[发明专利]基于卷积神经网络的高光谱图像解混方法

说明书

本发明公开了一种基于卷积神经网络的高光谱图像解混方法，主要解决了现有技术在高光谱解混过程中，高光谱图像图像解混精度低、模型复杂、耗时长、效率低的问题。本发明的步骤为：获取数据矩阵，对数据矩阵进行预处理，构建含有基于像素的模糊分类结构的10层结构的卷积神经网络，训练卷积神经网络，模糊分类，将卷积神经网络输出结果进行归一化得到解混结果。本发明引入了基于像素的模糊分类结构的卷积神经网络模型，具有解混精度高、模型简单、计算量低、易于实现的优点。

技术领域

本发明属于图像处理技术领域，更进一步涉及解混技术领域中的一种基于卷积神经网络高光谱图像解混方法。本发明用于各种数字设备的高光谱图像解混处理，能有效提高高光谱图像解混的精度。

背景技术

高光谱遥感数据存在着光谱分辨率高但是空间分辨率较低的问题，当有不同的波谱的物质出现在同一个像元内时处于这样情况下的像元被称为混合像元。高光谱图像解混，是从混合像元中分解得到地物光谱信号(端元)及其空间分布(丰度)估计的过程。

Giorgio A.Licciardi和Fabio Del Frate在其发表的论文“Pixel Unmixing inHyperspectral Data by Means of Neural Networks”([J].IEEE Transactions onGeoscienceRemote Sensing,2011,49(11):4163-4172.)中提出一种基于自联想神经网络(autoassociative neural networks,AANNs)的解混方法。该方法使用自联想神经网络对高光谱图像输入向量进行维度降低操作即特征提取，我们选取训练好的自联想神经网络的瓶颈层输出作为特征向量，再利用多层感知器(multilayer perceptron，MLP)对降低维度后的向量进行基于像素的模糊分类，对输出向量进行归一化从而得到输入像素所对应的丰度估计值。但是，该方法仍然存在的不足之处，在解混过程中步骤复杂且无法解决高光谱数据维度高，数据量大的问题，需要将解混分成两个神经网络完成也就是需要同时训练两个网络，并且该方法提取出的特征结构较单一解混精度也较低。

复旦大学在其申请的专利文献“基于约束最小二乘的高光谱图像非线性丰度估计方法”(专利申请号：201310284833，申请公开号：CN103413292A)提出了一种基于约束最小二乘的高光谱图像非线性丰度估计方法。该方法从高光谱观测像素的混合模型出发，通过在目标函数中引入丰度的非负性及和为一约束以及非线性参数的有界约束，将高光谱图像非线性解混问题转化为求解丰度矢量和非线性参数的约束非线性最小二乘问题从而利用交替迭代优化算法求解丰度值。但是，该方法仍然存在不足之处，非线性解混模型较为复杂且公式较多，需要大量计算才能得到解混结果，效率低耗时长。

发明内容

本发明的目的在于，为了解决上述现有技术的高光谱解混方法普遍存在的解混精度较低，不利于后续对图像上的信息进行分析的问题，提出一种基于卷积神经网络的高光谱图像解混方法。

实现本发明目的的具体步骤如下。

(1)获取数据矩阵：

利用成像光谱仪对目标区域成像，获得包含高光谱图像像素的全部波段以及像素对应的真实地物丰度值高光谱图像，将图像存储为数据矩阵；

(2)对数据矩阵进行预处理：

(2a)用ENVI软件对数据矩阵进行大气校正，去除数据矩阵中受大气以及水蒸气影响的损坏波段数据，得到校正后的数据矩阵；

(2b)将数据矩阵按照1:3的比例划分为训练集和测试集；

(3)构建含有基于像素的模糊分类结构的10层结构的卷积神经网络；

(4)训练卷积神经网络：

将训练集输入到卷积神经网络中进行训练，得到训练好的卷积神经网络；