[发明专利]一种基于高光谱目标探测数据的动态解混方法

权利要求书

1.一种基于高光谱目标探测数据的动态解混方法，其特征在于所述方法包括如下步骤：

步骤1：提取高光谱目标探测数据中目标所在混合像元光谱数据，构建混合像元时序矩阵，具体步骤如下：

在通过探测数据先验得到目标位置的基础上，直接抽取各个场景目标所在混合像元处的光谱r_j，组合得到混合像元时序矩阵R，该矩阵为h×n维矩阵，其中h、n分别表示谱段数和场景数；

步骤2：基于高光谱目标探测数据估计目标所在场景的光谱曲线，具体步骤如下：

步骤2.1基于简单线性迭代聚类进行超像素分割，具体步骤如下：

(a)初始化超像素中心

对于波段数为h的高光谱数据，每个像元对应一个h+2维向量V_j，由各个波段的光谱信息和空间位置共同定义，写作：

式中，V_j表示第j个像元基于光谱信息和空间位置的表征向量；r_j＝[r_1j,...,r_hj]^T为第j个像元在各个谱段上的光谱维信息，其中r_1j-r_hj分别代表第j个像元从第1个谱段至第h个谱段的光谱信息；[m_j,n_j]^T为第j个像元在空间坐标系下的位置，其中m_j和n_j分别为第j个像元在x和y方向上的空间坐标位置；符号T表示向量转置；表示h+2维的实数空间；

按照给定参数，通过步距ω生成P个超像素均值点；

通过超像素之中所包含的像元信息，超像素也可通过一个h+2维向量C_i表征：

式中，C_i表示第i个超像素基于光谱信息和空间位置的表征向量；为第i个超像素在各个谱段上的光谱信息，由超像素之中包含的像元光谱数据取平均求得，其中r_1i-r_hi分别代表第i个超像素从第1个谱段至第h个谱段的光谱信息；为第i个超像素在空间坐标系下的位置，其中和分别为第i个超像素在x和y方向上的空间坐标位置；符号T表示向量转置；表示h+2维的实数空间；

为了避免将边缘、噪声与异常点选作聚类中心，用初始中心周围3×3区域中梯度最小位置替换初始中心；

(b)计算各像元同超像素中心的距离，更新超像素中心在初始中心点周围搜索与该点在距离上相近并且光谱上相似的像元，将其和中心点归于一类，之后再对聚类后的像元重新计算聚类中心，接着继续搜索周围相似的像元，持续迭代直到收敛；

(c)合并孤立点

通过邻域连通算法，将面积过小的连通分量分配给最近的超像素类别；

步骤2.2基于空间距离权重进行场景光谱估计，所述场景光谱估计公式如下：

r_e＝∑_ijα_ijr_ij；

式中，r_e为待估计场景光谱，r_ij为用于估计的邻域光谱，α_ij为加权系数，(i,j)、(a,b)分别为邻域像元和待估计像元的空间坐标；

步骤3：基于步骤1筛选的谱段，以步骤2估计的场景光谱作为先验信息，对步骤1中获取的混合像元矩阵进行动态解混，得到真实的目标光谱，具体步骤如下：

步骤3.1设定稀疏性约束权重矩阵，具体步骤如下：

对于目标处于多场景混叠的情况，结合加权的L₁正则化约束对端元分布的稀疏性进行约束，最终目标光谱解混的求解模型表示为：

s.t.E≥0,A≥0

式中，R、E、A分别代表混合像元时序矩阵、端元光谱矩阵和丰度矩阵，为一标量称为惩罚系数，用以控制正则化项在代价函数之中所占权重，为权重矩阵，⊙为点乘符号，||·||_F为矩阵的F范数，||·||₁为矩阵的1范数，1_m和1_n分别为m×m单位矩阵和n×n单位矩阵，为求取右式最小情况下的E和A的值，s.t.后表示需要满足的约束条件；

步骤3.2通过迭代优化算法进行目标光谱解混。