CN109063665A - 一种遥感图像的解混方法、系统及相关组件 - Google Patents

一种遥感图像的解混方法、系统及相关组件 Download PDF

Info

Publication number
CN109063665A
CN109063665A CN201810916237.2A CN201810916237A CN109063665A CN 109063665 A CN109063665 A CN 109063665A CN 201810916237 A CN201810916237 A CN 201810916237A CN 109063665 A CN109063665 A CN 109063665A
Authority
CN
China
Prior art keywords
matrix
end member
solution
abundance
remote sensing
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.)
Pending
Application number
CN201810916237.2A
Other languages
English (en)
Inventor
程良伦
李慧
赵艮平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810916237.2A priority Critical patent/CN109063665A/zh
Publication of CN109063665A publication Critical patent/CN109063665A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/955—Hardware or software architectures specially adapted for image or video understanding using specific electronic processors

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种遥感图像的解混方法，所述解混方法包括通过基于稀疏约束的非负矩阵分解算法对遥感图像进行解混得到端元矩阵和丰度矩阵；根据所述端元矩阵和所述丰度矩阵确定目标函数；根据所述目标函数生成对应的算法任务，并将所述算法任务输入至GPU中，以便利用所述GPU根据所述算法任务对所述目标函数进行迭代更新操作得到端元矩阵最优解和丰度矩阵最优解；根据所述端元矩阵最优解和所述丰度矩阵最优解生成图像解混结果。本方法能够提高遥感图像解混的处理效率，实现了快速遥感图像解混。本申请还公开了一种遥感图像的解混系统、一种计算机可读存储介质及一种图像处理装置，具有以上有益效果。

