CN110309851B - 基于子空间聚类约束的高光谱影像解混方法、计算机可读存储介质、电子设备 - Google Patents
基于子空间聚类约束的高光谱影像解混方法、计算机可读存储介质、电子设备 Download PDFInfo
- Publication number
- CN110309851B CN110309851B CN201910410545.2A CN201910410545A CN110309851B CN 110309851 B CN110309851 B CN 110309851B CN 201910410545 A CN201910410545 A CN 201910410545A CN 110309851 B CN110309851 B CN 110309851B
- Authority
- CN
- China
- Prior art keywords
- matrix
- coefficient matrix
- unmixing
- end member
- hyperspectral image
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于子空间聚类约束的高光谱影像解混方法、计算机可读存储介质、电子设备,解决现有方法没有充分考虑高光谱影像地物复杂以及空间结构特征而导致的解混精度不高的问题。该方法包括以下步骤:1)输入高光谱影像Y;2)将子空间聚类方法嵌入到非负矩阵分解框架中,得到一个能够充分挖掘数据子空间结构的联合统一解混框架;3)迭代求解步骤2)联合统一框架中的各矩阵参数,分别得到端元系数矩阵B、丰度系数矩阵A和空间自表达系数矩阵S;4)利用步骤3.2)中得到的端元系数矩阵B合成端元,得到解混后的端元矩阵M:5)获得高光谱影像Y的端元矩阵M和丰度系数矩阵A,完成高光谱影像Y的解混。
Description
技术领域
本发明涉及图像处理技术,具体涉及一种基于子空间聚类约束的高光谱影像解混方法、计算机可读存储介质、电子设备,可以用于环境监测、风险预防和矿产勘探等方面。
背景技术
随着中国高光谱成像技术的飞速发展,高光谱影像包含越来越多的地面目标空间和光谱信息,使其在环境监测、风险预防和矿产勘探等方面得到了广泛应用。但是由于高光谱传感器成像方式的局限性,高空间分辨率和高高光谱分辨率不能共存,因此,高光谱卫星得到的遥感影像一般都具有较低的空间分辨率,这也导致了图像中混合像元的产生。为了充分利用这些高光谱遥感数据,混合像元分解是非常重要的预处理手段,它的目的是将高光谱影像中的每个像元都分解为端元和丰度的形式,其中,端元表示地面实际的纯净地物,丰度表示在每个像元中每种端元所在的比例。高光谱影像对后续进一步的目标识别、变化检测、图像分类等任务有着重要的帮助。
目前高光谱影像的线性解混方法主要分为三类:
一是基于几何的解混方法,这类方法基于凸面几何理论,假设高光谱影像中的各个端元(即影像中的纯净物质)位于能够包含所有数据的最小单形体的顶点处。因此,混合像元分解就可以看作是一个寻找该单形体顶点的过程。J.Li等人在文献“J.Li andJ.M.Bioucas-Dias,“Minimum volume simplex analysis:Afast algorithm to unmixhyperspectral data,”in Geoscience and RemoteSensing Symposium,IGARSS 2008”提出了一种方法,该方法通过把高光谱数据拟合到一个最小的单形体中,将丰度约束为概率单纯形来达到解混的目的。然而由于基于几何的方法只能用来提取端元,无法同时获取丰度,并且该方法忽略了高光谱影像的空间信息。另外,基于几何的方法大都假设原始影像中存在纯净像元或像元混合程度不高,但这现实环境中并不总是正确。
二是基于稀疏回归的解混方法,这类方法依赖已知的光谱库,它将解混看做是一个带有监督信息的问题,假设高光谱中的每个像元都可以被表达为一些已知的纯净光谱线性组合的形式。M.D.Iordache等人在文献“M.D.Iordache,J.M.Bioucas-Dias,andA.Plaza,“Sparse unmixingof hyperspectral data,”IEEE Transactions onGeoscience and RemoteSensing,vol.49,no.6,pp.2014–2039,2011”中提出了一种方法,该方法将USGS光谱库作为已知的先验信息,查找最佳的子集作为当前待解混数据的端元矩阵。然而它必须依赖正确的先验信息,而光谱库的构建过程是由实验室模拟真实场景得到的,不可避免会出现误差或者未包含实际的地物光谱等情况。
