CN111008975B - 一种空间人造目标线性模型的混合像元解混方法及系统 - Google Patents
一种空间人造目标线性模型的混合像元解混方法及系统 Download PDFInfo
- Publication number
- CN111008975B CN111008975B CN201911211324.9A CN201911211324A CN111008975B CN 111008975 B CN111008975 B CN 111008975B CN 201911211324 A CN201911211324 A CN 201911211324A CN 111008975 B CN111008975 B CN 111008975B
- Authority
- CN
- China
- Prior art keywords
- matrix
- abundance
- pixel
- end member
- updating
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种空间人造目标线性模型的混合像元解混方法及系统。通过获取空间人造目标的成像光谱数据;对采集到的成像数据进行超像素分割,充分结合成像光谱数据本身的空间信息和光谱信息,在标准的非负矩阵分解中引入超像素组稀疏非负矩阵混合像元解混方法。该方法基于线性混合模型,在标准的非负矩阵中引入空间组稀疏约束项和丰度的二次函数约束项,空间组稀疏约束项考虑了样本数据的空间结构信息,而丰度的二次函数约束项更好描述了组成空间人造目标表面材料的分布规律,从而提高了混合像元的解混精度,不需要假设纯像元的存在,可以同时获得空间人造目标混合像元的端元和丰度,并且对噪声有较好的鲁棒性。
Description
技术领域
本发明涉及混合像元解混领域,特别是涉及一种空间人造目标线性模型的混合像元解混方法及系统。
背景技术
近年来,空间资源争夺愈发紧张,空间监测引起了高度关注。空间目标探测是空间监视中重要的一环,其根据目标尺寸、形状、轨道参数等特性确定目标,具有十分重要的军事价值。空间目标主要指在大气层外绕地球飞行的各种在轨工作航天器和空间碎片。空间碎片一般指由于人类在太空中留下的废弃物及其衍生物,如报废的卫星、完成任务的航天器、老化的部件及在轨卫星产生的一些喷射物等。随着人类科技水平的提高,越来越多的卫星被发射,地球轨道逐渐拥挤。因此,对空间人造目标及其产生的空间碎片进行及时、准确的探测、识别和跟踪具有重要的意义。
目前对空间目标进行探测的手段主要包括:天基监视装备和地基监视装备。其中雷达和光电探测手段被广泛地用于空间目标探测中。雷达可以对目标进行全天候、全时段的探测,但由于其探测能力与空间目标斜距的四次方成反比,主要适用于探测低轨道空间目标。空间目标的光电探测技术依据成像特性、辐射特性和光谱特性进行探测。基于成像特性的光学探测中,通过提取目标的尺寸、姿态等信息,因而对观测条件要求较高,一般只适用于低轨大目标的探测。基于光谱的探测技术根据传感器收到的目标反射光谱进行识别,并且可以反演出目标表面的组成材料。在远距离观测的情况下,空间目标成像为图像中的一个小点,缺少形状和姿态信息。由于所处失重的环境,它们在飞行中的轨迹类似。此时,采用常规的光学特性无法进行有效地识别。但此时,可以根据空间目标的辐射、光谱等特性,进行有效识别。成像光谱是一种新兴的测量方式,其将成像和光谱特性相结合,从而进行空间目标的探测研究。
本发明采用成像光谱技术对空间人造目标进行识别,其优势在于:(1)成像光谱仪体积较小,成本较低,且具有较高图像分辨率和光谱分辨率。(2)成像光谱技术属于单帧检测,即在同一时间得到卫星某一时刻的成像数据,并不需要像基于几何特性进行识别中需要一个时间段的图像。故可以极大提高识别速度,并且可以依靠获得的多个光谱段的信息进行空间目标的反隐身识别和探测。(3)当观测空间人造目标轨道或外观相似时,可以依据成像光谱数据中光谱维的信息进行识别。
由于空间人造目标所处的环境较为苛刻,本身结构复杂紧凑,并且成像光谱仪的空间分辨率有限,观测得到的成像光谱数据中每一个像素点包含了多种材料,将这样的像素点称为混合像元。由于观测得到的数据中每一个像素点对应卫星上一块连续的区域,因而混合像元普遍存在。混合像元的解混是空间人造目标识别中一个很重要的部分,其以像素点为目标,探究其组成材料及其对应的比例。在成像光谱中,将获取组成材料的过程描述为端元提取,计算每一种组成材料比例的过程称为丰度估计。目前,大多数基于线性模型进行解混,一般分为端元提取和丰度估计的过程。然而,大多数现有方法无法充分利用数据的空间信息。
