[发明专利]一种基于非负独立成分分析的布谷鸟搜索高光谱解混方法

说明书

技术领域

本发明涉及高光谱图像的预处理手段领域，更具体的说，是涉及一种结合非负独立成分分析方法和布谷鸟搜索优化方法的无监督的高光谱图像解混方法。

背景技术

光谱解混作为高光谱图像的一种预处理手段,不仅是实现地物精确分类和识别的重要前提,而且是遥感技术向定量化深入发展的重要条件,它对发挥高光谱图像，在社会经济和国防建设方面的效益有着重要的现实意义。高光谱图像是由高光谱遥感成像仪捕获的包含空间和光谱信息的图像，能够帮助研究者们更好地提取地物信息。尽管高光谱图像的光谱分辨率很高，但因自然界地物复杂多样以及遥感成像仪空间分辨率有限，单像元点往往包含多种不同类别的地物，意味着“混合像元”广泛存在，使得传统的基于像元级光谱统计特性的分类方法无法直接使用，这不仅制约着地物识别的精度，而且成为高光谱遥感向定量化方向深入发展的主要障碍。因此，如何有效地解决混合像元问题，使遥感应用由像元级达到亚像元级，实现“光谱解混”，是高光谱图像处理技术面临的难题之一。“光谱解混”过程就是将混合像元分解为一些主要成分(端元)和每个成分所占比例(丰度)的过程。

线性混合模型和非线性混合模型是高光谱解混方法中的两个基本模型，相比于非线性混合模型，线性混合模型因其模型简单且物理意义明确而应用地更为广泛。高光谱线性混合模型忽略不同端元间的多次散射，把每个像元近似为不同端元光谱以其丰度为权重的线型组合。考虑到，高光谱数据为L个波段上的N个不同的像元，则某单像元点的观测值xR^L×1可以表示为

x＝As+e(1)

式中，x＝[x₁,x₂,L,x_L]R^L×1，L是波段数；A＝[a₁,a₂,L,a_P]R^L×P是端元光谱矩阵，a_iR^L×1代表第i个端元光谱，P是端元数；s＝[s₁,s₂,L,s_P]^TR^P×1是每个像元点的丰度向量；eR^L×1是误差项。其中，丰度向量s对应于每个端元所占比例，丰度必须满足丰度非负约束与丰度和为一约束，即

对于高光谱图像的N个不同像元所有观测向量组成观测矩阵XR^L×P，可以表示为

X＝AS+E(3)

式中，SR^P×N是N个像元的丰度向量组成的丰度矩阵，E对应得误差矩阵。现存的很多方法解混方法都是基于线性混合模型的，主要有三大类：基于几何原理的方法、基于稀疏回归的方法和基于统计方法的方法。基于几何方法的解混方法，如N-FINDR，顶点成分分析(vertexcomponentanalysis，VCA)，最小体积单形体分析(MinimumVolumeSimplexAnalysis，MVSA)等，以观测数据中存在“纯端元”为前提，把高光谱数据集构成单形体的顶点作为端元，往往实际地物分布并不能保证所有端元都有“纯”像元存在,故处理实际遥感数据时效果不理想。

基于稀疏回归的方法，假设观测像元能够用一组已知的“纯”的端元光谱线性表示(光谱库作为已知端元)，与整个光谱库的维数先比，每个像元点中的端元数很小，因此可以通过寻找该光谱库中能够表示混合像元的最佳光谱子集实现解混。然而，该解混结果很大程度上依赖合适光谱库的选取，很难获取与观测数据集相同条件下的光谱库，这是一个耗时且高代价的过程。

基于统计方法的解混方法是一种典型的无监督的方法，在不需要先验知识和人工干预的条件下，实现端元光谱的自动提取。实际地物的分布情况往往非常复杂，导致端元的无监督自动提取成为当前研究的一个难点。值得一提的是，随着盲信号分离技术的兴起和发展，为如何用无监督的方法更快更精确地实现高光谱盲解混提供了另外一条可能途径，己经成为当今遥感领域里的一个研究热点。独立分分析方法作为一种典型性的盲分离算法，未用到光谱的先验信息，对观测像元的纯度不做要求，具有很高的研究价值。

发明内容

本发明的目的在于提供基一种基于非负独立成分分析的布谷鸟搜索高光谱解混方法。

本发明一种结合非负独立成分分析方法和布谷鸟搜索优化方法的高光谱图像解混方法，具体包括以下步骤：