三是基于统计的解混方法,高光谱解混被看作是一个盲源分离问题,比较流行的算法有:基于贝叶斯框架的解混方法、基于非负矩阵分解的解混方法(NMF)。其中,基于NMF的方法由于显著的优势而被广泛应用,它寻找两个非负的矩阵,一个被用来学习原始数据的基,另一个是数据在基下的表达系数。Y.E.Salehani等人在文献Y.E.Salehani andS.Gazor,“Smooth and sparse regularization for nmf hyperspectral unmixing,”IEEE Journal of Selected Topics in AppliedEarth Observations and RemoteSensing,vol.PP,no.99,pp.1–16,2017"中提出了一种方法,该方法对标准的NMF添加两个约束项:光谱特征的平滑性和丰度矩阵的稀疏性来提高解混的精度。然而它忽略了高光谱影像中的复杂的空间结构和像元高度混合的情况。
综上所述,现有方法由于没有充分考虑高光谱影像地物复杂以及空间结构特征而导致的解混精度不高。
发明内容
本发明的目的是解决现有方法没有充分考虑高光谱影像地物复杂以及空间结构特征而导致的解混精度不高的问题,提出一种基于子空间聚类约束的高光谱影像解混方法、计算机可读存储介质、电子设备,该方法将子空间聚类方法嵌入到NMF中,充分挖掘数据的多层子空间结构,提高解混性能。
本发明的技术解决方案是:
一种基于子空间聚类约束的高光谱影像解混方法,包括以下步骤:
1)输入高光谱影像Y;
2)将子空间聚类方法嵌入到非负矩阵分解框架中,得到一个能够充分挖掘数据子空间结构的联合统一解混框架;
2.1)将子空间聚类方法嵌入到稀疏非负矩阵分解框架中,目标函数式为:
其中,Y代表输入的高光谱影像;M是端元矩阵;A是丰度系数矩阵;S是由子空间聚类算法得到的空间自表达系数矩阵;||·||F是矩阵的Frobenius模;Tr(·)表示一个矩阵的迹;(·)T是矩阵的转置;L是拉普拉斯矩阵;λ1和λ2分别表示空间结构约束和稀疏约束的权重系数;
2.2)利用原始数据合成人工端元矩阵:
M=YB (2)
其中,B是端元系数矩阵;
2.3)将式(2)与式(1)结合,得到更新后的目标函数式,该更新后的目标函数即为联合统一解混框架;
3)迭代求解步骤2.3)联合统一框架中的各矩阵参数,分别得到端元系数矩阵B、丰度系数矩阵A和空间自表达系数矩阵S;
3.1)固定空间自表达系数矩阵S,将目标函数式(3)改写为:
重写(4)式:
分别对公式(5)中的B、A求偏导,得:
依据KKT条件,可得端元系数矩阵B、丰度系数矩阵A的更新规则为:
其中,⊙表示矩阵对应元素相乘;At、Bt分别表示A、B经第t次迭代后的结果,At+1、Bt +1分别表示A、B经第t+1次迭代后的结果;
3.2)固定端元系数矩阵B、丰度系数矩阵A,将目标函数式(3)式改写为:
采用与步骤(3.1)中相同的方法,可得空间自表达系数矩阵S:
4)利用步骤3.2)中得到的端元系数矩阵B合成端元,得到解混后的端元矩阵M:
M=YB
5)获得高光谱影像Y的端元矩阵M和丰度系数矩阵A,完成高光谱影像Y的解混。
进一步地,步骤3.2)中,对于空间自表达系数矩阵S的每一列,在迭代过程中只保留最大的k个值。
同时,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
此外,本发明还提供一种电子设备,包括处理器和计算机可读存储介质;
所述计算机可读存储介质上存储有计算机程序,所述计算机程序被所述处理器运行时执行上述方法的步骤。
与现有方法相比,本发明具有以下有益效果:
1.本发明方法由于使用了原始数据的自表达矩阵来构建相似度矩阵,使得数据间的多层子空间结构被充分地挖掘出来,并且其对噪声不敏感具有很好的鲁棒性,因此它可以充分利用高光谱影像中所蕴含的空间-光谱信息对各个像元进行相似特征判断,能够在很大程度上提高解混的精度。
2.本发明与现有方法相比,充分考虑了高光谱图像数据的复杂多层子空间结构,克服了高光谱图像地物复杂、高度混合的难点,同时也克服了传统方法中数据相似度矩阵与非负矩阵分解框架相互独立的缺陷,极大地提高了解混的性能,可用于环境监测、风险预防和矿产勘探等方面。
附图说明
图1为本发明基于子空间聚类约束的高光谱解混方法的流程图;
图2为本发明实验中的Cuprite数据示意图;
图3为本发明实验中的India数据示意图;
图4为本发明在对Cuprite数据解混后的丰度图;其中,(a)Alunite.(b)Andradite.(c)Buddingtonite.(d)Chalcedony.(e)Dumortierite.(f)Kaolinite#1.(g)Kaolinite#2.(h)Montmorillonite.(i)Muscovite.(j)Nontronite.(k)Pyrope.(l)Sphene.