发明内容
本发明的目的是提供一种空间人造目标线性模型的混合像元解混方法及系统,在非负矩阵分解中引入表示材料丰度稀疏性的二次函数约束项和空间组稀疏约束项,提高了混合像元解混的精度。
为实现上述目的,本发明提供了如下方案:
一种空间人造目标线性模型的混合像元解混方法,包括:
获取空间人造目标的成像光谱数据;
将所述成像光谱数据进行超像素分割,计算分割后每个局部区域中每个像素点与聚类中心像素点相似度;
根据各所述相似度、空间组稀疏约束和丰度二次稀疏约束,基于线性模型构建目标函数,所述目标函数包括端元矩阵、丰度矩阵和平均丰度值;
初始化所述目标函数中的端元矩阵和丰度矩阵,得到初始端元矩阵和初始丰度矩阵;
根据所述目标函数、所述初始端元矩阵和所述初始丰度矩阵,确定端元矩阵的更新规则和丰度矩阵的更新规则;
根据所述端元矩阵的更新规则更新初始端元矩阵,根据所述丰度矩阵的更新规则更新初始丰度矩阵;
判断是否达到迭代次数;
若是,则输出更新后的端元矩阵和更新后的丰度矩阵;
若否,则根据所述端元矩阵的更新规则更新更新后的端元矩阵,根据所述丰度矩阵的更新规则更新更新后的丰度矩阵。
可选的,所述获取空间人造目标的成像光谱数据,具体包括:
通过成像光谱仪获取空间人造目标的成像光谱数据P为分割的区域个数,对于每一个区域有 为实数集表示符号,L为波段数,N为原始成像光谱数据像素点的个数,np表示第p个区域像素点的个数,YP为分割后第P个区域的成像光谱数据。
可选的,所述将所述成像光谱数据进行超像素分割,计算分割后每个局部区域中每个像素点与聚类中心像素点相似度,具体包括:
初始化聚类中心;
在所述成像光谱数据进行超像素分割,并按照设定的超像素个数均匀分配种子点;
在各所述种子点对应的邻域内重新选择一个种子点,作为聚类中心;
确定超像素分割后的每个局部区域中的每个像素到所述聚类中心的距离;
根据各所述距离,确定每个局部区域中每个像素点与所述聚类中心像素点相似度。
可选的,所述根据各所述相似度、空间组稀疏约束和丰度二次稀疏约束,基于线性模型构建目标函数,具体包括:
其中,λ为重构误差与空间组稀疏的正则化参数,β为重构误差与丰度稀疏的正则化参数;θp为丰度矩阵,cj为像素与聚类中心像素点之间的局部相似度,为平均丰度稀疏约束,m为端元数目,M为端元个数,N为原始成像光谱数据像素点的个数,YP为为分割后第P个区域的成像光谱数据,A为端元矩阵。
可选的,所述根据所述目标函数、所述初始端元矩阵和所述初始丰度矩阵,确定端元矩阵的更新规则和丰度矩阵的更新规则,具体包括:
通过坐标下降法根据所述目标函数、所述初始端元矩阵和所述初始丰度矩阵对所述目标函数进行优化求解,确定端元矩阵的更新规则和丰度矩阵的更新规则。
一种空间人造目标线性模型的混合像元解混系统,包括:
获取模块,用于获取空间人造目标的成像光谱数据;
相似度确定模块,用于将所述成像光谱数据进行超像素分割,计算分割后每个局部区域中每个像素点与聚类中心像素点相似度;
目标函数构建模块,用于根据各所述相似度、空间组稀疏约束和丰度二次稀疏约束,基于线性模型构建目标函数,所述目标函数包括端元矩阵、丰度矩阵和平均丰度值;
初始化模块,用于初始化所述目标函数中的端元矩阵和丰度矩阵,得到初始端元矩阵和初始丰度矩阵;
更新规则确定模块,用于根据所述目标函数、所述初始端元矩阵和所述初始丰度矩阵,确定端元矩阵的更新规则和丰度矩阵的更新规则;
更新模块,用于根据所述端元矩阵的更新规则更新初始端元矩阵,根据所述丰度矩阵的更新规则更新初始丰度矩阵;
判断模块,用于判断是否达到迭代次数;
输出模块,用于当达到迭代次数时,输出更新后的端元矩阵和更新后的丰度矩阵;
返回模块,用于当未达到迭代次数时,根据所述端元矩阵的更新规则更新更新后的端元矩阵,根据所述丰度矩阵的更新规则更新更新后的丰度矩阵。
可选的,所述获取模块,具体包括:
获取单元,用于通过成像光谱仪获取空间人造目标的成像光谱数据P为分割的区域个数,对于每一个区域有 为实数集表示符号,L为波段数,N为原始成像光谱数据像素点的个数,np表示第p个区域像素点的个数,YP为分割后第P个区域的成像光谱数据。
可选的,所述相似度确定模块,具体包括:
初始化单元,用于初始化聚类中心;
分割单元,用于在所述成像光谱数据进行超像素分割,并按照设定的超像素个数均匀分配种子点;
种子点重新选择单元,用于在各所述种子点对应的邻域内重新选择一个种子点,作为聚类中心;
距离确定单元,用于确定超像素分割后的每个局部区域中的每个像素到所述聚类中心的距离;
