基于自适应正则参数全变分算法的干涉高光谱图像分解方法与流程

技术特征：

1.一种基于自适应正则参数全变分算法的干涉高光谱图像分解方法，其特征在于：包括以下步骤：

⑴读取一帧待分解的干涉高光谱图像X，设置正则参数取值的最小值和最大值；

⑵设置X_B表示背景层，设置X_I表示干涉条纹层，二者与X的关系是：X_I＝X-X_B；

⑶采用遗传算法来寻找最优正则化参数Opt_β；

⑷利用寻求最优背景层X_B，然后根据X_I＝X-X_B得到干涉条纹层；

⑸完成图像分解。

2.根据权利要求1所述的一种基于自适应正则参数全变分算法的干涉高光谱图像分解方法，其特征在于：步骤⑶所述Opt_β＝GA(β,FitFun(β))，GA为遗传算法，FitFun为遗传算法的适应度函数。

3.根据权利要求2所述的一种基于自适应正则参数全变分算法的干涉高光谱图像分解方法，其特征在于：所述GA的适应度函数FitFun的计算包括以下步骤：

⑴设置迭代次数ini_num，且使X_B＝X；

⑵进行第一次迭代，计算

$X_B=X_B-\mathrm{\η}\frac{\∂\{\underset{x,y\∈X}{\∫}\sqrt{{\left(\frac{\∂\left(X\right(x,y)-X_B(x,y\left)\right)}{\∂y}\right)}^2}+\mathrm{\β}\underset{X}{\∫}\sqrt{{\left(\frac{\∂X_B(x,y)}{\∂x}\right)}^2}\}}{\∂X_B}$

⑶迭代次数加一，将上一步骤计算出的结果带入公式继续进行迭代计算；

⑷判断迭代次数是否达到最大值，如果达到则进入下一步骤，如果未达到则返回上一步骤继续迭代计算；

⑸计算FitFun＝abs(TV_x(X_B))+abs(TV_y(X-X_B))}。

4.根据权利要求1或2或3所述的一种基于自适应正则参数全变分算法的干涉高光谱图像分解方法，其特征在于：对中的X_B求导，再使用最速下降法进行迭代计算，求出最优解X_B，所述最速下降法公式是：

$X_B=X_B-\mathrm{\η}\frac{\∂\left\{{\∫}_{x,y\∈X}\sqrt{{\left(\frac{\∂\left(X\right(x,y)-X_B(x,y\left)\right)}{\∂y}\right)}^2}+Opt\_\mathrm{\β}{\∫}_x\sqrt{{\left(\frac{\∂X_B(x,y)}{\∂x}\right)}^2}\right\}}{\∂X_B}$

在最速下降法公式中：Opt_β为遗传算法中计算出的最优正则参数，η为步长，第一次迭代计算时，使X_B的取值为X，第二次迭代时将第一次迭代的结果代入，然后下一次的迭代将上一次迭代的结果代入进行计算，循环后得到最优背景层X_B，然后根据X_I＝X-X_B得到干涉条纹层。