范学院 | 一种基于Sinkhorn距离的盲高光谱解混模型的构建方法 |
CN113820016B (zh) * | 2021-08-19 | 2022-11-11 | 东南大学 | 一种相位调制热波信号全变分去噪方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101030299A (zh) * | 2007-03-29 | 2007-09-05 | 复旦大学 | 一种基于数据空间正交基的遥感图像混合像元分解方法 |
-
2014
- 2014-03-27 CN CN201410119157.6A patent/CN103854263B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101030299A (zh) * | 2007-03-29 | 2007-09-05 | 复旦大学 | 一种基于数据空间正交基的遥感图像混合像元分解方法 |
Non-Patent Citations (2)
Title |
---|
Spatial-Spectral Preprocessing Prior to Endmember Identification and Unmixing of Remotely Sensed Hyperspectral Data;G. Martin等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20120405;第5卷(第2期);380-395 * |
非监督正交子空间投影的高光谱混合像元自动分解;吴波等;《中国图象图形学报》;20041130;第9卷(第11期);1392-1396 * |
Also Published As
Publication number | Publication date |
---|---|
CN103854263A (zh) | 2014-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103854263B (zh) | 一种基于正交约束投影解混模型的消噪解混方法 | |
CN103824050B (zh) | 一种基于级联回归的人脸关键点定位方法 | |
CN105809105B (zh) | 基于端元约束非负矩阵分解的高光谱图像解混方法 | |
Dermoune et al. | FastICA algorithm: five criteria for the optimal choice of the nonlinearity function | |
CN105144232A (zh) | 图像去噪方法和系统 | |
CN104966085A (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN104732535B (zh) | 一种约束稀疏的非负矩阵分解方法 | |
CN104850844B (zh) | 一种基于快速构建图像特征金字塔的行人检测方法 | |
CN104392243A (zh) | 基于核稀疏非负矩阵分解的高光谱图像非线性解混方法 | |
CN104318545A (zh) | 一种用于雾天偏振图像的质量评价方法 | |
Heylen et al. | Calculation of geodesic distances in nonlinear mixing models: Application to the generalized bilinear model | |
CN105809182B (zh) | 一种图像分类的方法及装置 | |
CN102063627B (zh) | 基于多小波变换的自然图像和计算机生成图像的识别方法 | |
Khosravi et al. | Analysis of V D s 0* D s 1 and V D s D s* vertices | |
CN105678774A (zh) | 一种基于主成分分析的图像噪声水平估计方法 | |
CN105760865A (zh) | 一种能够提高比对正确率的人脸图像识别方法 | |
Rizzo et al. | Expected distances and goodness-of-fit for the asymmetric Laplace distribution | |
Caiafa | On the conditions for valid objective functions in blind separation of independent and dependent sources | |
CN109815825B (zh) | 相似性约束凸非负矩阵分解的高光谱异常目标检测方法 | |
Zhang et al. | Digital instruments recognition based on PCA-BP neural network | |
Lundow et al. | The ising spin glass in dimension four | |
CN102903084B (zh) | 一种α稳定模型下的小波域图像噪声方差估计方法 | |
CN109727280A (zh) | 一种基于正交基的高光谱图像丰度估计方法 | |
Todros et al. | QML-based joint diagonalization of positive-definite Hermitian matrices | |
CN104469795A (zh) | 基于领域搜索的FARIMA模型Hurst参数估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |