CN109238972A - 一种全光谱信号解混方法 - Google Patents
一种全光谱信号解混方法 Download PDFInfo
- Publication number
- CN109238972A CN109238972A CN201810649095.8A CN201810649095A CN109238972A CN 109238972 A CN109238972 A CN 109238972A CN 201810649095 A CN201810649095 A CN 201810649095A CN 109238972 A CN109238972 A CN 109238972A
- Authority
- CN
- China
- Prior art keywords
- end member
- mixed
- objective function
- member group
- matrix
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000003595 spectral effect Effects 0.000 title claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000001228 spectrum Methods 0.000 claims abstract description 15
- 238000013459 approach Methods 0.000 claims abstract description 8
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 22
- 239000000523 sample Substances 0.000 description 6
- 238000005457 optimization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种全光谱信号解混方法,利用端元组约束矩阵描述端元组混合,利用端元组混合模型建立解混目标函数;利用双线性稀疏诱导方法化简所述解混目标函数;利用惯性邻近点交替线性极小化方法求解所述解混目标函数,从而计算全光谱信号的解混过程,克服了光谱端元变异导致的非线性。
Description
技术领域
本发明属于全光谱探头技术领域,尤其涉及一种全光谱信号解混方法。
背景技术
全光谱感知情况下,每个像元都称之为混合像元,其可以分解为不同的端 元。不同的技术指标往往依赖于不同的端元组,根据混合像元求得这些端元组, 即所谓的“光谱解混”过程。线性光谱解混在光谱解混中占据有重要地位, 它使用线性混合模型分解出这些端元组。然而由于各种因素的影响,往往导致 光谱端元具有变异性,这是造成线性光谱解混误差的主要因素之一。
光谱解混是实现全光谱探头多功能化实现的核心技术,也是水质监测的预 警和溯源的技术基础。因此,如何减少线性光谱解混误差,提高光谱解混的精 确性,成为水质监测预警领域亟待解决的问题之一。
发明内容
基于上述现有技术存在的缺陷,本发明提出一种全光谱信号解混方法,以 提高光谱解混的精确性。
为实现本发明的目的,本发明采用如下技术方案:
一种全光谱信号解混方法,包括以下步骤:
S1,利用端元组约束矩阵描述端元组混合,利用端元组混合模型建立解混 目标函数;
S2,利用双线性稀疏诱导方法化简所述解混目标函数;
S3,利用惯性邻近点交替线性极小化方法求解所述解混目标函数。
进一步地,步骤S1中:
端元组约束矩阵为其中表示矩阵,K表示端元个数;
端元组混合模型表示为:
yi=MBiai+ni
式中,第i个混合元样本为对应端元组分量为ai=[a1i a2i … aKi]T, 且对应的加性噪声为K个L维端元的谱签名矩阵为
进一步地,步骤S1中,
N个混合元样本表示为矩阵对应端元组分量矩阵为
建立解混目标函数:
端元组分量ai和端元组约束矩阵Bi需满足的约束条件为:
||Mbi||2=1
进一步地,步骤S2中,所述双线性稀疏诱导方法具体包括如下步骤:
S21,分别从矩阵B和A中删除第i列bi和第j行得到矩阵B-i和A-j,
定义E=Y-MB-iA-j;
S22,假定B-i和A-j已知,求解bi和所述解混目标函数改写为:
相应的约束条件为:
||aj||0≤v,||bj||0≤s,||Mbj||2=1;
S23,已知等式:将改写后的解混目标函数化简为:
式中,f1(aj)=||aj||1,f2(bi)=||bj||1;α、β为惯性系数。
进一步地,步骤S3中,惯性邻近点交替线性极小化方法具体包括以下步骤:
S31,设化简后的目标函数(7)表示为:
其中变量
S32,定义邻近点算子:
式中,λ为约束项参数,且λ>0,输入向量中间向量
采用邻近点算子迭代形成趋于函数f(·)极小值的点序列,约束项参数λ控制 点序列的步进长度,推导出一次范数的邻近点算子,表式为:
式中,表示向量的第i个元素;
S33,初始化a0和b0;
S34,迭代生成序列
更新惯性系数和调节系数计算:
更新惯性系数和调节系数计算:
进一步地,所述步骤S32中,当接近函数f(·)极小值时使用较大的参数值λ, 减小点序列的步进长度;远离函数f(·)极小值时使用较小的参数值λ,增加点序 列的步进长度。
相对于现有技术,本发明具有以下优点:
本发明利用端元组约束矩阵描述端元组混合,利用端元组混合模型建立解 混目标函数;利用双线性稀疏诱导方法化简所述解混目标函数;利用惯性邻近 点交替线性极小化方法求解所述解混目标函数,从而计算全光谱信号的解混过 程,克服了光谱端元变异导致的非线性。
具体实施方式
为了使本领域技术人员更好地理解本发明的技术方案,下面将结合具体的 实施方式,对本发明进行详细地介绍说明。
本发明所述全光谱信号解混方法,包括如下步骤:
S1,利用端元组约束矩阵描述端元组混合,利用端元组混合模型建立解混 目标函数;
S2,利用双线性稀疏诱导方法化简所述解混目标函数;
S3,利用惯性邻近点交替线性极小化方法求解所述解混目标函数。
具体地,步骤S1中,端元组约束矩阵为其中表示矩阵,K表 示端元个数;
端元组混合模型表示为:
yi=MBiai+ni (1)