相似度确定单元,用于根据各所述距离,确定每个局部区域中每个像素点与所述聚类中心像素点相似度。
可选的,所述目标函数构建模块,具体包括:
目标函数构建单元,用于根据各所述相似度、空间组稀疏约束和丰度二次稀疏约束,基于线性模型构建目标函数:
其中,λ为重构误差与空间组稀疏的正则化参数,β为重构误差与丰度稀疏的正则化参数;θp为丰度矩阵,cj为像素与聚类中心像素点之间的局部相似度,为平均丰度稀疏约束,m为端元数目,M为端元个数,N为原始成像光谱数据像素点的个数,YP为分割后第P个区域的成像光谱数据,A为端元矩阵。
可选的,所述更新规则确定模块,具体包括:
更新规则确定单元,用于通过坐标下降法根据所述目标函数、所述初始端元矩阵和所述初始丰度矩阵对所述目标函数进行优化求解,确定端元矩阵的更新规则和丰度矩阵的更新规则。
本发明与现有技术相比的优点在于:
本发明采用改进的SLIC算法对原始成像光谱数据进行划分,即在SLIC算法中计算光谱距离时引入高斯核,对原始成像光谱数据进行划分,将成像光谱数据中的空间信息和光谱信息有效地结合,并在非负矩阵中加入空间组稀疏和丰度二次约束,可以有效提取得到混合像元中的端元和丰度值,具有收敛速度快,精度高,鲁棒性强的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明空间人造目标线性模型的混合像元解混方法流程图;
图2为本发明USGS库中5种地物光谱;
图3为本发明USGS库中5种地物对应的丰度分布;
图4为本发明SNR=30dB、端元个数P为5时利用SRBMF方法估计的端元光谱结果示意图;
图5为本发明空间人造目标线性模型的混合像元解混系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种空间人造目标线性模型的混合像元解混方法及系统,在非负矩阵分解中引入表示材料丰度稀疏性的二次函数约束项和空间组稀疏约束项,提高了混合像元解混的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明空间人造目标线性模型的混合像元解混方法流程图。如图1所示,一种空间人造目标线性模型的混合像元解混方法包括:
步骤101:获取空间人造目标的成像光谱数据,具体包括:
通过成像光谱仪获取空间人造目标的成像光谱数据P为分割的区域个数,对于每一个区域有 为实数集表示符号,L为波段数,np表示第p个区域像素点的个数,YP为分割后第P个区域的成像光谱数据。对应的丰度矩阵有S1,...,SP为丰度矩阵Sr的组成元素,M为端元个数,N为原始成像光谱数据像素点的个数,由于空间结构特性,每个空间组有相同的端元,对应着相似的丰度矩阵。
步骤102:将所述成像光谱数据进行超像素分割,计算分割后每个局部区域中每个像素点与聚类中心像素点相似度,具体包括:
初始化聚类中心。
在所述成像光谱数据进行超像素分割,并按照设定的超像素个数均匀分配种子点。
在各所述种子点对应的邻域内重新选择一个种子点,作为聚类中心;具体方法为:计算该邻域内所有种子点的梯度值,将梯度值最小的地方设为新的种子点。这样是为了避免种子点落在梯度较大的轮廓边界上,影响后续聚类效果。引入规则六边形网格选择相应的邻域。
确定超像素分割后的每个局部区域中的每个像素到所述聚类中心的距离;在2w*2w的区域内,计算像素到种子点即聚类中心的距离,其中w为期望的超像素尺寸(即规则六边形的宽)。接着使用K-Mean算法进行递代,直到算法收敛或达到设定的递代次数。需要注意的是,在聚类过程中直接使用原始的光谱特征,使得光谱信息损失最小,对于具有L谱带的高光谱图像,定义第i个超像素(即分割的空间组)的簇中心为:其中:是第i个空间组的平均光谱反射率,[mi,ni]T为空间聚类中心坐标。距离公式如下:
其中dx光谱距离,wx表示光谱相似性的权重,dmn表示空间的距离,Dj为像素点xj到聚类中心的距离,利用六边形w的宽度对空间距离进行归一化。ws表示光谱相似性和空间相似性的重要程度,在[0.1,1]区间。w控制超像素的平均大小和空间组的总数P,取[3,11]。
步骤103:根据各所述相似度、空间组稀疏约束和丰度二次稀疏约束,基于线性模型构建目标函数,所述目标函数包括端元矩阵、丰度矩阵和平均丰度值,具体包括:
其中,λ为重构误差与空间组稀疏的正则化参数,β为重构误差与丰度稀疏的正则化参数;θp为丰度矩阵,cj为像素与聚类中心像素点之间的局部相似度,为平均丰度稀疏约束,m为端元数目,M为端元个数,N为原始成像光谱数据像素点的个数,YP为分割后第P个区域的成像光谱数据,A为端元矩阵。