图5为本发明在对India数据解混后的丰度图;其中,(a)Man-made land.(b)Wheat.(c)Corn.(d)Soybean.(e)Vegetation.(f)Haystack。
具体实施方式
以下结合附图和具体实施例对本发明的内容作进一步详细描述:
本发明公开了一种基于子空间聚类约束的高光谱影像解混方法、计算机可读存储介质、电子设备,主要解决了现有方法没有充分考虑高光谱影像地物复杂以及空间结构特征而导致的解混精度不高的问题。其实现的步骤是:(1)将子空间聚类嵌入到非负矩阵分解方法中,得到一个能够充分挖掘数据子空间结构的联合统一解混框架;(2)迭代求解联合统一框架中的各矩阵参数,分别得到端元系数矩阵B、丰度系数矩阵A和空间自表达系数矩阵S;(3)对于每个像素的自表达向量,只保留最大的k个值,目的是只利用像素所在子空间来进行丰度约束、避免其他子空间对当前像素的表达造成干扰;(4)利用(2)中得到的端元系数矩阵B来构建端元矩阵M;(5)计算解混精度并评价其性能,将该发明得到的解混结果与USGS光谱库中的真实结果对比统计解混精度。
本发明方法充分考虑了高光谱图像数据的复杂多层子空间结构,克服了高光谱图像地物复杂、高度混合的难点,同时也克服了传统方法中数据相似度矩阵与非负矩阵分解框架相互独立的缺陷,极大地提高了解混的性能,可用于环境监测、风险预防和矿产勘探等方面。
如图1所示,本发明基于子空间聚类约束的非负矩阵分解的高光谱影像解混方法实现的步骤如下:
步骤1、输入高光谱影像Y;
步骤2、为了充分挖掘数据中的多层子空间结构,将子空间聚类方法嵌入到NMF(非负矩阵分解)框架中,得到一个联合统一的解混框架;
2.1)构建带有子空间约束的NMF模型;
将子空间聚类方法嵌入到稀疏非负矩阵分解框架中,目标函数式为:
其中,Y代表高光谱影像;M是端元矩阵;A是丰度系数矩阵;S是由子空间聚类算法得到的空间自表达系数矩阵;||·||F是矩阵的Frobenius模;Tr(·)表示一个矩阵的迹;(·)T是矩阵的转置;L是拉普拉斯矩阵;λ1和λ2分别表示空间结构约束和稀疏约束的权重系数;
(1)式中的第一项是标准非负矩阵的表达式;第二项是子空间聚类表达式,目的是为了获取自表达系数矩阵;第三项Tr(ALAT),根据地理学定律将数据间的相似性转移到丰度系数相似性上来,以保持原始数据间的多层子空间结构,其中L是一个拉普拉斯矩阵(对拉普拉斯矩阵L进行随机初始化赋值),被定义为:L=D-W,D是一个对角阵,每个对角线上的元素均等于在W矩阵的该列加和值,即:W是由自表达系数矩阵S构建的相似性矩阵,表达式为:第四项目的在于保持丰度系数的稀疏性,被定义为:另外,目标函数式带有diag(S)=0是为了避免在子空间聚类过程中得到平凡解;
2.2)利用原始数据来合成人工端元矩阵:
M=YB (2)
其中,B是端元系数矩阵;
2.3)将式(2)与式(1)结合,随后更新(2.1)中的目标函数式,该更新后的目标函数即为联合统一解混框架;
步骤3、迭代求解步骤2.3)联合统一框架中的各矩阵参数,分别得到端元系数矩阵B、丰度系数矩阵A和空间自表达系数矩阵S;
3.1)固定空间自表达系数矩阵S,将目标函数式(3)改写为:
为了便于书写和显示,重写(4)式:
分别对公式(5)中的B、A求偏导,得:
依据KKT条件,可得端元系数矩阵B、丰度系数矩阵A的更新规则为:
其中,⊙表示矩阵对应元素相乘,At、Bt分别表示A、B经第t次迭代后的结果,At+1、Bt +1分别表示A、B经第t+1次迭代后的结果;
3.2)固定端元系数矩阵B、丰度系数矩阵A,将目标函数式(3)式改写为:
采用与步骤(3.1)中相同的求解策略,可得:
特别地,对于空间自表达系数矩阵S的每一列(即每个像素的自表达向量),在迭代过程中只保留最大的k个值,目的是只利用像素所在子空间来进行丰度约束,避免图像中噪声和其他子空间对当前像素的表达造成干扰,保证该像素的丰度系数只由其所在子空间像素约束;
步骤4、计算端元矩阵
利用步骤3.2)中得到的端元系数矩阵B合成端元,得到解混后的端元矩阵M:
M=YB
步骤5、获得高光谱影像Y的端元矩阵M和丰度系数矩阵A,完成高光谱影像Y的解混;
步骤6、计算解混精度
将光谱角距离SAD和均方根误差RMSE作为评价指标对本发明方法进行性能评估,前者表示估计的端元和真实端元之间的角距离,后者表示估计的丰度和真实丰度之间的均方根误差。假定图像中共有p个端元,根据步骤2、3、4得到解混结果,对本发明方法得到的端元矩阵Mp和丰度矩阵Ap进行评价。
实验验证
1.仿真条件