Description

一种遥感图像的解混方法、系统及相关组件
技术领域
本发明涉及图像处理领域，特别涉及一种遥感图像的解混方法、系统、一种计算机可读存储介质及一种图像处理装置。
背景技术
随着空间分辨率和波普分辨率的提高，高光谱遥感图像处理存在着数据量大，计算量大，算法普遍复杂度高等特征，越来越不能满足数据处理实时性的需求。
现有技术中，高光谱遥感混合像元分析所涉及的算法基本上都是采用串行的处理思路。但由于高光谱图像自身的特性，采用传统的串行处理办法，执行过程中高达数百亿次浮点运算会严重影响计算机执行速度，过长的耗时严重制约了混合像元分解的实时性。
因此，如何提高遥感图像解混的处理效率是本领域技术人员目前需要解决的技术问题。
发明内容
本申请的目的是提供一种遥感图像的解混方法、系统、一种计算机可读存储介质及一种图像处理装置，能够提高遥感图像解混的处理效率。
为解决上述技术问题，本申请提供一种遥感图像的解混方法，该解混方法包括：
通过基于稀疏约束的非负矩阵分解算法对遥感图像进行解混得到端元矩阵和丰度矩阵；
根据所述端元矩阵和所述丰度矩阵确定目标函数；
根据所述目标函数生成对应的算法任务，并将所述算法任务输入至GPU中，以便利用所述GPU根据所述算法任务对所述目标函数进行迭代更新操作得到端元矩阵最优解和丰度矩阵最优解；
根据所述端元矩阵最优解和所述丰度矩阵最优解生成图像解混结果。
可选的，在根据所述端元矩阵最优解和所述丰度矩阵最优解生成图像解混结果之后，还包括：
利用所述图像解混结果进行高光谱数据分析。
可选的，通过基于稀疏约束的非负矩阵分解算法对遥感图像进行解混得到端元矩阵和丰度矩阵；
将所述遥感图像输入MATLAB得到图像矩阵并根据所述图像矩阵通过基于稀疏约束的非负矩阵分解算法对所述遥感图像进行解混得到端元矩阵和丰度矩阵
其中，所述图像矩阵、所述元矩阵和所述丰度矩阵满足关系式V＝WH+E，R+表示矩阵中的值均为非负实数，L为所述图像矩阵的行数，I为所述图像矩阵的列数，E为噪声矩阵，J为所述端元矩阵的列数和所述丰度矩阵的行数。
可选的，根据所述端元矩阵和所述丰度矩阵确定目标函数包括：
利用欧氏距离根据所述端元矩阵和所述丰度矩阵确定所述目标函数；
其中，所述目标函数为W≥0,H≥0，为所述遥感图像的光谱数据的扩展， 为所述端元矩阵W的扩展，JH(H)为所述丰度矩阵的稀疏约束，JW(W)为所述端元矩阵W的最小距离约束， τH与τW为正则化参数。
可选的，所述算法任务为：根据所述目标函数分别对第一目标子函数和第二目标子函数进行迭代更新操作；其中，所述第一目标子函数为所述第二目标子函数为
可选的，利用GPU根据所述算法任务对所述目标函数进行迭代更新操作得到端元矩阵最优解和丰度矩阵最优解包括：
利用交替方向乘子法将所述第一目标子函数转化为第一迭代函数、第二迭代函数和第三迭代函数，并利用交替方向乘子法将所述第二目标子函数转化为第四迭代函数、第五迭代函数和第六迭代函数；其中，所述第一迭代函数为所述第二迭代函数为所述第三迭代函数为所述第四迭代函数为所述第五迭代函数为所述第六迭代函数为
将所述算法任务划分为第一子任务、第二子任务、第三子任务和第四子任务；其中，所述第一子任务为求解Hk+1，所述第二子任务为求解和所述第三子任务为求解Wk+1，所述第四子任务为求解wk+1和
利用所述GPU的kernel函数并行的迭代计算第一子任务、第二子任务、第三子任务和第四子任务直至迭代次数达到预设值或Hk+1和Wk+1达到预设标准，得到端元矩阵最优解和丰度矩阵最优解；
其中，所述kernel函数包括第一kernel子函数、第二kernel子函数、第三kernel子函数和第四kernel子函数，所述第一kernel子函数用于创建J×L个线程并行的计算Hk+1，所述第二kernel子函数用于创建J×L个线程并行的计算和所述第三kernel子函数用于创建J×L个线程并行的计算Wk+1，所述第四kernel子函数用于创建J×L个线程并行的计算wk+1和
可选的，第一kernel子函数和第三kernel子函数为调用CUBLAS库中的cublasSgemm函数进行矩阵相乘运算的子函数。
本申请还提供了一种遥感图像的解混系统，该解混系统包括：
解混模块，用于通过基于稀疏约束的非负矩阵分解算法对遥感图像进行解混得到端元矩阵和丰度矩阵；
函数引入模块，用于根据所述端元矩阵和所述丰度矩阵确定目标函数；
迭代模块，用于根据所述目标函数生成对应的算法任务，并将所述算法任务输入至GPU中，以便利用所述GPU根据所述算法任务对所述目标函数进行迭代更新操作得到端元矩阵最优解和丰度矩阵最优解；