式中,第i个混合元样本为对应端元组分量为ai=[a1i a2i… aKi]T, 且对应的加性噪声为K个L维端元的谱签名矩阵为
较优地,对模型做如下约定,端元组约束矩阵Bi,满足稀疏度约束:
式中,bki表示端元组矩阵变量,s表示稀疏约束度。
对应端元组分量ai满足非负、相加等于1和稀疏约束:
式中,aki表示端元组分量变量,υ表示稀疏约束度。
于是,N个混合元样本表示为矩阵对应端元组分量矩阵为 根据总平方误差最小的原则建立解混目标函数:
相应的约束条件可以描述为:
步骤S2中,双线性稀疏诱导方法具体为:
S21,分别从矩阵B和A中删除第i列bi和第j行得到矩阵B-i和A-j,定 义E=Y-MB-iA-j。
S22,假定B-i和A-j已知,求解bi和解混目标函数(4)改写为:
相应的约束条件为:
||aj||0≤v,||bj||0≤s,||Mbj||2=1。
S23,已知等式:根据拉格朗日乘子法将目标函数(6)化简为:
式(7)中,f1(aj)=||aj||1,f2(bi)=||bj||1;α、β为惯性系数。
步骤S3中,惯性邻近点交替线性极小化方法具体包括以下步骤:
S31,设化简后的目标函数(7)表示为:
其中变量
S32,目标函数中的稀疏约束是非平滑的,类似于牛顿方法解决无约束光滑 优化问题,这里使用邻近点优化方法处理约束的非平滑优化问题。
定义邻近点算子:
式中,λ为约束项参数,且λ>0,输入向量中间向量
采用邻近点算子迭代形成趋于函数f(·)极小值的点序列,约束项参数λ控制 点序列的步进长度。具体地,接近函数f(·)极小值时使用较大的参数值λ,减小 点序列的步进长度;远离函数f(·)极小值时使用较小的参数值λ,增加点序列的 步进长度。由此推导出一次范数的邻近点算子,表式为:
其中表示向量的第i个元素。
S33,初始化a0和b0;
S34,迭代生成序列
更新惯性系数和调节系数计算:
更新惯性系数和调节系数计算:
以上实施例仅用于说明本发明的优选实施方式,但本发明并不限于上述实 施方式,在所述领域普通技术人员所具备的知识范围内,本发明的精神和原则 之内所作的任何修改、等同替代和改进等,其均应涵盖在本发明请求保护的技 术方案范围之内。
Claims (6)
1.一种全光谱信号解混方法,其特征在于,包括以下步骤:
S1,利用端元组约束矩阵描述端元组混合,利用端元组混合模型建立解混目标函数;
S2,利用双线性稀疏诱导方法化简所述解混目标函数;
S3,利用惯性邻近点交替线性极小化方法求解所述解混目标函数。
2.如权利要求1所述的方法,其特征在于,步骤S1中:
端元组约束矩阵为其中表示矩阵,K表示端元个数;
端元组混合模型表示为:
yi=MBiai+ni
式中,第i个混合元样本为对应端元组分量为ai=[a1i a2i … aKi]T,且对应的加性噪声为K个L维端元的谱签名矩阵为
3.如权利要求2所述的方法,其特征在于:步骤S1中,
N个混合元样本表示为矩阵对应端元组分量矩阵为
建立解混目标函数:
端元组分量ai和端元组约束矩阵Bi需满足的约束条件为:
4.如权利要求3所述的方法,其特征在于:步骤S2中,所述双线性稀疏诱导方法具体包括如下步骤:
S21,分别从矩阵B和A中删除第i列bi和第j行得到矩阵B-i和A-j,
定义E=Y-MB-iA-j;
S22,假定B-i和A-j已知,求解bi和所述解混目标函数改写为:
相应的约束条件为:
||aj||0≤v,||bj||0≤s,||Mbj||2=1;
S23,已知等式:将改写后的解混目标函数化简为:
式中,f1(aj)=||aj||1,f2(bi)=||bj||1;α、β为惯性系数。
5.如权利要求4所述的方法,其特征在于:步骤S3中,惯性邻近点交替线性极小化方法具体包括以下步骤:
S31,设化简后的目标函数(7)表示为:
其中变量
S32,定义邻近点算子:
式中,λ为约束项参数,且λ>0,输入向量中间向量
采用邻近点算子迭代形成趋于函数f(·)极小值的点序列,约束项参数λ控制点序列的步进长度,推导出一次范数的邻近点算子,表式为:
式中,表示向量的第i个元素;
S33,初始化a0和b0;
S34,迭代生成序列
更新惯性系数和调节系数计算:
更新惯性系数和调节系数计算:
6.如权利要求5所述的方法,其特征在于,所述步骤S32中,当接近函数f(·)极小值时使用较大的参数值λ,减小点序列的步进长度;远离函数f(·)极小值时使用较小的参数值λ,增加点序列的步进长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810649095.8A CN109238972B (zh) | 2018-06-22 | 2018-06-22 | 一种全光谱信号解混方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810649095.8A CN109238972B (zh) | 2018-06-22 | 2018-06-22 | 一种全光谱信号解混方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109238972A true CN109238972A (zh) | 2019-01-18 |
CN109238972B CN109238972B (zh) | 2021-04-30 |
Family
ID=65072020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810649095.8A Expired - Fee Related CN109238972B (zh) | 2018-06-22 | 2018-06-22 | 一种全光谱信号解混方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109238972B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428454A (zh) * | 2019-08-13 | 2019-11-08 | 电子科技大学中山学院 | 一种高光谱解混方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436648A (zh) * | 2011-08-11 | 2012-05-02 | 上海交通大学 | 基于背景荧光消除的目标荧光光谱解混方法 |
