买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京理工大学

摘要：本发明公开了一种形态成分约束优化的高光谱数据解混方法，该方法主要是利用一批高光谱数据和纯物质光谱库，构造光谱样本扩展矩阵；通过估计波段噪声标准差和稀疏性结构噪声分解，使用l1范数来约束稀疏噪声，l2,0范数约束不同纯物质丰度系数的全局行稀疏性；建立形态成分约束优化的高光谱数据解混模型，交替迭代实现混合光谱的线性解混。本发明综合考虑了高斯随机噪声和稀疏性结构噪声对线性解混精度影响，对混合噪声鲁棒，可以有效克服同批光谱数据之间的波形形态结构差异性，通过优化迭代实现快速、高精度解混，解混的均方根误差小于0.0025；本发明方法对于岩石矿物识别和高光谱遥感地物精细识别等具有广泛应用前景。

主权项：1.一种形态成分约束优化的高光谱数据解混方法，其特征在于，包括以下步骤：步骤1，输入高光谱数据和端元光谱库，具体如下：输入一批待解混的高光谱数据和端元光谱库E∈RB×M，B是波段数，P是光谱采样点个数，M是端元数；步骤2，构造光谱样本扩展矩阵，具体如下：对输入的高光谱数据按照逐像元光谱向量排列形成光谱-像元矩阵Y＝[y1,y2,...,yN]∈RB×P；步骤3，建立形态成分约束优化的高光谱数据解混模型：基于高光谱数据不同波段的高斯噪声强度不同，且具有其他稀疏噪声的假设，通过估计波段噪声标准差和稀疏性结构噪声分解，使用l1范数约束稀疏噪声，l2,0范数约束不同纯物质丰度系数的全局行稀疏性，建立形态成分约束优化的高光谱数据解混模型；具体如下：基于高光谱数据不同波段的高斯噪声强度不同，且具有其他稀疏噪声的假设，建立高光谱数据解混模型：Y＝EA+S+N1式1中，A∈RM×P为丰度系数，每列中的元素表示对应端元光谱在单个混合像元中所占的比例；S∈RB×P为稀疏分量，N∈RB×P为高斯噪声；引入稀疏约束，得到式1中所述模型的优化求解函数： 式2中，λ和α为正则化参数，λ0，α0；W为对角矩阵，对角上的元素为各波段高斯噪声的标准差的倒数；||·||F表示矩阵的F范数；表示矩阵的L2,0范数；表示矩阵的l1范数；通过增广拉格朗日乘子法将式2转化为： 式3中，V1,V2,V3为辅助变量，D1,D2,D3为拉格朗日乘子，μ0是惩罚因子，Xi,j表示矩阵X第i行第j列的元素，当Xi,j为非负值时，等于0，否则等于正无穷；步骤4，计算高光谱数据各波段的噪声标准差：首先计算噪声相关矩阵，然后逐波段地计算回归向量，估计噪声，最后计算噪声的标准差；步骤5，交替迭代求解：将模型转化为等价的增广拉格朗日形式，根据交替方向乘子法，对每个变量进行交替迭代求解优化问题；步骤6，输出丰度系数。

全文数据：

权利要求：

百度查询： 南京理工大学 一种形态成分约束优化的高光谱数据解混方法