本发明是在中央处理器为Intel(R)Core(TM)i3-2130 3.40GHZ、内存16G、WINDOWS7操作系统上,运用MATLAB软件进行的仿真。实验中使用的图像数据为AVIRIS传感器采集到的Cuprite数据和India数据,如图1和图2所示。Cuprite数据共包含12种光谱端元,共有188个波段,影像尺寸为200pixel×150pixel。India数据共包含6种端元,169个波段,像素尺寸为150pixel×150pixel。
2.仿真内容
按如下步骤用本发明方法进行高光谱混合像元分解
(2a)首先在Cuprite数据上用本发明根据步骤2、3、4、5得到最终的解混精度。
其次,在Cuprite数据上用已有的算法RCMF、CSNMF、L1/2-NMF、VCA-FCLS、SISAL-FCLS方法进行解混并得到其SAD结果。其中,RCMF算法是在文献“N.Akhtar and A.Mian,“Rcmf:Robust constrained matrix factorizationfor hyperspectral unmixing,”IEEETransactions on Geoscience andRemote Sensing,vol.PP,no.99,pp.1–13,2017”中提出的。CSNMF是在文献“X.Lu,H.Wu,Y.Yuan,P.Yan,and X.Li,“Manifold regularizedsparsenmf for hyperspectral unmixing,”IEEE Transactions on GeoscienceandRemote Sensing,vol.51,no.5,pp.2815–2826,2013”中提出的。L1/2-NMF是在文献“Y.Qian,S.Jia,J.Zhou,and A.Robles-Kelly,“Hyperspectral unmixing via l{1/2}sparsity-constrained nonnegative matrix factorization,”IEEE Transactions onGeoscience and Remote Sensing,vol.49,no.11,pp.4282–4297,2011”中提出的。VCA-FCLS是在文献“J.M.P.Nascimento and J.M.B.Dias,“Vertex component analysis:afast algorithm to unmix hyperspectral data,”IEEE Transactions onGeoscienceand Remote Sensing,vol.43,no.4,pp.898–910,2005”中提出的。SISAL-FCLS是在文献“J.M.Bioucas-Dias,“A variable splitting augmented lagrangian approachtolinear spectral unmixing,”in Hyperspectral Image and Signal Process-ing:Evolution in Remote Sensing,2009.WHISPERS’09.First Workshopon.IEEE,2009,pp.1–4”中提出的。
实验结果如表1、图4所示。
表1.Cuprite数据上的SAD结果
RCMF | CSNMF | L1/2-NMF | VCA-FCLS | SISAL-FCLS | SC-NMF | |
Alunite | 0.1027 | 0.1054 | 0.1039 | 0.1129 | 0.2054 | 0.0982 |
Andradite | 0.0835 | 0.0844 | 0.0822 | 0.0886 | 0.0992 | 0.0831 |
Buddingtonite | 0.1054 | 0.1123 | 0.0998 | 0.0900 | 0.1217 | 0.0867 |
Chalcedony | 0.0916 | 0.0832 | 0.1307 | 0.1296 | 0.1316 | 0.1029 |
Dumortierite | 0.0943 | 0.1390 | 0.0932 | 0.0861 | 0.1247 | 0.1024 |
Kaolinite#1 | 0.0982 | 0.1147 | 0.0778 | 0.0790 | 0.1441 | 0.0736 |
Kaolinite#2 | 0.0814 | 0.1041 | 0.0692 | 0.0704 | 0.0609 | 0.0548 |
Montmorillonite | 0.0872 | 0.0706 | 0.0695 | 0.0637 | 0.0636 | 0.1147 |
Muscovite | 0.0951 | 0.0534 | 0.1644 | 0.1443 | 0.1336 | 0.11028 |
