CN112163460A - 基于稀疏主题松弛模型的高光谱影像解混方法及系统 - Google Patents
基于稀疏主题松弛模型的高光谱影像解混方法及系统 Download PDFInfo
- Publication number
- CN112163460A CN112163460A CN202010930126.4A CN202010930126A CN112163460A CN 112163460 A CN112163460 A CN 112163460A CN 202010930126 A CN202010930126 A CN 202010930126A CN 112163460 A CN112163460 A CN 112163460A
- Authority
- CN
- China
- Prior art keywords
- abundance
- hyperspectral image
- sparse
- end member
- result
- 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
Images
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
- 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
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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)
- 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)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于稀疏主题松弛模型的高光谱影像解混方法及系统,包括:对高光谱影像中的像元按划分为训练数据集;再分别生成训练数据集和整个高光谱影像的共生矩阵,并将训练数据集的共生矩阵输入到模型进行预训练,得到预训练后的稀疏主题松弛模型;将高光谱影像的共生矩阵输入到预训练后的模型,得到影像的初始端元和初始丰度;将初始端元输入到由模糊C均值聚类算法构建的模型中,得到由稀疏主题松弛模型获取的端元以及相应的丰度;将由VCA‑FCLS模型生成的丰度结果和由稀疏主题松弛模型获取的丰度结果进行加权联合,得到高光谱影像的丰度结果;能有效避免端元可变性且无需构建端元光谱库,能快速挖掘高光谱影像混合像元中的隐含端元并估计丰度。
Description
技术领域
本发明涉及主题模型与遥感影像处理领域的结合,主要解决高光谱遥感影像混合像元分解的问题,尤其涉及一种基于稀疏主题松弛模型的高光谱影像解混方法及系统。
背景技术
随着遥感技术的快速发展,高空间分辨率和高光谱分辨率的遥感影像应用越来越广泛。高光谱影像具有从可见光到不可见光等连续几十到几百波段的光谱信息,能够更加准确地反映目标真实物理特性,已经在环境监测,精准农业,林业监测和矿物勘探等领域取得了良好的效应。但是,由于传感器空间分辨率低以及复杂地物的影响,单个像元可能包含多种地物的光谱特征,从而导致“混合像元”现象。
在传统的高光谱影像混合像元分解方法中,几何方法具有很高的计算效率,但它们通常需要纯净像元的假设前提,难以应对高度混合的地面场景;稀疏回归方法往往难以构建针对影像特征的典型端元光谱库,且需要大量的时间消耗;基于深度学习的方法可以获得良好的结果,但它们通常需要大量的训练数据,调整参数困难并且难以满足“丰度和为一约束”;统计学方法无需事先获取端元光谱库,但它们通常难以获取复杂的光谱分布模式。
在过去的研究中,主题模型作为语义表示已经在遥感影像处理中得到了广泛应用,如:场景分类、影像分割、目标识别等;这些模型能够根据其隐藏的语义模式而不是其低级特征将数据表示为概率分布,这使得更易于在较高抽象级别上管理数据,因此在高光谱影像混合像元分解任务中显示出巨大潜力。一些研究表明,在解混模型中添加稀疏约束有助于提高解混模型的性能,这为基于主题模型的解混研究提供了更大的改进空间。但是,这些方法通常需要选择带有辅助参数的正则化项,这对于大规模数据集的处理可能会出现问题。
发明内容
为了解决上述问题,本发明提供了一种基于稀疏主题松弛模型的高光谱影像解混方法及系统,在无需构建端元光谱库的条件下快速挖掘到影像的隐含端元,有效避免端元可变性造成的影响,并借助不同模型的丰度加权联合的方式来提高混合像元分解的性能。