步骤104:初始化所述目标函数中的端元矩阵和丰度矩阵,得到初始端元矩阵和初始丰度矩阵,具体的,通过顶点分量分析初始化端元矩阵,通过全约束最小二乘法初始化丰度矩阵。
步骤105:根据所述目标函数、所述初始端元矩阵和所述初始丰度矩阵,确定端元矩阵的更新规则和丰度矩阵的更新规则,具体包括:
通过坐标下降法根据所述目标函数、所述初始端元矩阵和所述初始丰度矩阵对所述目标函数进行优化求解,确定端元矩阵的更新规则和丰度矩阵的更新规则。
通过块坐标下降法求解终成员和丰度,它每次保持其他块变量不变的情况下,每次针对一个变量块的目标函数进行优化求解。对于目标函数(1),在迭代过程中,目标函数求解分为三个子问题进行优化:(1)更新(2)更新SP;(3)更新端元矩阵A。
通过交替非负最小二乘算法求解每个子问题,对于分割后的每个丰度矩阵SP和端元矩阵A的更新规则如下所示:
为了对丰度矩阵施加和为一的约束,采用了全约束最小二乘法引入新的特征矩阵,增广后的YP和A如下所示:
其中δ一个正值,用来平衡估计精度和加性约束。
根据乘法更新规则可以得到如下更新公式:
由于端元矩阵A没有约束,可以很容易得到其梯度公式。对于端元矩阵的更新规则如下所示:
丰度矩阵Sr的更新规则:
最终,基于以上推导,可以得到最终的更新规则如下:
步骤106:根据所述端元矩阵的更新规则更新初始端元矩阵,根据所述丰度矩阵的更新规则更新初始丰度矩阵。
步骤107:判断是否达到迭代次数。
步骤108:若达到迭代次数,则输出更新后的端元矩阵和更新后的丰度矩阵。
若未达到迭代次数,则根据所述端元矩阵的更新规则更新更新后的端元矩阵,根据所述丰度矩阵的更新规则更新更新后的丰度矩阵,其更新规则与步骤106完全相同,不同之处仅在于,其更新的对象是更新后的端元矩阵和更新后的丰度矩阵。
从美国地质调查局数字光谱库(United States Geological Survey,USGS)中选择观测数据,同时根据球形高斯场生成了相应的丰度图。仿真图中每个像素基于线性模型混合而成,随机选择纯端元并在每个像素施加非负(abundance nonnegative constraint,ANC)与和为一(abundance sum-to-one constraint,ASC)约束。使用MATLAN仿真工具箱,生成一个具有64*64个像素点的数据立方体,这里随机选择5条光谱作为纯物质端元,如图2所示,共224个波段,且生成的数据立方体中不含有纯端元像素,这一点可以在生成仿真数据过程中通过丢弃所有丰度分数大于0.8的要求得到满足。并且在仿真数据中叠加高斯白噪声,使得信噪比(SNR)为30dB。图2为本发明USGS库中5种地物光谱;图3为本发明USGS库中5种地物对应的丰度分布;图4为本发明SNR=30dB、端元个数P为5时利用SRBMF方法估计的端元光谱结果示意图。
实验过程中分别用本发明提出的超像素组稀疏非负矩阵混合像元解混方法(SRNMF)、顶点分量-全约束最小二乘(VCA-FCLS)和最小体积约束最小二乘估计(MVCNMF)方法在相同的电脑环境中进行混合像元解混,分别用光谱角距离(SAD)和均方根误差(RMSE)评估解混后的端元和丰度。
RMSE用于评估估计丰度和相应的真值之间的性能,它由以下公式给出:
其中N表示高光谱图像的像素个数,RMSE的值越小,构建模型的性能就越好。
最终得到三种算法的解混精度如表1所示。
表1 VCA-FCLS、MVCNMF、SRNMF在端元个数P=5,SNR=30dB下解混精度对比
本发明采用改进的SLIC算法对原始成像光谱数据进行划分,即在SLIC算法中计算光谱距离时引入高斯核,对原始成像光谱数据进行划分,将成像光谱数据中的空间信息和光谱信息有效地结合,并在非负矩阵中加入空间组稀疏和丰度二次约束,可以有效提取得到混合像元中的端元和丰度值,具有收敛速度快,精度高,鲁棒性强的优点。
图5为本发明空间人造目标线性模型的混合像元解混系统结构图。如图5所示,一种空间人造目标线性模型的混合像元解混系统包括:
获取模块201,用于获取空间人造目标的成像光谱数据;
相似度确定模块202,用于将所述成像光谱数据进行超像素分割,计算分割后每个局部区域中每个像素点与聚类中心像素点相似度;
目标函数构建模块203,用于根据各所述相似度、空间组稀疏约束和丰度二次稀疏约束,基于线性模型构建目标函数,所述目标函数包括端元矩阵、丰度矩阵和平均丰度值;
初始化模块204,用于初始化所述目标函数中的端元矩阵和丰度矩阵,得到初始端元矩阵和初始丰度矩阵;