Nontronite | 0.0978 | 0.1363 | 0.0894 | 0.0861 | 0.1023 | 0.0896 |
Pyrope | 0.0914 | 0.0806 | 0.0616 | 0.0861 | 0.1580 | 0.0635 |
Sphene | 0.0893 | 0.0601 | 0.1628 | 0.1368 | 0.2128 | 0.0823 |
Mean | 0.0932 | 0.0953 | 0.1004 | 0.0978 | 0.1062 | 0.0887 |
(2b)采用与(2a)相同的实验步骤在India数据上进行实验,实验结果如表2、图5所示。
表2.India数据上的SAD结果
RCMF | CSNMF | L1/2-NMF | VCA-FCLS | SISAL-FCLS | SC-NMF | |
Man-made land | 0.1123 | 0.2517 | 0.1138 | 0.0924 | 0.1820 | 0.3217 |
Wheat | 0.0618 | 0.0867 | 0.3412 | 0.3546 | 0.4466 | 0.0358 |
Corn | 0.0943 | 0.1068 | 0.1516 | 0.0761 | 0.3262 | 0.0368 |
Soybean | 0.0732 | 0.0721 | 0.0444 | 0.1111 | 0.5995 | 0.0634 |
Vegetation | 0.1427 | 0.0508 | 0.0421 | 0.0464 | 0.3198 | 0.0490 |
Haystack | 0.2308 | 0.0642 | 0.1658 | 0.1945 | 0.2059 | 0.0345 |
Mean | 0.1192 | 0.1052 | 0.1431 | 0.1458 | 0.3467 | 0.0902 |
从表1和表2的结果以及图3、4的丰度可视化结果可知,本发明较其他已有方法的解混精度有较为明显的提高,这是因为本发明利用子空间聚类方法学习了数据的多层子空间结构,在各个解混的各个丰度系数间建立了更为良好的相关性模型,并且减缓了影像中噪声对结果的影像,因此获得了更好的高光谱解混精度,进一步验证了本发明的先进性。
本发明实施例还提供一种计算机可读存储介质,用于存储程序,程序被执行时实现基于子空间聚类约束的高光谱影像解混方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述方法部分中描述的根据本发明各种示例性实施方式的步骤。
用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (4)
1.一种基于子空间聚类约束的高光谱影像解混方法,其特征在于,包括以下步骤:
1)输入高光谱影像Y;
2)将子空间聚类方法嵌入到非负矩阵分解框架中,得到一个能够充分挖掘数据子空间结构的联合统一解混框架;
2.1)将子空间聚类方法嵌入到稀疏非负矩阵分解框架中,目标函数式为:
其中,Y代表输入的高光谱影像;M是端元矩阵;A是丰度系数矩阵;S是由子空间聚类算法得到的空间自表达系数矩阵;||·||F是矩阵的Frobenius模;Tr(·)表示一个矩阵的迹;(·)T是矩阵的转置;L是拉普拉斯矩阵;λ1和λ2分别表示空间结构约束和稀疏约束的权重系数;
2.2)利用原始数据合成人工端元矩阵:
M=YB (2)
其中,B是端元系数矩阵;
2.3)将式(2)与式(1)结合,得到更新后的目标函数式,该更新后的目标函数即为联合统一解混框架;
3)迭代求解步骤2.3)联合统一框架中的各矩阵参数,分别得到端元系数矩阵B、丰度系数矩阵A和空间自表达系数矩阵S;
3.1)固定空间自表达系数矩阵S,将目标函数式(3)改写为:
重写(4)式:
分别对公式(5)中的B、A求偏导,得:
依据KKT条件,可得端元系数矩阵B、丰度系数矩阵A的更新规则为:
其中,⊙表示矩阵对应元素相乘;At、Bt分别表示A、B经第t次迭代后的结果,At+1、Bt+1分别表示A、B经第t+1次迭代后的结果;
3.2)固定端元系数矩阵B、丰度系数矩阵A,将目标函数式(3)式改写为:
采用与步骤(3.1)中相同的方法,可得空间自表达系数矩阵S:
4)利用步骤3.2)中得到的端元系数矩阵B合成端元,得到解混后的端元矩阵M:
M=YB
5)获得高光谱影像Y的端元矩阵M和丰度系数矩阵A,完成高光谱影像Y的解混。
2.根据权利要求1所述的基于子空间聚类约束的高光谱影像解混方法,其特征在于,步骤3.2)中,对于空间自表达系数矩阵S的每一列,在迭代过程中只保留最大的k个值。
3.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1或2所述方法的步骤。