在基于主题模型的方法中,全稀疏主题模型使用线性收敛来挖掘文档中的隐含的稀疏主题,并且不需要额外的稀疏约束,大大减少了求解空间和需要提取的参数数量,降低了模型的复杂性。
本发明实施例提供的基于稀疏主题松弛模型的高光谱影像解混方法,包括以下步骤:
S101:将高光谱影像中一定比例的像元组合成为训练数据集;
S102:以像元为基础,构建训练数据集的像元-波段共生矩阵,并将所述共生矩阵输入至稀疏主题松弛模型中,以对所述稀疏主题松弛模型进行预训练,得到预训练后的稀疏主题松弛模型;
S103:构建所述高光谱影像所有像元的像元-波段共生矩阵,并将构建的共生矩阵输入至所述预训练后的稀疏主题松弛模型中;得到所述高光谱影像的初始端元和初始丰度;
S104:针对所述初始端元,采用模糊C均值聚类算法确定端元聚类结果即为最终的端元结果;将所述初始丰度按照所述端元聚类结果进行划分,将同一类端元对应的丰度划分为一组,并将同组内的丰度结果以像元为单位求和叠加,在满足“丰度和为一约束”的条件下将同类端元对应的丰度进行叠加得到第一丰度结果;
S105:采用VCA-FCLS模型生成所述高光谱影像的第二丰度结果,并将所述第二丰度结果与所述第一丰度结果进行加权联合得到最终丰度结果,输出最终影像丰度图。
进一步地,步骤S101中,将所述高光谱影像中的像元从左到右逐次排列,并预设一定比例的像元组合为训练数据集;
所述像元-波段共生矩阵由I行J列组成,I为训练数据集中像元总个数,J为训练数据集对应的总波段数;像元-波段共生矩阵的不同行代表不同的像元,不同列代表不同的波段;所述像元-波段共生矩阵中的第i行第j列元素aij代表训练数据集中第i个像元对应的第j个波段上的光谱反射率。
进一步地,步骤S103中,采用EM算法实现预训练后的稀疏主体松弛模型的目标参数求解:通过迭代E步骤和M步骤进行学习推理至收敛,求解更新得到最优的隐含端元表示及其对应的丰度表示,即初始端元和初始丰度。
进一步地,考虑到高光谱影像的端元可变性问题,将预训练的稀疏主题松弛模型的待挖掘的主题的总个数设置为大于实际端元个数的数值,其取值范围为6~30。
进一步地,步骤S104中,采用模糊C均值聚类算法确定最终的端元结果;具体包括:
将所述初始端元输入到模糊C均值聚类算法中,聚类中心的个数设置为高光谱影像中实际的端元个数;由模糊C均值聚类算法得到的各聚类中心即为所求解的最终的端元聚类结果。
进一步地,步骤S105中:
最终丰度结果=W×第一丰度结果+(1-W)第二丰度结果;
其中,W为预设的第一丰度结果的权重,取值范围为0.65~0.85。
本发明实施例提供的基于稀疏主题松弛模型的高光谱影像解混系统,包括以下模块:
训练数据集模块,用于将高光谱影像中一定比例的像元组合成为训练数据集;
训练模块,用于以像元为基础,构建训练数据集的像元-波段共生矩阵,并将所述共生矩阵输入至稀疏主题松弛模型中,以对所述稀疏主题松弛模型进行预训练,得到预训练后的稀疏主题松弛模型;
初始端元和丰度模块,用于构建所述高光谱影像所有像元的像元-波段共生矩阵,并将构建的共生矩阵输入至所述预训练后的稀疏主题松弛模型中;得到所述高光谱影像的初始端元和初始丰度;
第一丰度模块,用于针对所述初始端元,采用模糊C均值聚类算法确定最终的端元聚类结果;将所述初始丰度按照所述端元聚类结果进行划分,将同一类端元对应的丰度划分为一组,并将同组内的丰度结果以像元为单位求和叠加,在满足“丰度和为一约束”的条件下将同类端元对应的丰度进行叠加得到第一丰度结果;
最终丰度模块,用于采用VCA-FCLS模型生成所述高光谱影像的第二丰度结果,并将所述第二丰度结果与所述第一丰度结果进行加权联合得到最终丰度结果,输出最终影像丰度图。
进一步地,训练数据集模块中,将所述高光谱影像中的像元从左到右逐次排列,并预设一定比例的像元组成为训练数据集;
所述像元-波段共生矩阵由I行J列组成,I为训练数据集中像元总个数,J为训练数据集对应的总波段数;像元-波段共生矩阵的不同行代表不同的像元,不同列代表不同的波段;所述像元-波段共生矩阵中的第i行第j列元素aij代表训练数据集中第i个像元对应的第j个波段上的光谱反射率。
进一步地,初始端元和丰度模块中,采用EM算法实现预训练后的稀疏主体松弛模型的目标参数求解:通过迭代E步骤和M步骤进行学习推理至收敛,求解更新得到最优的隐含端元表示及其对应的丰度表示,即初始端元和初始丰度。
进一步地,考虑到高光谱影像的端元可变性问题,将预训练的稀疏主题松弛模型的待挖掘的主题的总个数设置为大于实际端元个数的数值,其取值范围为6~30。
