基于独立分量分析的高光谱遥感图像混合像元分解方法

摘要

本发明属于遥感图像处理技术领域，具体为一种基于独立分量分析的高光谱遥感图像混合像元分解方法。本发明根据高光谱图像的物理特性，在独立分量分析的目标函数中引入丰度和为一约束与丰度非负约束，并且提出一种自适应的丰度建模方法来描述数据的概率分布，从而对各种不同的遥感数据都表现出良好的适用性。本方法可以有效地解决高混合度和各种干扰下的遥感数据混合像元分解问题。在基于多光谱和高光谱遥感图像的高精度的地物分类以及地面目标的检测和识别方面具有重要的应用价值。

主权项

1.一种基于独立分量分析的高光谱遥感图像混合像元分解方法，其特征在于具体步骤如下：已知观测矩阵X∈R^L×N，端元个数P，其中，L、N分别是矩阵X的行数和列数；步骤1、初始化解混矩阵W：使用自动目标生成方法ATGP从观测图像中选取P个像素点，将它们看作纯像元并以它们的值初始化端元矩阵A，然后以A的伪逆阵作为W的初始值；步骤2、开始迭代：a)根据解混矩阵W的迭代公式更新W：W←W+ηΔW，ΔW＝ΔW_AAM+η₁ΔW_ANC+η₂ΔW_ASC，    (1)参数η₁，η₂为用于控制约束条件的权重，η为迭代步长，b)根据独立分量分析ICA解混公式计算Y：Y＝WX    (2)c)如果算法没有收敛，返回a)继续迭代；步骤3、输出结果；其中，ΔW_AAM＝(1+dy^T-9yy^T)W    (3)式中，d＝9μ₁·/[1-α·/(α-1)·*exp(-9μ₁·*y+4.5μ₁·*μ₁)]，μ₁＝mean(y)./(1-α)，α＝sign(γ₂)/8+0.7693，mean(y)＝[mean(y₁)，mean(y₂)，...，mean(y_p)]^T，mean()表示取均值，sign是符号函数，y＝[y₁，y₂，...y_P]^T是源信号s的估计值；y₁，y_k，y_P是指矢量y＝[y₁，y₂，...y_P]^T中的第1个、第k个、第P个元素；γ₂＝[γ₂(y₁)，...，γ₂(y_k)，...，γ₂(y_P)]^T，γ₂(y_i)是p(y_i)的峭度，而p(y_i)是y_i的概率密度函数；1＝[1，1，...，1]^T∈R^P×1，符号″.*″和″./″表示矩阵元素对应地相乘和相除；J_ANC(Y)是非负约束的目标函数，式中，矩阵G的第i行j列位置处的元素为：J_ASC(Y)是和为一约束目标函数，式中，矩阵H的第i行j列位置处的元素为：1≤i≤P，1≤j≤N    (7)。