4.一种电子设备,其特征在于:包括处理器和计算机可读存储介质;
所述计算机可读存储介质上存储有计算机程序,所述计算机程序被所述处理器运行时执行权利要求1或2所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910410545.2A CN110309851B (zh) | 2019-05-16 | 2019-05-16 | 基于子空间聚类约束的高光谱影像解混方法、计算机可读存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910410545.2A CN110309851B (zh) | 2019-05-16 | 2019-05-16 | 基于子空间聚类约束的高光谱影像解混方法、计算机可读存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110309851A CN110309851A (zh) | 2019-10-08 |
CN110309851B true CN110309851B (zh) | 2021-06-22 |
Family
ID=68075426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910410545.2A Expired - Fee Related CN110309851B (zh) | 2019-05-16 | 2019-05-16 | 基于子空间聚类约束的高光谱影像解混方法、计算机可读存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309851B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992273B (zh) * | 2019-11-04 | 2023-04-18 | 中国科学院西安光学精密机械研究所 | 一种自相似性约束的高光谱影像解混方法 |
CN111652041A (zh) * | 2020-04-14 | 2020-09-11 | 河北地质大学 | 基于深度子空间聚类的高光谱波段选择方法、设备和装置 |
CN111543990B (zh) * | 2020-05-13 | 2022-11-04 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 肌肉协同的提取方法及基于肌肉协同的运动功能分析评估方法 |
CN112712028B (zh) * | 2020-12-30 | 2024-04-09 | 闽江学院 | 一种基于归一化地物子空间投影的光谱解混方法 |
CN112949698B (zh) * | 2021-02-08 | 2024-01-12 | 西北工业大学 | 一种非局部低秩张量相似性约束的高光谱解混方法 |
CN114841875B (zh) * | 2022-04-22 | 2023-08-11 | 哈尔滨师范大学 | 一种基于图学习和降噪的高光谱图像解混方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952050A (zh) * | 2015-07-07 | 2015-09-30 | 西安电子科技大学 | 基于区域分割的高光谱图像自适应解混方法 |
-
2019
- 2019-05-16 CN CN201910410545.2A patent/CN110309851B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952050A (zh) * | 2015-07-07 | 2015-09-30 | 西安电子科技大学 | 基于区域分割的高光谱图像自适应解混方法 |
Non-Patent Citations (1)
Title |
---|
Total Variation Spatial Regularization for Sparse Hyperspectral Unmixing;Marian-Daniel Iordache 等;《IEEE Transactions on Geoscience and Remote Sensing》;20120507;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110309851A (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309851B (zh) | 基于子空间聚类约束的高光谱影像解混方法、计算机可读存储介质、电子设备 | |