本发明提供的技术方案带来的有益效果是:本发明实施例所提出的技术方案使用的稀疏主题松弛模型能够同时获取高光谱影像的端元和丰度,并且无需构建端元光谱库,是无监督的解混方式。基于稀疏主题模型中隐含的稀疏约束,可以有效减少模型求解空间和需要提取的参数数量,利用稀疏主题松弛模型灵活的隐含语义挖掘能力和Frank-Wolf算法的稀疏推理能力挖掘像元中的隐含端元,进一步提高了解混速率。通过对模型松弛和聚类来确定端元,可以有效地减轻端元可变性对解混的影响。另外,充分利用了稀疏主题模型和几何模型在解混问题中的优势,将基于两种方法得到的丰度结果进行联合,这就使得该框架在任意数据集上都具有很好的通用性,大大提高了模型的解混性能。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中一种基于稀疏主题松弛模型的高光谱影像解混方法的流程图;
图2是本发明实施例中一种基于稀疏主题松弛模型的高光谱影像解混方法的框架图;
图3是本发明具体实施例中稀疏主题松弛模型与高光谱影像解混的对应关系图;
图4是本发明具体实施例中稀疏主题松弛模型的学习和推理过程示意图;
图5是本发明具体实施例中在Japser Ridge数据集上所得不同地物的丰度图与参考丰度图的对比结果图;
图6是本发明实施例中一种基于稀疏主题松弛模型的高光谱影像解混系统的模块组成示意图;
图3中#1~#4代表不同的端元。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
实施例一:
本发明的实施例提供了一种基于稀疏主题松弛模型的高光谱影像解混方法。本发明实施例以Japser Ridge高光谱影像数据进行分析和讨论;该影像原始数据共512x 614个像元,波长范围为380nm到2500nm,光谱分辨率高达9.46nm,一共有224个波段。考虑到高光谱影像的复杂性以及大气效应,仅考虑了从原始图像中的第(105,269)个像元开始的100×100像素区域;为避免大气效应的影响,移除了1–3、108–112、154–166和220–224波段,剩余198个,影像包含了4种地物类型,分别是土壤、水、道路和树。
请参考图1和图2,图1和图2分别是本发明实施例中一种基于稀疏主题松弛模型的高光谱影像解混方法的流程图和本发明实施例中一种基于稀疏主题松弛模型的高光谱影像解混方法的框架图;
本发明实施例提供的基于稀疏主题松弛模型的高光谱影像解混方法,具体包括如下步骤:
S101:将高光谱影像中的像元从左到右逐次排列,并取前百分之八十的像元作为训练数据集;
S102:以像元为基础,构建训练数据集的像元-波段共生矩阵,并将所述共生矩阵输入至稀疏主题松弛模型中,以对所述稀疏主题松弛模型进行预训练,得到预训练后的稀疏主题松弛模型;
S103:构建所述高光谱影像所有像元的像元-波段共生矩阵,并将构建的共生矩阵输入至所述预训练后的稀疏主题松弛模型中;稀疏主题模型与高光谱混合像元分解的对应关系如图3所示,利用稀疏主题松弛模型的隐含语义挖掘能力和Frank-Wolf算法的稀疏推理能力挖掘像元中的隐含端元,并改变待估计的端元的个数来减轻端元可变性对解混造成的影响;得到所述高光谱影像的初始端元和初始丰度;
像元-波段共生矩阵由I行J列组成,I为高光谱影像中像元总个数,J为对应的总波段数;像元-波段共生矩阵的不同行代表不同的像元,不同列代表不同的波段;所述像元-波段共生矩阵中的第i行第j列元素aij代表高光谱影像中第i个像元对应的第j个波段上的光谱反射率。
S104:针对所述初始端元,采用模糊C均值聚类算法确定端元聚类结果即为最终的端元结果;将所述初始丰度按照所述端元聚类结果进行划分,将同一类端元对应的丰度划分为一组,并将同组内的丰度结果以像元为单位求和叠加,在满足“丰度和为一约束”的条件下将同类端元对应的丰度进行叠加得到第一丰度结果;
S105:采用VCA-FCLS模型生成所述高光谱影像的第二丰度结果,并将所述第二丰度结果与所述第一丰度结果进行加权联合得到最终丰度结果,输出最终影像丰度图。
步骤S103中,采用EM算法实现预训练后的稀疏主体松弛模型的目标参数求解,学习和推理的具体过程如图4所示;
在E步骤中,采用Frank-Wolfe算法作为推理方法,得到隐含端元E在像元P中的概率分布θ=P(E|P),即高光谱影像解混得到的丰度;
在M步骤中,基于E步骤得到的主题概率θ学习主题β=(β1,...,βK);β1,...,βK为第1个至第K个端元的表示,为一种概率分布;光谱反射率V在像元P上的概率为:其中,K为待挖掘的主题的总个数,Vj为第j个波段上的反射率,Ek为高光谱影像中第k个端元;所述主题,即为端元;
