[发明专利]一种基于抗噪的混合像元分解模型的构建方法

说明书

【技术领域】

本发明涉及混合像元分解模型的技术领域，特别是基于抗噪的混合像元分解模型的构建方法的技术领域。

【背景技术】

高光谱图像的产生过程是一个复杂的物理作用过程，物理作用过程发生在光源、材料表面及大气干涉等之间。由此复杂的图像产生过程中，产生了大量的噪声，这些噪声可能包括加性噪声及乘性噪声，且由于包括不止一种噪声，所以还可能产生混合噪声。因此高光谱数据的产生受到多种因素影响.且噪声类型较为复杂，因而在高光谱数据分析过程中，对噪声特点进行分析显得十分重要。研究表明在解释一些现象的过程中依赖于乘性噪声及加性噪声之间的相互作用，如在解释如下现象时：随机共振、在相变及运输超导电节点处等等。有大部分高光谱图像分析算法因为对噪声的良好估计而最终获得较为理想的图像处理结果，如：高光谱图像压缩算法、高光谱图像分析算法等。在实际应用中，我们常常对表面反射率的变化进行估计，譬如光照变化引起的乘性作用及后向散射引起的加性作用，而对于这两种作用均可以看作为噪声。为了很好的评估噪声，必须构建合适的噪声模型，而高光谱数据的噪声模型因高光数据采集过程所使用的高光谱成像传感器的不同而不同。高光谱成像传感器常用拂扫式及推扫式传感器，这两种传感器的差异性决定了噪声特点的差异性，因而需要针对不同的传感器构建不同的噪声模型进行噪声评估。在混合像元分解研究中，常用的实际数据由美国国家航空航天局的喷气推进实验室肮空可见光／红外成像光谱仪获取，而AVIRIS采用的是推扫式(whiskbroom)传感器，推扫式传感器的原理是，利用旋转的镜子沿垂直于传感器平台的方向扫描一侧到另一侧的场景，推扫式成像仪相对于拂扫式成像仪更重、更大且更加复杂，其移动范围较拂扫式成像仪也更大。由推扫式成像仪因为光电扫描机制、非线性传感器、原始数据的预处理、图像空间及光谱空间的相关性等因素所产生的噪声可能不是高斯型噪声。对于所有的光学图像来讲，其信噪比由光子作用或者快照占主导，其中因为随机的光子与检测器之间的作用本质上是乘性噪声，而特别值得注意的是乘性噪声依赖于传感器温度，因此很难对乘性噪声建模从而去矫正乘性噪声。通常，在混合像元分解过程中，需要对输入的高光谱图像数据进行预处理，常见的预处理即光谱归一化处理，光谱归一化的目的就是矫正被乘性噪声污染的光谱并矫正反射光谱光散射的变化。但是遗憾地是，通过这些与处理算法无法彻底去除乘性噪声。而现在的高光谱图像混合像元分解算法却都在假设乘性噪声不存在的情况下，仅仅考虑加性白噪声的影响，这种忽略乘性噪声影响的混合像元分解算法很显然是不合适的。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出一种基于抗噪的混合像元分解模型的构建方法，能够通过基于抗噪的混合像元分解模型来克服加性噪声、乘性噪声及混合噪声对高光谱图像混合像元分解的影响。

为实现上述目的，本发明提出了一种基于抗噪的混合像元分解模型的构建方法，依次包括以下步骤：

a）在图像处理过程中考虑乘性噪声的影响因素，所述乘性噪声在信号独立性方面满足非高斯分布，且乘性噪声随着图像空间的变化而变化，于是给出抗噪模型：其中是指包括了多种噪声的混合像元矩阵，表示从含有多种噪声的混合像元矩阵X中提取的端元矩阵，代表相应的端元丰度矩阵，表示随机测量误差矩阵，表示乘性噪声；

b）采用常用的欧几里德距离及交替最小二乘算法推导我们提出的抗噪模型的解混结果，并由均方差准则MSE定量评估抗噪模型混合像元分解性能：

b1）由公式可以得到X≈WH_ρ,从公式X≈WH_ρ中可推导H:表示乘性噪声矩阵ρ的伪逆矩阵，令U_W＝(W^TW)^-1W^T为端元矩阵W的伪逆矩阵，那么计算抗噪模型的丰度矩阵的均方差误差为：

b2）若固定丰度矩阵H求解端元矩阵W，可推导抗噪模型的提取端元的精确性，即首先从公式X≈WHρ )推导W，令V_H＝(H^TH)^-lH^T为矩阵H的伪逆矩阵，那么则计算抗噪模型的端元矩阵的均方差误差为：