基于邻域光谱加权的高光谱图像稀疏解混方法
【专利摘要】本发明公开了一种基于邻域光谱加权的高光谱图像稀疏解混方法，主要解决了现有技术在高信噪比的高光谱图像稀疏解混过程中，高光谱图像稀疏解混精度低、重构效果差、耗时长、效率低的问题。本发明的步骤为：输入解混参数、预处理、构造拟合稀疏矩阵、构造邻域光谱加权的稀疏解混模型、求解邻域光谱加权的稀疏解混模型、输出解混结果。本发明引入了加权空间相关性模型和拟合稀疏矩阵，具有稀疏解混精度高、重构效果好、耗时短、效率高的优点。
【专利说明】基于邻域光谱加权的高光谱图像稀疏解混方法
【技术领域】
[0001]本发明属于图像处理【技术领域】，更进一步涉及稀疏解混【技术领域】中的一种基于邻域光谱加权的高光谱图像稀疏解混方法。本发明用于各种数字设备的高光谱图像解混处理，能有效提闻闻光谱图像解混的精度。
【背景技术】
[0002]高光谱图像解混技术，是指对于高光谱图像中的每一个混合像元，将其分解为不同的基本组成单元，或称“端元”，并求得这些基本组成单元所占的比例。其中，“端元”一般是指从高光谱图像中提取的包含某种地物类型比例很高的像元，而未必是仅包含一种地物类型的纯像元。
[0003]Jose M.Bioucas-Dias 和 Antonio Plaza 在文献 “Total Variation SpatialRegularization for Sparse Hyperspectral Unmixing，，([J].IEEE Transactions onGeoscience and Remote Sensing, 2012, 50 (11)).中提出一种基于全变分变量分裂增广拉格朗日(sparse unmixing via variable splitting augmented Lagrangian and totalvariation, SUnSAL_tv)的稀疏解混方法。该方法使用全变分正则化来约束高光谱图像解混模型中的丰度向量，在原始的稀疏解混模型上添加空间信息的相关性约束，利用已知光谱库信息，通过交替乘子替换法(Alternating Direction Method Multipliers, ADMM)来求解新的稀疏解混模型。但该方法仍存在的不足是，在高信噪比的高光谱图像稀疏解混过程中，高光谱图像稀疏解混精度低、重构效果差。
[0004]北京航天航空大学拥有的专利技术“一种基于随机投影的高光谱图像稀疏解混方法”(专利申请号:201110207433.0，授权
【发明者】李云松, 李娇娇, 刘嘉慧, 吴宪云, 王柯俨, 宋长贺 申请人:西安电子科技大学