S32、通过迭代E步骤和M步骤进行学习推理至收敛,求解更新得到最优的隐含主题表示p(Vj|Ek)=βkj及其对应的丰度表示p(Ek|P)=θk,即初始端元和初始丰度;βkj为第k个端元的分布中的第j个参数,例如端元Ek的分布βk表示为(0.12,0.13,0.45,0.77),则βk1就是0.12。
预训练的稀疏主题松弛模型的隐含稀疏约束λ满足公式:P(θ|λ)∝exp(-λ.||θ||0);其中,||θ||0表示θ中的非零数目;
考虑到高光谱影像的端元可变性问题,将预训练的稀疏主题松弛模型的待挖掘的主题的总个数设置为大于实际端元个数的数值,该数值一般在6~30范围内。
步骤S104中,采用模糊C均值聚类算法确定最终的端元结果;具体包括:
将所述初始端元输入到模糊C均值聚类算法中,聚类中心的个数设置为高光谱影像中实际的端元个数,本发明实施例中,设置为4;由模糊C均值聚类算法得到的各聚类中心即为所求解的最终端元结果。
步骤S105中,最终丰度结果=W×第一丰度结果+(1-W)×第二丰度结果;其中,W为预设的第一丰度结果的权重,取值范围为0.65~0.85。本发明实施例中W设置为0.65。
为说明本发明实施例所采用的技术方案优于其他方法,本发明实施例还对解混结果进行分析和评价:对最终输出的丰度图进行定性分析,采用均方根误差(RMSE)、光谱角距离(SAD)对解混的结果进行定量分析:
图5展示了为本发明实施例所提出的技术方案在Japser Ridge高光谱影像上得到的不同地物的丰度图与参考丰度图的对比结果。从可视化的角度进行分析,本实验提出的方法得到的解混结果符合实际的地物分布,对各类别地物的丰度估计与参考丰度图基本一致。表1展示了各解混方法的端元精度评价结果(SAD)的对比,表2展示了各解混方法的丰度精度评价结果(RMSE)的对比,总体上能看出本发明实施例提出的技术方案在端元和丰度的结果评价中均具有最好的解混精度,从而说明了本方案的有效性。
表1
表2
实施例二:
请参阅图6,图6是本发明实施例中一种基于稀疏主题松弛模型的高光谱影像解混系统的模块组成示意图;包括顺次连接的:训练数据集模块11、训练模块12、初始丰度模块13、第一丰度模块14和最终丰度模块15。
其中,
训练数据集模块11,用于将高光谱影像中一定比例的像元组合成为训练数据集;
训练模块12,用于以像元为基础,构建训练数据集的像元-波段共生矩阵,并将所述共生矩阵输入至稀疏主题松弛模型中,以对所述稀疏主题松弛模型进行预训练,得到预训练后的稀疏主题松弛模型;
初始端元和丰度模块13,用于构建所述高光谱影像所有像元的像元-波段共生矩阵,并将构建的共生矩阵输入至所述预训练后的稀疏主题松弛模型中;得到所述高光谱影像的初始端元和初始丰度;
第一丰度模块14,用于针对所述初始端元,采用模糊C均值聚类算法确定最终的端元聚类结果;将所述初始丰度按照所述端元聚类结果进行划分,将同一类端元对应的丰度划分为一组,并将同组内的丰度结果以像元为单位求和叠加,在满足“丰度和为一约束”的条件下将同类端元对应的丰度进行叠加得到第一丰度结果;
最终丰度模块15,用于采用VCA-FCLS模型生成所述高光谱影像的第二丰度结果,并将所述第二丰度结果与所述第一丰度结果进行加权联合得到最终丰度结果,输出最终影像丰度图。
训练数据集模块11中,将所述高光谱影像中的像元从左到右逐次排列,并预设一定比例的像元组成为训练数据集;
所述像元-波段共生矩阵由I行J列组成,I为训练数据集中像元总个数,J为训练数据集对应的总波段数;像元-波段共生矩阵的不同行代表不同的像元,不同列代表不同的波段;所述像元-波段共生矩阵中的第i行第j列元素aij代表训练数据集中第i个像元对应的第j个波段上的光谱反射率。
初始端元和丰度模块13中,采用EM算法实现预训练后的稀疏主体松弛模型的目标参数求解:通过迭代E步骤和M步骤进行学习推理至收敛,求解更新得到最优的隐含端元表示及其对应的丰度表示,即初始端元和初始丰度。
在本发明实施例中,考虑到高光谱影像的端元可变性问题,将预训练的稀疏主题松弛模型的待挖掘的主题的总个数设置为大于实际端元个数的数值,其取值范围为6~30。
第一丰度模块14中,采用模糊C均值聚类算法确定最终的端元聚类结果;具体包括:
将所述初始端元输入到模糊C均值聚类算法中,聚类中心的个数设置为高光谱影像中实际的端元个数;由模糊C均值聚类算法得到的各聚类中心即为所求解的最终的端元聚类结果。
最终丰度模块15中:
最终丰度结果=W×第一丰度结果+(1-W)×第二丰度结果;
其中,W为预设的第一丰度结果的权重,取值范围为0.65~0.85。
