基于神經(jīng)網(wǎng)絡(luò)的高光譜圖像非線性解混方法
【專利摘要】本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，為提供基于神經(jīng)網(wǎng)絡(luò)的高光譜圖像非線性解混方法，能有效完成相應(yīng)的提取端元并獲得端元豐度和非線性系數(shù)的工作，使解混效果得到進(jìn)一步的提高。本發(fā)明：基于神經(jīng)網(wǎng)絡(luò)的高光譜圖像非線性解混方法，包括如下步驟：(1)：輸入高光譜圖像數(shù)據(jù)；(2)：隨機(jī)產(chǎn)生足夠數(shù)量的訓(xùn)練樣本和測(cè)試樣本；(3)：利用訓(xùn)練好的多層感知器神經(jīng)網(wǎng)絡(luò)提取出高光譜圖像中單個(gè)像素點(diǎn)的豐度和非線性系數(shù)；(4)：使獲得的豐度滿足對(duì)應(yīng)的約束條件；(5)：重復(fù)對(duì)圖像內(nèi)所有像素點(diǎn)進(jìn)行解混后停止計(jì)算；否則，返回步驟(3)；(6)：通過(guò)計(jì)算重構(gòu)誤差和光譜角距離來(lái)評(píng)價(jià)該發(fā)明的算法性能。本發(fā)明主要應(yīng)用于圖像處理。
【專利說(shuō)明】
基于神經(jīng)網(wǎng)絡(luò)的高光譜圖像非線性解混方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及基于高光譜圖像解混方法，具體是一種基于 神經(jīng)網(wǎng)絡(luò)的高光譜圖像解混方法。
【背景技術(shù)】
[0002] 隨著科學(xué)技術(shù)的發(fā)展，遙感對(duì)地觀測(cè)技術(shù)日益成熟，已經(jīng)逐漸成為獲取空間地理 信息的重要手段之一。但是由于高光譜成像儀空間分辨率的限制以及自然界地物的復(fù)雜 性，獲得的遙感圖像的某些像素可能是幾種不同物質(zhì)光譜的混合，即混合像元。如何有效地 實(shí)現(xiàn)混合像元分解，已經(jīng)成為遙感研究的一個(gè)重要方向。混合像元的精確分解對(duì)于高精度 地物分類以及地面目標(biāo)檢測(cè)和識(shí)別方面有重要的應(yīng)用價(jià)值，使遙感應(yīng)用由像元級(jí)到達(dá)亞像 元級(jí)。
[0003] 光譜解混首先需建立光譜的混合模型。根據(jù)物質(zhì)的混合和物理分布的空間尺度大 小，光譜混合可以分為線性混合和非線性混合兩種模式。
[0004] 線性光譜混合模型假設(shè)一個(gè)光子只看到一種物質(zhì)，像元的光譜是各個(gè)端元的線性 組合。反之，當(dāng)?shù)匚锓植汲叨容^小時(shí)，光子將與多種物質(zhì)發(fā)生作用，導(dǎo)致非線性混合。線性光 譜混合模型具有建模簡(jiǎn)單、物理含義明確的優(yōu)點(diǎn)，是目前使用最廣泛的混合像元分解模型。 但它適用于本質(zhì)上屬于或者基本屬于線性混合的地物以及在大尺度上可以認(rèn)為是線性混 合的地物，對(duì)于一些微觀尺度上地物的精細(xì)光譜分析或一些小概率目標(biāo)的檢測(cè)來(lái)說(shuō)，需要 非線性混合模型來(lái)解釋。
[0005] 如果假設(shè)地物是非線性混合，則圖像中每個(gè)像元矢量可以用式(1)描述：
[0006] y = f (Μ,α)+η (1)
[0007] 其中：M=[mi,…，mp]為該像元點(diǎn)包含的ρ個(gè)端元所對(duì)應(yīng)的光譜向量，= ，…， αΡ]Τ為每個(gè)端元的在像元點(diǎn)y中所占的豐度，n=[m，n2，···，nL]T是附加的噪聲項(xiàng)，f (Μ，α)是 端元矩陣Μ和豐度α的未知的非線性函數(shù)。
[0008] 其中較為廣泛應(yīng)用的非線性模型有雙線性光譜混合模型，其在線性模型的基礎(chǔ)上 做了改進(jìn)。由于發(fā)現(xiàn)3種及以上端元之間的多次散射對(duì)應(yīng)的豐度通常非常小，該模型僅考慮 了兩種物質(zhì)之間的散射而忽略了3種及以上端元之間的散射，將兩種物質(zhì)之間的乘積項(xiàng)加 入線性模型中。
[0009] 高光譜圖像的非線性光譜分解通常包括兩個(gè)步驟:端元提取和非線性光譜解混。 端元提取首先確定高光譜圖像中包含的端元數(shù)目，然后找出每種端元的光譜曲線。非線性 解混則是根據(jù)不同的非線性解混方法對(duì)像元求出每個(gè)端元所占的百分比。
[0010] 較為廣泛應(yīng)用的雙線性模型有Nascimento雙線性模型（Nascimento ' s Model， M〇、Fan雙線性模型（Fan's Model，F(xiàn)M)和廣義的雙線性模型（Generalized Bilinear Model，GBM)。其中，NM假設(shè)觀測(cè)到的混合像元y為