结果输出模块，用于根据所述端元矩阵最优解和所述丰度矩阵最优解生成图像解混结果。
本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序执行时实现上述遥感图像的解混方法执行的步骤。
本申请还提供了一种图像处理装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述遥感图像的解混方法执行的步骤。
本发明提供了一种遥感图像的解混方法，包括：通过基于稀疏约束的非负矩阵分解算法对遥感图像进行解混得到端元矩阵和丰度矩阵；根据所述端元矩阵和所述丰度矩阵确定目标函数；根据所述目标函数生成对应的算法任务，并将所述算法任务输入至GPU中，以便利用所述GPU根据所述算法任务对所述目标函数进行迭代更新操作得到端元矩阵最优解和丰度矩阵最优解；根据所述端元矩阵最优解和所述丰度矩阵最优解生成图像解混结果。
由于遥感图像自身特性，对遥感图像进行解混时会存在大量的浮点运算，本申请将对于遥感图像解混时的算法任务输入至GPU中。由于GPU具有快速处理数据密集型和计算密集型计算的特点，将解混遥感图像的复杂矩阵运算过程移植于GPU上处理，提高遥感图像解混的处理效率，实现了快速遥感图像解混。本申请同时还提供了一种遥感图像的解混系统、一种计算机可读存储介质和一种图像处理装置，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种遥感图像的解混方法的流程图；
图2为本申请实施例所提供的另一种遥感图像的解混方法的流程图；
图3为本申请在实际应用中的一种遥感图像的解混方法的流程图；
图4为本申请实施例所提供的一种遥感图像的解混系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面请参见图1，图1为本申请实施例所提供的一种遥感图像的解混方法的流程图。
具体步骤可以包括：
S101：通过基于稀疏约束的非负矩阵分解算法对遥感图像进行解混得到端元矩阵和丰度矩阵；
其中，光谱解混的全称是光谱图像混合像元分解，光谱解混就是将混合像元的测量光谱分解为不同的“基本组分”，或称“端元”,并求得这些组分在像元中所占的比例，或称“丰度”，这就是所谓的“光谱解混”过程。光谱解混在遥感图像处理中实质上是一种更为精细的分类技术，对混合像元进行分解进而确定组成其混合像元的元素类别，并且估算出各个元素类别在其中所占含量。
基于稀疏约束的非负矩阵分解(CSNMF)算法能够将传统的NMF(Non-negativematrix factorization，非负矩阵分解)问题可以描述为：给定矩阵寻找非负矩阵W和非负矩阵H，使得V≈WH，其中矩阵V代表混合光谱图像(即遥感图像)，W代表端元矩阵，H代表丰度矩阵。
S102：根据端元矩阵和丰度矩阵确定目标函数；
其中，本步骤建立在已经获得了端元矩阵和丰度矩阵的基础上，CSNMF算法是一种现有的算法，根据端元矩阵和丰度矩阵确定目标函数就相当于引入目标函数的过程。此处确定目标函数的意义在于确定最优端元矩阵和最优丰度矩阵。
其中，所述目标函数为W≥0,H≥0，为所述遥感图像的光谱数据的扩展， 为所述端元矩阵W的扩展，为所述丰度矩阵的稀疏约束，JW(W)为所述端元矩阵W的最小距离约束， τH与τW为正则化参数。
确定目标函数的方法有很多，例如可以利用欧氏距离根据所述端元矩阵和所述丰度矩阵确定所述目标函数；其中，通过欧氏距离引入的所述目标函数为W≥0,H≥0，为所述遥感图像的光谱数据的扩展， 为所述端元矩阵W的扩展，JH(H)为所述丰度矩阵的稀疏约束，JW(W)为所述端元矩阵W的最小距离约束， τH与τW为正则化参数。F是Frobenius范数的意思，简称F-范数，是一种矩阵范数，矩阵A的Frobenius范数定义为矩阵A各项元素的绝对值平方的总和；δ是一个的正数参数，用于扩展原矩阵；T代表矩阵转置。J为矩阵的行数或列数，J与JH(H)或JW(W)并不相同。
还可以利用KL散度，(Kullback–Leibler divergence，又称相对熵散度)根据所述元矩阵和所述丰度矩阵确定所述目标函数；通过KL散度引入的目标函数为其中，W和H满足W≥0,H≥0。
S103：根据目标函数生成对应的算法任务，并将算法任务输入至GPU中，以便利用GPU根据算法任务对目标函数进行迭代更新操作得到端元矩阵最优解和丰度矩阵最优解；