更新规则确定模块205,用于根据所述目标函数、所述初始端元矩阵和所述初始丰度矩阵,确定端元矩阵的更新规则和丰度矩阵的更新规则;
更新模块206,用于根据所述端元矩阵的更新规则更新初始端元矩阵,根据所述丰度矩阵的更新规则更新初始丰度矩阵;
判断模块207,用于判断是否达到迭代次数;
输出模块208,用于当达到迭代次数时,输出更新后的端元矩阵和更新后的丰度矩阵;
返回模块209,用于当未达到迭代次数时,根据所述端元矩阵的更新规则更新更新后的端元矩阵,根据所述丰度矩阵的更新规则更新更新后的丰度矩阵。
所述获取模块201,具体包括:
获取单元,用于通过成像光谱仪获取空间人造目标的成像光谱数据P为分割的区域个数,对于每一个区域有L为波段数,N为原始成像光谱数据像素点的个数,np表示第p个区域像素点的个数,YP为分割后第P个区域的成像光谱数据。
所述相似度确定模块202,具体包括:
初始化单元,用于初始化聚类中心;
分割单元,用于在所述成像光谱数据进行超像素分割,并按照设定的超像素个数均匀分配种子点;
种子点重新选择单元,用于在各所述种子点对应的邻域内重新选择一个种子点,作为聚类中心;
距离确定单元,用于确定超像素分割后的每个局部区域中的每个像素到所述聚类中心的距离;
相似度确定单元,用于根据各所述距离,确定每个局部区域中每个像素点与所述聚类中心像素点相似度。
所述目标函数构建模块203,具体包括:
目标函数构建单元,用于根据各所述相似度、空间组稀疏约束和丰度二次稀疏约束,基于线性模型构建目标函数:
其中,λ为重构误差与空间组稀疏的正则化参数,β为重构误差与丰度稀疏的正则化参数;θp为丰度矩阵,cj为像素与聚类中心像素点之间的局部相似度,为平均丰度稀疏约束,m为端元数目,M为端元个数,N为原始成像光谱数据像素点的个数,YP为分割后第P个区域的成像光谱数据,A为端元矩阵。
所述更新规则确定模块205,具体包括:
更新规则确定单元,用于通过坐标下降法根据所述目标函数、所述初始端元矩阵和所述初始丰度矩阵对所述目标函数进行优化求解,确定端元矩阵的更新规则和丰度矩阵的更新规则。
本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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种空间人造目标线性模型的混合像元解混方法,其特征在于,包括:获取空间人造目标的成像光谱数据;所述获取空间人造目标的成像光谱数据,具体包括:通过成像光谱仪获取空间人造目标的成像光谱数据P为分割的区域个数,对于每一个区域有 为实数集表示符号,L为波段数,N为原始成像光谱数据像素点的个数,np表示第p个区域像素点的个数,为分割后第P个区域的成像光谱数据;
将所述成像光谱数据进行超像素分割,计算分割后每个局部区域中每个像素点与聚类中心像素点相似度;
根据各所述相似度、空间组稀疏约束和丰度二次稀疏约束,基于线性模型构建目标函数,所述目标函数包括端元矩阵、丰度矩阵和平均丰度值;所述根据各所述相似度、空间组稀疏约束和丰度二次稀疏约束,基于线性模型构建目标函数,具体包括:
根据各所述相似度、空间组稀疏约束和丰度二次稀疏约束,基于线性模型构建目标函数:
其中,λ为重构误差与空间组稀疏的正则化参数,β为重构误差与丰度稀疏的正则化参数;P为分割的区域个数;为丰度矩阵,其中np表示第p个区域像素点的个数,M为端元个数;cj为像素与聚类中心像素点之间的局部相似度,为平均丰度向量,m为端元数目,N为原始成像光谱数据像素点的个数,YP为分割后第P个区域的成像光谱数据,A为端元矩阵;
初始化所述目标函数中的端元矩阵和丰度矩阵,得到初始端元矩阵和初始丰度矩阵;
根据所述目标函数、所述初始端元矩阵和所述初始丰度矩阵,确定端元矩阵的更新规则和丰度矩阵的更新规则;
根据所述端元矩阵的更新规则更新初始端元矩阵,根据所述丰度矩阵的更新规则更新初始丰度矩阵;
判断是否达到迭代次数;
若是,则输出更新后的端元矩阵和更新后的丰度矩阵;
若否,则根据所述端元矩阵的更新规则更新更新后的端元矩阵,根据所述丰度矩阵的更新规则更新更新后的丰度矩阵。
2.根据权利要求1所述的空间人造目标线性模型的混合像元解混方法,其特征在于,所述将所述成像光谱数据进行超像素分割,计算分割后每个局部区域中每个像素点与聚类中心像素点相似度,具体包括:
初始化聚类中心;
在所述成像光谱数据进行超像素分割,并按照设定的超像素个数均匀分配种子点;
在各所述种子点对应的邻域内重新选择一个种子点,作为聚类中心;