本发明的有益效果是:本发明实施例所提出的技术方案使用的稀疏主题松弛模型能够同时获取高光谱影像的端元和丰度,并且无需构建端元光谱库,是无监督的解混方式。基于稀疏主题模型中隐含的稀疏约束,可以有效减少模型求解空间和需要提取的参数数量,利用稀疏主题松弛模型灵活的隐含语义挖掘能力和Frank-Wolf算法的稀疏推理能力挖掘像元中的隐含端元,进一步提高了解混速率。通过对模型松弛和聚类来确定端元,可以有效地减轻端元可变性对解混的影响。另外,充分利用了稀疏主题模型和几何模型在解混问题中的优势,将基于两种方法得到的丰度结果进行联合,这就使得该框架在任意数据集上都具有很好的通用性,大大提高了模型的解混性能。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于稀疏主题松弛模型的高光谱影像解混方法,其特征在于:包括以下步骤:
S101:将高光谱影像中一定比例的像元组合成为训练数据集;
S102:以像元为基础,构建训练数据集的像元-波段共生矩阵,并将所述共生矩阵输入至稀疏主题松弛模型中,以对所述稀疏主题松弛模型进行预训练,得到预训练后的稀疏主题松弛模型;
S103:构建所述高光谱影像所有像元的像元-波段共生矩阵,并将构建的共生矩阵输入至所述预训练后的稀疏主题松弛模型中;得到所述高光谱影像的初始端元和初始丰度;
S104:针对所述初始端元,采用模糊C均值聚类算法确定端元聚类结果即为最终的端元结果;将所述初始丰度按照所述端元聚类结果进行划分,将同一类端元对应的丰度划分为一组,并将同组内的丰度结果以像元为单位求和叠加,在满足“丰度和为一约束”的条件下将同类端元对应的丰度进行叠加得到第一丰度结果;
S105:采用VCA-FCLS模型生成所述高光谱影像的第二丰度结果,并将所述第二丰度结果与所述第一丰度结果进行加权联合得到最终丰度结果,输出最终影像丰度图。
2.如权利要求1所述的一种基于稀疏主题松弛模型的高光谱影像解混方法,其特征在于:步骤S101中,将所述高光谱影像中的像元从左到右逐次排列,并预设一定比例的像元组成为训练数据集;
所述像元-波段共生矩阵由I行J列组成,I为训练数据集中像元总个数,J为训练数据集对应的总波段数;像元-波段共生矩阵的不同行代表不同的像元,不同列代表不同的波段;所述像元-波段共生矩阵中的第i行第j列元素aij代表训练数据集中第i个像元对应的第j个波段上的光谱反射率。
3.如权利要求1所述的一种基于稀疏主题松弛模型的高光谱影像解混方法,其特征在于:步骤S103中,采用EM算法实现预训练后的稀疏主体松弛模型的目标参数求解:通过迭代E步骤和M步骤进行学习推理至收敛,求解更新得到最优的隐含端元表示及其对应的丰度表示,即初始端元和初始丰度。
4.如权利要求3所述的一种基于稀疏主题松弛模型的高光谱影像解混方法,其特征在于:考虑到高光谱影像的端元可变性问题,将预训练的稀疏主题松弛模型的待挖掘的主题的总个数设置为大于实际端元个数的数值,其取值范围为6~30。
5.如权利要求1所述的一种基于稀疏主题松弛模型的高光谱影像解混方法,其特征在于:步骤S104中,采用模糊C均值聚类算法确定最终的端元结果;具体包括:
将所述初始端元输入到模糊C均值聚类算法中,聚类中心的个数设置为高光谱影像中实际的端元个数;由模糊C均值聚类算法得到的各聚类中心即为所求解的最终的端元聚类结果。
6.如权利要求1所述的一种基于稀疏主题松弛模型的高光谱影像解混方法,其特征在于:步骤S105中:
最终丰度结果=W×第一丰度结果+(1-W)×第二丰度结果;
其中,W为预设的第一丰度结果的权重,取值范围为0.65~0.85。
7.一种基于稀疏主题松弛模型的高光谱影像解混系统,其特征在于:包括以下模块:
训练数据集模块,用于将高光谱影像中一定比例的像元组合成为训练数据集;
训练模块,用于以像元为基础,构建训练数据集的像元-波段共生矩阵,并将所述共生矩阵输入至稀疏主题松弛模型中,以对所述稀疏主题松弛模型进行预训练,得到预训练后的稀疏主题松弛模型;
初始端元和丰度模块,用于构建所述高光谱影像所有像元的像元-波段共生矩阵,并将构建的共生矩阵输入至所述预训练后的稀疏主题松弛模型中;得到所述高光谱影像的初始端元和初始丰度;
第一丰度模块,用于针对所述初始端元,采用模糊C均值聚类算法确定最终的端元聚类结果;将所述初始丰度按照所述端元聚类结果进行划分,将同一类端元对应的丰度划分为一组,并将同组内的丰度结果以像元为单位求和叠加,在满足“丰度和为一约束”的条件下将同类端元对应的丰度进行叠加得到第一丰度结果;
最终丰度模块,用于采用VCA-FCLS模型生成所述高光谱影像的第二丰度结果,并将所述第二丰度结果与所述第一丰度结果进行加权联合得到最终丰度结果,输出最终影像丰度图。