其中，在得到目标函数后可以将目标函数看作不断迭代更新端元矩阵与丰度矩阵直至找到最优解，本实施例默认算法任务为计算端元矩阵最优解和丰度矩阵最优解的任务。由于在进行端元矩阵最优解和丰度矩阵最优解的计算时需要进行大量的复杂矩阵计算，因此本申请将关于求解端元矩阵最优解和丰度矩阵最优解的算法任务移植到GPU中进行。利用GPU并行计算的特性提高执行算法任务的速度。本步骤默认存在初始化端元矩阵和丰度矩阵的操作，并设置迭代次数k以及最大迭代次数。
S104：根据所述端元矩阵最优解和所述丰度矩阵最优解生成图像解混结果。
其中，在得到端元矩阵最优解和丰度矩阵最优解后相当于解混流程结束，输出图像，输出关于端元矩阵最优解和丰度矩阵的图像解混结果即可。本实施例默认存在，GPU执行完算法任务后，将端元矩阵最优解和丰度矩阵最优解传输至CPU，CPU生成关于端元矩阵最优解和丰度矩阵的图像解混结果的操作。
由于遥感图像自身特性，对遥感图像进行解混时会存在大量的浮点运算，本实施例将对于遥感图像解混时的算法任务输入至GPU中。由于GPU具有快速处理数据密集型和计算密集型计算的特点，将解混遥感图像的复杂矩阵运算过程移植于GPU上处理，提高遥感图像解混的处理效率，实现了快速遥感图像解混。
下面请参见图2，图2为本申请实施例所提供的另一种遥感图像的解混方法的流程图；
具体步骤可以包括：
S201：将所述遥感图像输入MATLAB得到图像矩阵并根据所述图像矩阵通过基于稀疏约束的非负矩阵分解算法对所述遥感图像进行解混得到端元矩阵和丰度矩阵
其中，所述图像矩阵、所述元矩阵和所述丰度矩阵满足关系式V＝WH+E，R+表示矩阵中的值均为非负实数，L为所述图像矩阵的行数，I为所述图像矩阵的列数，E为噪声矩阵，J为所述端元矩阵的列数和所述丰度矩阵的行数。其实目标函数的含义就是最小化噪声矩阵(或误差矩阵)E，找到最优的W与H使噪声矩阵(误差矩阵)E的值最小。需要说明的是，V＝WH+E可以简化为V≈WH。
S202：利用欧氏距离根据所述端元矩阵和所述丰度矩阵确定所述目标函数；
其中，所述目标函数为W≥0,H≥0，为所述遥感图像的光谱数据的扩展， 为所述端元矩阵W的扩展，JH(H)为所述丰度矩阵的稀疏约束，JW(W)为所述端元矩阵W的最小距离约束， τH与τW为正则化参数。
S203：根据所述目标函数生成对应的算法任务，并将所述算法任务输入至GPU中，以便利用所述GPU根据所述算法任务对所述目标函数进行迭代更新操作得到端元矩阵最优解和丰度矩阵最优解；
S204：将所述算法任务划分为第一子任务、第二子任务、第三子任务和第四子任务；其中，所述第一子任务为求解Hk+1，所述第二子任务为求解和所述第三子任务为求解Wk+1，所述第四子任务为求解wk+1和
具体的，可以利用交替方向乘子法将所述第一目标子函数转化为第一迭代函数、第二迭代函数和第三迭代函数，并利用交替方向乘子法将所述第二目标子函数转化为第四迭代函数、第五迭代函数和第六迭代函数；其中，所述第一迭代函数为所述第二迭代函数为所述第三迭代函数为所述第四迭代函数为所述第五迭代函数为所述第六迭代函数为k为迭代次数，hk、wk和表示在第k次迭代时，在计算交替方向乘子法(ADMM)时，将原公式转换成增广拉格朗日形式过程中所添加的向量，μH和μw为增广拉格朗日参数。
利用所述GPU的kernel函数并行的迭代计算第一子任务、第二子任务、第三子任务和第四子任务直至迭代次数达到预设值或Hk+1和Wk+1达到预设标准，得到端元矩阵最优解和丰度矩阵最优解；
其中，所述kernel函数包括第一kernel子函数、第二kernel子函数、第三kernel子函数和第四kernel子函数，所述第一kernel子函数用于创建J×L个线程并行的计算Hk+1，所述第二kernel子函数用于创建J×L个线程并行的计算和所述第三kernel子函数用于创建J×L个线程并行的计算Wk+1，所述第四kernel子函数用于创建J×L个线程并行的计算wk+1和
第一kernel子函数和第三kernel子函数为调用CUBLAS库中的cublasSgemm函数进行矩阵相乘运算的子函数。
所述算法任务为：根据所述目标函数分别对第一目标子函数和第二目标子函数进行迭代更新操作；其中，所述第一目标子函数为所述第二目标子函数为k表示迭代更新操作的代数。
S205：根据所述端元矩阵最优解和所述丰度矩阵最优解生成图像解混结果。
S206：利用所述图像解混结果进行高光谱数据分析。
由于遥感图像自身特性，对遥感图像进行解混时会存在大量的浮点运算，本实施例将对于遥感图像解混时的算法任务输入至GPU中。由于GPU具有快速处理数据密集型和计算密集型计算的特点，将解混遥感图像的复杂矩阵运算过程移植于GPU上处理，提高遥感图像解混的处理效率，实现了快速遥感图像解混。
