[发明专利]一种基于熵正则非负矩阵分解模型的高光谱解混方法及系统

权利要求书

1.一种基于熵正则非负矩阵分解模型的高光谱解混方法，其特征在于，包括以下步骤：

步骤1，获取待解混高光谱数据；从信息熵角度对丰度施加正则，通过最小化熵来去除丰度的随机性；其中，熵正则的非负矩阵分解模型表示为：

式中，是待解混高光谱数据；表示r个端元；表示丰度；控制重建误差和稀疏正则项和比重；Tr(·)表示矩阵的迹；Alog(A^T)表示每个像素点丰度熵的和；参数δ控制丰度加和为1约束的影响程度；1表示元素均为1的矩阵，下标表示矩阵的大小；||·||_F表示Frobenius范数；

步骤2，采用乘性迭代方法或投影梯度方法，对熵正则的非负矩阵分解模型进行求解，完成高光谱数据解混；

其中，熵正则的非负矩阵分解模型中，

记为第k次迭代中所有权重参数；

每一个表示为，

式中，r为端元个数；是第i个像素点处在第k-1次迭代中丰度的熵；γ用于控制总的权重；α决定上次迭代结果对的影响程度。

2.根据权利要求1所述的一种基于熵正则非负矩阵分解模型的高光谱解混方法，其特征在于，步骤2中，采用乘性迭代方法，对熵正则的非负矩阵分解模型进行求解的具体步骤包括：

首先输入高光谱数据端元个数r以及参数λ和δ；

然后初始化M和A；

令并由公式更新M；

令并由公式更新A；

重复更新M和A；直至迭代次数达到预设值时或拟合项在相邻两次迭代中的变差小于等于预设阈值时，停止迭代；得到最终结果

最后，输出端元估计值丰度估计值

3.根据权利要求2所述的一种基于熵正则非负矩阵分解模型的高光谱解混方法，其特征在于，步骤2中，初始化M和A的方法包括：

初始化M的方法包括：在(0,1)区间中随机生成，或者从观测数据中随机选取；或者，采用非监督的端元提取算法来确定端元并将其作为M的初值；

初始化A的方法包括：在决定端元M之后，丰度A由全约束最小二乘法或变量分离的增广拉格朗日稀疏解混法来进行初始化。

4.根据权利要求1所述的一种基于熵正则非负矩阵分解模型的高光谱解混方法，其特征在于，步骤2中，采用投影梯度方法，对熵正则的非负矩阵分解模型进行求解的具体步骤包括：

首先，输入高光谱数据端元个数r以及参数λ和δ；

然后，初始化M^k和A^k，取k＝0；

用公式M^k+1＝PGM(M^k,A^k)和A^k+1＝PGM(M^k+1,A^k)进行迭代，取k＝k+1；

重复迭代过程，直至满足预设的停机准则时停止迭代，得到最终结果

最后，输出端元估计值丰度估计值

5.根据权利要求1所述的一种基于熵正则非负矩阵分解模型的高光谱解混方法，其特征在于，在前10次迭代中，令α＝0，用于提升模型的鲁棒性。