CN103674247A (zh) * | 2013-11-21 | 2014-03-26 | 中国科学院上海技术物理研究所 | 一种丰度值可控的草地混合光谱获取实验方法 |
US20140105338A1 (en) * | 2011-05-05 | 2014-04-17 | Nuance Communications, Inc. | Low-delay filtering |
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 |
CN105825205A (zh) * | 2016-04-11 | 2016-08-03 | 福州大学 | 一种协作稀疏表示自适应的快速人脸识别方法 |
-
2018
- 2018-06-22 CN CN201810649095.8A patent/CN109238972B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140105338A1 (en) * | 2011-05-05 | 2014-04-17 | Nuance Communications, Inc. | Low-delay filtering |
CN102436648A (zh) * | 2011-08-11 | 2012-05-02 | 上海交通大学 | 基于背景荧光消除的目标荧光光谱解混方法 |
CN103674247A (zh) * | 2013-11-21 | 2014-03-26 | 中国科学院上海技术物理研究所 | 一种丰度值可控的草地混合光谱获取实验方法 |
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 |
CN105825205A (zh) * | 2016-04-11 | 2016-08-03 | 福州大学 | 一种协作稀疏表示自适应的快速人脸识别方法 |
Non-Patent Citations (1)
Title |
---|
介邓飞等: "基于高光谱漫透射成像可视化检测脐橙可溶性固形物", 《发光学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428454A (zh) * | 2019-08-13 | 2019-11-08 | 电子科技大学中山学院 | 一种高光谱解混方法、装置、电子设备及存储介质 |
CN110428454B (zh) * | 2019-08-13 | 2022-02-25 | 电子科技大学中山学院 | 一种高光谱解混方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109238972B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018208191B4 (de) | Maschinenlernvorrichtung, Robotersteuersystem und Maschinenlernverfahren | |
Ritchie et al. | Why do climate change scenarios return to coal? | |
CN103747161B (zh) | 一种高保真专色数字硬打样方法 | |
Simonetto | Dual prediction–correction methods for linearly constrained time-varying convex programs | |
CN104217409A (zh) | 一种基于模拟退火最优化算法的图像色彩校正方法 | |
CN108062598A (zh) | 一种多情景下的新态势负荷潜力预测方法 | |
CN103530852A (zh) | 一种镜头畸变校正方法 | |
CN104200783A (zh) | 通过产线校准使手机获得一致光感效果的方法及系统 | |
CN108872508A (zh) | 一种ga-bp优化tsfnn的富营养水质评价方法 | |
CN104505054A (zh) | 调整显示装置的灰阶过渡和色彩的方法 | |
CN110648020A (zh) | 一种温室作物需水量预测方法及装置 | |
DE112019004873T5 (de) | Korrektur der Variation zwischen Instrumenten | |
CN106448559B (zh) | 一种调整显示器伽马寄存器的值的方法及装置 | |
CN109238972A (zh) | 一种全光谱信号解混方法 | |
CN106056400A (zh) | 预测新增用户数的方法、装置及系统 | |
CN116128980A (zh) | 基于自编码器的相机内外参自动标定方法及系统 | |
CN111343746A (zh) | 多基色led光源多像素下消除亮度饱和的控制方法及控制器 | |
CN104092919B (zh) | 用于彩色数字影像系统的色适应变换寻优方法及系统 | |
CN109063155A (zh) | 语言模型参数确定方法、装置和计算机设备 | |
Gegler et al. | Estimation of the characteristics of a Lévy process | |
CN101442602A (zh) | 一种基于模糊理论的色彩空间转换方法 | |
US20220215814A1 (en) | Image display device, image display system, image display method, and computer program | |
CN103697812A (zh) | 关键尺寸测量装置的光量强度调整系统及调整方法 | |
TWI540568B (zh) | 應用於顯示裝置之校正方法、校正裝置以及建立色彩表現資料庫的方法 | |
CN101237517B (zh) | 图像处理方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210430 |