请参见图3，图3为本申请在实际应用中的一种遥感图像的解混方法的流程图。下面通过在实际应用中的实施例说明上述实施例描述的流程。
步骤一、将基于稀疏约束的非负矩阵分解算法(CSNMF)应用于遥感图像解混：传统的NMF问题可以描述为：给定矩阵寻找非负矩阵和非负矩阵使得V≈WH。将CSNMF算法应用于遥感图像解混，矩阵V代表混合光谱图像，W代表端元矩阵，H代表丰度矩阵。
步骤二、计算推导迭代目标函数：
首先利用欧式距离引入目标函数
其中代表对原始数据V的扩展，代表对端元矩阵W的扩展；是在传统NMF问题上对丰度矩阵H添加的稀疏约束；同理是对端元矩阵W添加的最小距离约束，其中τH与τW为正则化参数。
a)将目标函数式(1)看作不断迭代更新W与H直至找到最优解，由此可以变化为求解以下两个子问题：
b)利用交替方向乘子法(ADMM)将(2)与(3)分别转化以下几个迭代步骤：
交替更新丰度矩阵H与端元矩阵W直至其结果不再收敛或迭代次数达到最大值，则算法结束，输出H、W。
(3)对上述算法数据执行过程进行性能分析。分析得出此算法的大量执行时间花费在交替乘子法的迭代部分，即对Hk+1、Wk+1、wk+1的求解过程。由此，将该过程移植到设备端(GPU)进行并行计算。
在设备端(GPU)设计4个kernel函数用来并行计算交替方向乘子法中的迭代部分。其中kernel 1(即第一kernel子函数)创建J×I个线程用于并行计算更新Hk+1部分；kernel2(即第二kernel子函数)同样创建J×I个线程用于并行计算与部分；kernel 3(即第三kernel子函数)创建L×J个线程用于并行计算更新Wk+1部分；kernel 4(即第四kernel子函数)同样创建L×J个线程用于并行计算wk+1与部分。在计算Hk+1与Wk+1的过程中包含大量矩阵相乘运算，故在kernel 1与kernel 3中调用CUBLAS库中的cublasSgemm函数进行矩阵相乘运算以此提高运算速度。
请参见图4，图4为本申请实施例所提供的一种遥感图像的解混系统的结构示意图；
该系统可以包括：
解混模块100，用于通过基于稀疏约束的非负矩阵分解算法对遥感图像进行解混得到端元矩阵和丰度矩阵；
函数引入模块200根据所述端元矩阵和所述丰度矩阵确定目标函数；
迭代模块300根据所述目标函数生成对应的算法任务，并将所述算法任务输入至GPU中，以便利用所述GPU根据所述算法任务对所述目标函数进行迭代更新操作得到端元矩阵最优解和丰度矩阵最优解；
结果输出模块400根据所述端元矩阵最优解和所述丰度矩阵最优解生成图像解混结果。
由于系统部分的实施例与方法部分的实施例相互对应，因此系统部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
本申请还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种图像处理装置，可以包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然所述图像处理装置还可以包括各种网络接口，电源等组件。图像处理装置包括主机端CPU和设备端GPU，将基于稀疏约束的非负矩阵分解算法应用到遥感图像解混处理中，利用GPU快速处理数据密集型和计算密集型计算的特点，将该算法在GPU上进行并行计算。在进行图像解混的时候执行以下操作：
步骤1、输入混合光谱数据矩阵V；
步骤2、初始化W，H，设置迭代次数k＝0，最大迭代次数MaxIteration Number；
步骤3、扩展
步骤4、将扩展后的与拷贝至GPU线程中；
步骤5、依次调用Kernel 1、Kernel 2、Kernel 3与Kernel 4并行计算Hk+1、Wk+1、wk+1、将计算结果拷贝回CPU。
步骤6、判断W与H是否不再收敛或迭代次数k达到最大值。若二者收敛或达到最大迭代次数，算法结束，输出W、H；否则重复步骤2。
本申请公开的这种图像处理装置可用于解决遥感图像解混问题中耗时过长效率低下的现象。利用GPU能进行快速并行计算的特点，将遥感图像解混算法在GPU上作并行处理，将复杂的矩阵运算移植到GPU上进行计算，提高了处理速度。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种遥感图像的解混方法，其特征在于，包括：
通过基于稀疏约束的非负矩阵分解算法对遥感图像进行解混得到端元矩阵和丰度矩阵；
根据所述端元矩阵和所述丰度矩阵确定目标函数；