8.如权利要求7所述的一种基于稀疏主题松弛模型的高光谱影像解混系统,其特征在于:训练数据集模块中,将所述高光谱影像中的像元从左到右逐次排列,并预设一定比例的像元组成为训练数据集;
所述像元-波段共生矩阵由I行J列组成,I为训练数据集中像元总个数,J为训练数据集对应的总波段数;像元-波段共生矩阵的不同行代表不同的像元,不同列代表不同的波段;所述像元-波段共生矩阵中的第i行第j列元素aij代表训练数据集中第i个像元对应的第j个波段上的光谱反射率。
9.如权利要求7所述的一种基于稀疏主题松弛模型的高光谱影像解混系统,其特征在于:初始端元和丰度模块中,采用EM算法实现预训练后的稀疏主体松弛模型的目标参数求解:通过迭代E步骤和M步骤进行学习推理至收敛,求解更新得到最优的隐含端元表示及其对应的丰度表示,即初始端元和初始丰度。
10.如权利要求9所述的一种基于稀疏主题松弛模型的高光谱影像解混系统,其特征在于:考虑到高光谱影像的端元可变性问题,将预训练的稀疏主题松弛模型的待挖掘的主题的总个数设置为大于实际端元个数的数值,其取值范围为6~30。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010930126.4A CN112163460B (zh) | 2020-09-07 | 2020-09-07 | 基于稀疏主题松弛模型的高光谱影像解混方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010930126.4A CN112163460B (zh) | 2020-09-07 | 2020-09-07 | 基于稀疏主题松弛模型的高光谱影像解混方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163460A true CN112163460A (zh) | 2021-01-01 |
CN112163460B CN112163460B (zh) | 2022-08-02 |
Family
ID=73858078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010930126.4A Active CN112163460B (zh) | 2020-09-07 | 2020-09-07 | 基于稀疏主题松弛模型的高光谱影像解混方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163460B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102193090A (zh) * | 2010-03-19 | 2011-09-21 | 复旦大学 | 一种遥感图像混合像元分解方法 |
US20120095952A1 (en) * | 2010-10-19 | 2012-04-19 | Xerox Corporation | Collapsed gibbs sampler for sparse topic models and discrete matrix factorization |
CN105825227A (zh) * | 2016-03-11 | 2016-08-03 | 南京航空航天大学 | 一种基于mfocuss和低秩表示的高光谱图像稀疏解混方法 |
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 |
-
2020
- 2020-09-07 CN CN202010930126.4A patent/CN112163460B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102193090A (zh) * | 2010-03-19 | 2011-09-21 | 复旦大学 | 一种遥感图像混合像元分解方法 |
US20120095952A1 (en) * | 2010-10-19 | 2012-04-19 | Xerox Corporation | Collapsed gibbs sampler for sparse topic models and discrete matrix factorization |
CN105825227A (zh) * | 2016-03-11 | 2016-08-03 | 南京航空航天大学 | 一种基于mfocuss和低秩表示的高光谱图像稀疏解混方法 |