确定超像素分割后的每个局部区域中的每个像素到所述聚类中心的距离;
根据各所述距离,确定每个局部区域中每个像素点与所述聚类中心像素点相似度。
3.根据权利要求1所述的空间人造目标线性模型的混合像元解混方法,其特征在于,所述根据所述目标函数、所述初始端元矩阵和所述初始丰度矩阵,确定端元矩阵的更新规则和丰度矩阵的更新规则,具体包括:
通过坐标下降法根据所述目标函数、所述初始端元矩阵和所述初始丰度矩阵对所述目标函数进行优化求解,确定端元矩阵的更新规则和丰度矩阵的更新规则。
4.一种空间人造目标线性模型的混合像元解混系统,其特征在于,包括:获取模块,用于获取空间人造目标的成像光谱数据;所述获取模块,具体包括:获取单元,用于通过成像光谱仪获取空间人造目标的成像光谱数据P为分割的区域个数,对于每一个区域有 为实数集表示符号,L为波段数,N为原始成像光谱数据像素点的个数,np表示第p个区域像素点的个数,YP为分割后第P个区域的成像光谱数据;
相似度确定模块,用于将所述成像光谱数据进行超像素分割,计算分割后每个局部区域中每个像素点与聚类中心像素点相似度;
目标函数构建模块,用于根据各所述相似度、空间组稀疏约束和丰度二次稀疏约束,基于线性模型构建目标函数,所述目标函数包括端元矩阵、丰度矩阵和平均丰度值;所述目标函数构建模块,具体包括:
目标函数构建单元,用于根据各所述相似度、空间组稀疏约束和丰度二次稀疏约束,基于线性模型构建目标函数:
其中,λ为重构误差与空间组稀疏的正则化参数,β为重构误差与丰度稀疏的正则化参数;P为分割的区域个数;为丰度矩阵,其中np表示第p个区域像素点的个数,M为端元个数;cj为像素与聚类中心像素点之间的局部相似度,为平均丰度向量,m为端元数目,N为原始成像光谱数据像素点的个数,YP为分割后第P个区域的成像光谱数据,A为端元矩阵;
初始化模块,用于初始化所述目标函数中的端元矩阵和丰度矩阵,得到初始端元矩阵和初始丰度矩阵;
更新规则确定模块,用于根据所述目标函数、所述初始端元矩阵和所述初始丰度矩阵,确定端元矩阵的更新规则和丰度矩阵的更新规则;
更新模块,用于根据所述端元矩阵的更新规则更新初始端元矩阵,根据所述丰度矩阵的更新规则更新初始丰度矩阵;
判断模块,用于判断是否达到迭代次数;
输出模块,用于当达到迭代次数时,输出更新后的端元矩阵和更新后的丰度矩阵;
返回模块,用于当未达到迭代次数时,根据所述端元矩阵的更新规则更新更新后的端元矩阵,根据所述丰度矩阵的更新规则更新更新后的丰度矩阵。
5.根据权利要求4所述的空间人造目标线性模型的混合像元解混系统,其特征在于,所述相似度确定模块,具体包括:
初始化单元,用于初始化聚类中心;
分割单元,用于在所述成像光谱数据进行超像素分割,并按照设定的超像素个数均匀分配种子点;
种子点重新选择单元,用于在各所述种子点对应的邻域内重新选择一个种子点,作为聚类中心;
距离确定单元,用于确定超像素分割后的每个局部区域中的每个像素到所述聚类中心的距离;
相似度确定单元,用于根据各所述距离,确定每个局部区域中每个像素点与所述聚类中心像素点相似度。
6.根据权利要求4所述的空间人造目标线性模型的混合像元解混系统,其特征在于,所述更新规则确定模块,具体包括:
更新规则确定单元,用于通过坐标下降法根据所述目标函数、所述初始端元矩阵和所述初始丰度矩阵对所述目标函数进行优化求解,确定端元矩阵的更新规则和丰度矩阵的更新规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911211324.9A CN111008975B (zh) | 2019-12-02 | 2019-12-02 | 一种空间人造目标线性模型的混合像元解混方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911211324.9A CN111008975B (zh) | 2019-12-02 | 2019-12-02 | 一种空间人造目标线性模型的混合像元解混方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008975A CN111008975A (zh) | 2020-04-14 |
CN111008975B true CN111008975B (zh) | 2022-09-09 |
Family