根据所述目标函数生成对应的算法任务，并将所述算法任务输入至GPU中，以便利用所述GPU根据所述算法任务对所述目标函数进行迭代更新操作得到端元矩阵最优解和丰度矩阵最优解；
根据所述端元矩阵最优解和所述丰度矩阵最优解生成图像解混结果。
2.根据权利要求1所述解混方法，其特征在于，在根据所述端元矩阵最优解和所述丰度矩阵最优解生成图像解混结果之后，还包括：
利用所述图像解混结果进行高光谱数据分析。
3.根据权利要求1所述解混方法，其特征在于，通过基于稀疏约束的非负矩阵分解算法对遥感图像进行解混得到端元矩阵和丰度矩阵；
将所述遥感图像输入MATLAB得到图像矩阵并根据所述图像矩阵通过基于稀疏约束的非负矩阵分解算法对所述遥感图像进行解混得到端元矩阵和丰度矩阵
其中，所述图像矩阵、所述元矩阵和所述丰度矩阵满足关系式V＝WH+E，R+表示矩阵中的值均为非负实数，L为所述图像矩阵的行数，I为所述图像矩阵的列数，E为噪声矩阵，J为所述端元矩阵的列数和所述丰度矩阵的行数。
4.根据权利要求3所述解混方法，其特征在于，根据所述端元矩阵和所述丰度矩阵确定目标函数包括：
利用欧氏距离根据所述端元矩阵和所述丰度矩阵确定所述目标函数；
其中，所述目标函数为 为所述遥感图像的光谱数据的扩展， 为所述端元矩阵W的扩展，JH(H)为所述丰度矩阵的稀疏约束，JW(W)为所述端元矩阵W的最小距离约束， τH与τW为正则化参数。
5.根据权利要求4所述解混方法，其特征在于，所述算法任务为：根据所述目标函数分别对第一目标子函数和第二目标子函数进行迭代更新操作；其中，所述第一目标子函数为所述第二目标子函数为
6.根据权利要求5所述解混方法，其特征在于，利用GPU根据所述算法任务对所述目标函数进行迭代更新操作得到端元矩阵最优解和丰度矩阵最优解包括：
利用交替方向乘子法将所述第一目标子函数转化为第一迭代函数、第二迭代函数和第三迭代函数，并利用交替方向乘子法将所述第二目标子函数转化为第四迭代函数、第五迭代函数和第六迭代函数；其中，所述第一迭代函数为所述第二迭代函数为所述第三迭代函数为所述第四迭代函数为所述第五迭代函数为所述第六迭代函数为
将所述算法任务划分为第一子任务、第二子任务、第三子任务和第四子任务；其中，所述第一子任务为求解Hk+1，所述第二子任务为求解和所述第三子任务为求解Wk+1，所述第四子任务为求解wk+1和
利用所述GPU的kernel函数并行的迭代计算第一子任务、第二子任务、第三子任务和第四子任务直至迭代次数达到预设值或Hk+1和Wk+1达到预设标准，得到端元矩阵最优解和丰度矩阵最优解；
其中，所述kernel函数包括第一kernel子函数、第二kernel子函数、第三kernel子函数和第四kernel子函数，所述第一kernel子函数用于创建J×L个线程并行的计算Hk+1，所述第二kernel子函数用于创建J×L个线程并行的计算和所述第三kernel子函数用于创建J×L个线程并行的计算Wk+1，所述第四kernel子函数用于创建J×L个线程并行的计算wk+1和
7.根据根据权利要求6所述解混方法，其特征在于，第一kernel子函数和第三kernel子函数为调用CUBLAS库中的cublasSgemm函数进行矩阵相乘运算的子函数。
8.一种遥感图像的解混系统，其特征在于，包括：
解混模块，用于通过基于稀疏约束的非负矩阵分解算法对遥感图像进行解混得到端元矩阵和丰度矩阵；
函数引入模块，用于根据所述端元矩阵和所述丰度矩阵确定目标函数；
迭代模块，用于根据所述目标函数生成对应的算法任务，并将所述算法任务输入至GPU中，以便利用所述GPU根据所述算法任务对所述目标函数进行迭代更新操作得到端元矩阵最优解和丰度矩阵最优解；
结果输出模块，用于根据所述端元矩阵最优解和所述丰度矩阵最优解生成图像解混结果。
9.一种图像处理装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的遥感图像的解混方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的遥感图像的解混方法的步骤。
CN201810916237.2A 2018-08-13 2018-08-13 一种遥感图像的解混方法、系统及相关组件 Pending CN109063665A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810916237.2A CN109063665A (zh) 2018-08-13 2018-08-13 一种遥感图像的解混方法、系统及相关组件