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 |
Non-Patent Citations (1)
Title |
---|
王毓乾等: "结合地物光谱库的高光谱端元识别及解混", 《遥感信息》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112163460B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | FPGA: Fast patch-free global learning framework for fully end-to-end hyperspectral image classification | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
Nowakowski et al. | Crop type mapping by using transfer learning | |
CN107145836B (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
Ou et al. | A CNN framework with slow-fast band selection and feature fusion grouping for hyperspectral image change detection | |
Schulz et al. | Learning Object-Class Segmentation with Convolutional Neural Networks. | |
CN112561027A (zh) | 神经网络架构搜索方法、图像处理方法、装置和存储介质 | |
CN111259828A (zh) | 基于高分辨率遥感图像多特征的识别方法 | |
CN104952050A (zh) | 基于区域分割的高光谱图像自适应解混方法 | |
CN110363236B (zh) | 空谱联合超图嵌入的高光谱图像极限学习机聚类方法 | |
CN112699838B (zh) | 基于光谱诊断特征加权的高光谱混合像元非线性盲分解方法 | |
Cheng et al. | Cascaded non-local neural network for point cloud semantic segmentation | |
CN113159067A (zh) | 一种基于多粒度局部特征软关联聚合的细粒度图像辨识方法及装置 | |
CN112464745A (zh) | 一种基于语义分割的地物识别与分类方法和装置 | |
CN114972748A (zh) | 一种可解释边缘注意力和灰度量化网络的红外语义分割方法 | |
CN114937173A (zh) | 一种基于动态图卷积网络的高光谱图像快速分类方法 | |
Tun et al. | Hyperspectral remote sensing images classification using fully convolutional neural network | |
CN112215267A (zh) | 一种面向高光谱图像的深度空谱子空间聚类方法 | |
CN116844041A (zh) | 一种基于双向卷积时间自注意力机制的耕地提取方法 | |
Yu et al. | Wheat lodging extraction using Improved_Unet network | |
Xiong et al. | NMF-SAE: An interpretable sparse autoencoder for hyperspectral unmixing | |
CN110674848A (zh) | 联合稀疏表示与二部图分割的高维数据联合聚类方法 | |
CN112163460B (zh) | 基于稀疏主题松弛模型的高光谱影像解混方法及系统 | |
Li et al. | A concatenating framework of shortcut convolutional neural networks | |
Szu et al. | ICA neural net to refine remote sensing with multiple labels |
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 |