ID=70113497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911211324.9A Active CN111008975B (zh) | 2019-12-02 | 2019-12-02 | 一种空间人造目标线性模型的混合像元解混方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008975B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581879A (zh) * | 2020-04-30 | 2020-08-25 | 北京航空航天大学 | 一种空间人造目标混合像元非线性丰度确定方法及系统 |
CN114119622B (zh) * | 2020-08-25 | 2024-02-13 | 河南师范大学 | 基于超像素和稀疏约束的活动轮廓图像分割方法及装置 |
CN112380967B (zh) * | 2020-11-12 | 2022-05-24 | 北京航空航天大学 | 一种联合图像信息的空间人造目标光谱解混方法及系统 |
CN113446998B (zh) * | 2021-06-29 | 2022-09-30 | 哈尔滨工业大学 | 一种基于高光谱目标探测数据的动态解混方法 |
CN116188423B (zh) * | 2023-02-22 | 2023-08-08 | 哈尔滨工业大学 | 基于病理切片高光谱图像的超像素稀疏解混检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697008A (zh) * | 2009-10-20 | 2010-04-21 | 北京航空航天大学 | 一种自动估计正则化参数的高光谱解混方法 |
CN102789639A (zh) * | 2012-07-16 | 2012-11-21 | 中国科学院自动化研究所 | 基于非负矩阵分解的高光谱图像和可见光图像融合方法 |
CN104331880A (zh) * | 2014-10-20 | 2015-02-04 | 西安电子科技大学 | 基于几何空谱结构信息的高光谱混合像元分解方法 |
CN104751181A (zh) * | 2015-04-02 | 2015-07-01 | 山东大学 | 一种基于相对丰度的高光谱图像解混方法 |
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 |
CN105976310A (zh) * | 2016-05-04 | 2016-09-28 | 山东大学 | 一种基于分块的vca端元提取方法 |
CN107977943A (zh) * | 2017-12-11 | 2018-05-01 | 北京航空航天大学 | 一种基于提纯优化的空间目标光谱解混方法 |
CN109035154A (zh) * | 2018-06-07 | 2018-12-18 | 复旦大学 | 一种考虑光谱变异性的高光谱图像非线性解混方法 |
-
2019
- 2019-12-02 CN CN201911211324.9A patent/CN111008975B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697008A (zh) * | 2009-10-20 | 2010-04-21 | 北京航空航天大学 | 一种自动估计正则化参数的高光谱解混方法 |
CN102789639A (zh) * | 2012-07-16 | 2012-11-21 | 中国科学院自动化研究所 | 基于非负矩阵分解的高光谱图像和可见光图像融合方法 |
CN104331880A (zh) * | 2014-10-20 | 2015-02-04 | 西安电子科技大学 | 基于几何空谱结构信息的高光谱混合像元分解方法 |
CN104751181A (zh) * | 2015-04-02 | 2015-07-01 | 山东大学 | 一种基于相对丰度的高光谱图像解混方法 |
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 |
CN105976310A (zh) * | 2016-05-04 | 2016-09-28 | 山东大学 | 一种基于分块的vca端元提取方法 |
WO2017190542A1 (zh) * | 2016-05-04 | 2017-11-09 | 山东大学 | 一种基于分块的vca端元提取方法 |
CN107977943A (zh) * | 2017-12-11 | 2018-05-01 | 北京航空航天大学 | 一种基于提纯优化的空间目标光谱解混方法 |