Qian et al. | Matrix-vector nonnegative tensor factorization for blind unmixing of hyperspectral imagery | |
Wu et al. | A scene change detection framework for multi-temporal very high resolution remote sensing images | |
Zhong et al. | Blind spectral unmixing based on sparse component analysis for hyperspectral remote sensing imagery | |
Qu et al. | Abundance estimation for bilinear mixture models via joint sparse and low-rank representation | |
Lu et al. | Subspace clustering constrained sparse NMF for hyperspectral unmixing | |
CN107145836B (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
CN110992273B (zh) | 一种自相似性约束的高光谱影像解混方法 | |
Wang et al. | Adaptive ${L} _ {\bf 1/2} $ sparsity-constrained NMF with half-thresholding algorithm for hyperspectral unmixing | |
CN112308152B (zh) | 基于光谱分割与同质区域检测的高光谱图像地物分类方法 | |
CN103208011B (zh) | 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法 | |
Sun et al. | A Poisson nonnegative matrix factorization method with parameter subspace clustering constraint for endmember extraction in hyperspectral imagery | |
CN109359525B (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 | |
Zhang et al. | Randomized SVD methods in hyperspectral imaging | |
Rajabi et al. | Sparsity constrained graph regularized NMF for spectral unmixing of hyperspectral data | |
CN112215267B (zh) | 一种面向高光谱图像的深度空谱子空间聚类方法 | |
CN109583380B (zh) | 一种基于注意力约束非负矩阵分解的高光谱分类方法 | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
CN111242228B (zh) | 高光谱图像分类方法、装置、设备及存储介质 | |
CN103425995A (zh) | 基于区域相似性低秩表示降维的高光谱图像分类方法 | |
CN115620128A (zh) | 一种高光谱异常检测方法 | |
CN112163114A (zh) | 一种基于特征融合的图像检索方法 | |
CN108460326A (zh) | 一种基于稀疏表达图的高光谱图像半监督分类方法 | |
Yang et al. | Combined nonlocal spatial information and spatial group sparsity in NMF for hyperspectral unmixing | |
Cui et al. | Unrolling nonnegative matrix factorization with group sparsity for blind hyperspectral unmixing |
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: 20210622 |
|
CF01 | Termination of patent right due to non-payment of annual fee |