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810916237.2A CN109063665A (zh) 2018-08-13 2018-08-13 一种遥感图像的解混方法、系统及相关组件

Publications (1)

Publication Number Publication Date
CN109063665A true CN109063665A (zh) 2018-12-21

Family

ID=64683798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810916237.2A Pending CN109063665A (zh) 2018-08-13 2018-08-13 一种遥感图像的解混方法、系统及相关组件

Country Status (1)

Country Link
CN (1) CN109063665A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815825A (zh) * 2018-12-27 2019-05-28 中国科学院西安光学精密机械研究所 相似性约束凸非负矩阵分解的高光谱异常目标检测方法
CN111024078A (zh) * 2019-11-05 2020-04-17 广东工业大学 基于gpu加速的无人机视觉slam方法
CN113836483A (zh) * 2021-08-10 2021-12-24 中国地质大学（武汉） 基于信息熵稀疏的深度非负矩阵解混方法和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130259343A1 (en) * 2012-03-28 2013-10-03 Siemens Corporation Alternating direction of multipliers method for parallel mri reconstruction
CN105809105A (zh) * 2016-02-06 2016-07-27 黑龙江科技大学 基于端元约束非负矩阵分解的高光谱图像解混方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130259343A1 (en) * 2012-03-28 2013-10-03 Siemens Corporation Alternating direction of multipliers method for parallel mri reconstruction
CN105809105A (zh) * 2016-02-06 2016-07-27 黑龙江科技大学 基于端元约束非负矩阵分解的高光谱图像解混方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
叶舜: "基于GPU的高光谱图像混合像元分解并行优化研究", 《信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815825A (zh) * 2018-12-27 2019-05-28 中国科学院西安光学精密机械研究所 相似性约束凸非负矩阵分解的高光谱异常目标检测方法
CN111024078A (zh) * 2019-11-05 2020-04-17 广东工业大学 基于gpu加速的无人机视觉slam方法
CN111024078B (zh) * 2019-11-05 2021-03-16 广东工业大学 基于gpu加速的无人机视觉slam方法
CN113836483A (zh) * 2021-08-10 2021-12-24 中国地质大学（武汉） 基于信息熵稀疏的深度非负矩阵解混方法和存储介质

Similar Documents

Publication Publication Date Title
KR102472424B1 (ko) 다차원 텐서들에서의 데이터 액세스
CN109063665A (zh) 一种遥感图像的解混方法、系统及相关组件
Liberty et al. Stratified sampling meets machine learning
CN104616029B (zh) 数据分类方法及装置
KR102126857B1 (ko) 행 단위 연산 뉴럴 프로세서 및 이를 이용한 데이터 처리 방법
US9305394B2 (en) System and process for improved sampling for parallel light transport simulation
US10936938B2 (en) Method for visualizing neural network models
CN109597647A (zh) 数据处理方法及设备
US20220391471A1 (en) Method, circuit, and soc for performing matrix multiplication operation
Nurminski Single-projection procedure for linear optimization
Harvey et al. Computing-series of geometrically hyperelliptic curves of genus three
Zhuzhunashvili et al. Preconditioned spectral clustering for stochastic block partition streaming graph challenge (preliminary version at arxiv.)
CN110245706B (zh) 一种针对嵌入式应用的轻量化目标检测方法
Chiba Evolutionary hybrid computation in view of design information by data mining
US20230161783A1 (en) Device for accelerating self-attention operation in neural networks
Dimov et al. Monte Carlo algorithm for solving integral equations with polynomial non-linearity. Parallel implementation
LU500193B1 (en) Low-illumination image enhancement method and system based on multi-expression fusion
Jacob Efficient regular sparse grid hierarchization by a dynamic memory layout
CN108776994B (zh) 基于真三维显示系统的Roesser模型及其实现方法
Langou Computing the R of the QR factorization of tall and skinny matrices using MPI_Reduce
US20150042672A1 (en) Parallel multicolor incomplete lu factorization preconditioning processor and method of use thereof
Mikhailov et al. Probabilistic model of many-particle evolution and estimation of solutions to a nonlinear kinetic equation
CN111723247A (zh) 基于图的假设计算
JP7106144B2 (ja) 画像解析装置
Badolato et al. Many svds on gpu for image mosaic assemble

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20181221

RJ01 Rejection of invention patent application after publication