CN109035154A (zh) * | 2018-06-07 | 2018-12-18 | 复旦大学 | 一种考虑光谱变异性的高光谱图像非线性解混方法 |
Non-Patent Citations (1)
Title |
---|
基于超像素的流形正则化稀疏约束NMF混合像元分解算法;李登刚 等;《计算机应用》;20191010;摘要,第1-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111008975A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008975B (zh) | 一种空间人造目标线性模型的混合像元解混方法及系统 | |
CN108647655B (zh) | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 | |
CN111862126B (zh) | 深度学习与几何算法结合的非合作目标相对位姿估计方法 | |
CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
Broadwater et al. | Hybrid detectors for subpixel targets | |
CN112434745B (zh) | 基于多源认知融合的遮挡目标检测识别方法 | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
Schmohl et al. | Submanifold sparse convolutional networks for semantic segmentation of large-scale ALS point clouds | |
JP2014002738A (ja) | 遠隔測定画像の混合画素物質構成精細化分解装置及び方法 | |
CN110751087B (zh) | 一种基于eof的无人机信号识别系统和方法 | |
CN110428454B (zh) | 一种高光谱解混方法、装置、电子设备及存储介质 | |
CN110728706B (zh) | 基于深度学习的sar图像精细配准方法 | |
CN109671019B (zh) | 一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法 | |
CN103413292A (zh) | 基于约束最小二乘的高光谱图像非线性丰度估计方法 | |
CN111458691B (zh) | 建筑物信息的提取方法、装置及计算机设备 | |
CN113838064A (zh) | 一种基于分支gan使用多时相遥感数据的云去除方法 | |
CN111626380A (zh) | 一种基于超像素和卷积网络的极化sar图像分类方法 | |
CN113446998B (zh) | 一种基于高光谱目标探测数据的动态解混方法 | |
Fu et al. | Context-aware and depthwise-based detection on orbit for remote sensing image | |
CN113705538A (zh) | 基于深度学习的高分遥感影像道路变化检测装置及方法 | |
CN113989631A (zh) | 一种基于卷积神经网络的红外图像目标检测网络压缩方法 | |
US20220392193A1 (en) | Three-dimensional point cloud label learning device, three- dimensional point cloud label estimation device, method, and program | |
Zhang et al. | Change detection between digital surface models from airborne laser scanning and dense image matching using convolutional neural networks | |
CN116452872A (zh) | 一种基于改进的Deeplabv3+的森林场景树种分类方法 |
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 |