[0011]
[0012]其中：ar是端元豐度，mr是端元光譜向量，mi Xmj指的是第i個(gè)光譜向量和第j個(gè)光 譜向量逐項(xiàng)相乘：
[0013]
[0014] 式(2)中的參數(shù)指的是第i個(gè)端元ΠΗ和第j個(gè)端元mj乘積項(xiàng)的幅度。未知參數(shù)(a， β?,2，···，0R-1,R)需要滿足如下約束：
[0015] ar 彡彡〇 (4)
[0016]
[0017]匪將兩種端元光譜的乘積項(xiàng)nuXnij作為一個(gè)新的端元，豐度為隊(duì)卞因此匪可用線 性模型的求解方法來(lái)做，例如全約束的最小二乘法或貝葉斯算法。
[0018] 與Ml模型相似，F(xiàn)M也將端元光譜的交叉乘積項(xiàng)nu Xmj作為附加光譜加入線性光譜 混合模型。但是FM假設(shè)這些交叉項(xiàng)的幅度與包含其中端元所占的面積有關(guān)，將觀測(cè)到的混 合像元光譜可寫(xiě)為式(6)，式(6)需滿足式(7)、（8)中的約束條件。該模型可用擴(kuò)展的泰勒鏈 和最小二乘法求解。
[0019]
[0020]
[0021]
[0022]與匪和FM模型相似，GBM也將端元光譜的交叉乘積項(xiàng)πη Xmj作為附加光譜加入線性 光譜混合模型，其幅度為該模型認(rèn)為，兩個(gè)端元交叉項(xiàng)的乘積與其中包含端元的 豐度乘積有關(guān)。但是由于光子經(jīng)過(guò)兩種端元折射后到達(dá)傳感器，該光子的傳輸路徑比只看 到一種端元的光子傳輸路徑長(zhǎng)，中間能量損失更大，需要乘上系數(shù)γ u e (〇，1)。因此，觀測(cè) 到的混合像元光譜可以用式(9)表示：
[0023]
[0024] GBM需要滿足的約束條件如式（10)所示：
[0025]
[0026] 通過(guò)增加因子γ 比匪和FM更加靈活。如果令γ =0,則GBM將變成線性混合 模型;而如果令γ = 1，GBM將變成FM。
[0027] 雙線性混合模型作為非線性混合模型的一種被廣泛研究，其利用特征光譜的 Hadamard乘積描述視場(chǎng)中光子之間的散射，但雙線混合模型僅考慮了成對(duì)端元之間的散 射，而端元之間的高階非線性映射和多層散射并沒(méi)有被量化進(jìn)模型。
[0028] -些學(xué)者提出了基于不同雙線性模型的梯度算法，但其有易受初始值影響而陷入 局部收斂且只適用于單一模型的缺點(diǎn)。
[0029] 多層感知器(Multi-layer perceptron，MLP)神經(jīng)網(wǎng)絡(luò)是一種廣泛應(yīng)用的神經(jīng)網(wǎng) 絡(luò)結(jié)構(gòu)，其在分類、模式識(shí)別、生產(chǎn)預(yù)測(cè)和流程建模等方面有較好的表現(xiàn)。感知器神經(jīng)網(wǎng)絡(luò) 由一系列的獨(dú)立神經(jīng)元構(gòu)成，前層的神經(jīng)元相應(yīng)地連接到下一層，前層的輸出可作為后層 的輸入。一般來(lái)說(shuō)，輸入層神經(jīng)元的個(gè)數(shù)等于輸入向量的維數(shù)，神經(jīng)網(wǎng)絡(luò)輸出層中神經(jīng)元的 個(gè)數(shù)等于要分類的個(gè)數(shù)。需要注意的是如何分配隱含層中神經(jīng)元的個(gè)數(shù)和每層隱含層中神 經(jīng)元的數(shù)目。神經(jīng)網(wǎng)絡(luò)的輸出既可以為二進(jìn)制的，也可以為連續(xù)的值。感知器神經(jīng)網(wǎng)絡(luò)的使 用包括兩個(gè)步驟：訓(xùn)練和分類。感知器神經(jīng)網(wǎng)絡(luò)通常是由后向傳輸算法（Back Pr 〇pagati〇n，BP)有監(jiān)督的訓(xùn)練得到，其為基于誤差的學(xué)習(xí)過(guò)程，并將訓(xùn)練數(shù)據(jù)分為兩部 分，第一部分用于訓(xùn)練MLP神經(jīng)網(wǎng)絡(luò)，第二部分作為驗(yàn)證數(shù)據(jù)來(lái)指導(dǎo)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，這對(duì) 于獲得更加適應(yīng)多變環(huán)境的網(wǎng)絡(luò)有重要意義，能有效避免過(guò)擬合現(xiàn)象。對(duì)于訓(xùn)練神經(jīng)網(wǎng)絡(luò)， 現(xiàn)在還沒(méi)有一種明確的方法，這意味著使用者必須訓(xùn)練多次以找到較好的參數(shù)設(shè)置。在訓(xùn) 練完神經(jīng)網(wǎng)絡(luò)后，將待求量輸入神經(jīng)網(wǎng)絡(luò)可在輸出層獲得相應(yīng)的預(yù)測(cè)量。

【發(fā)明內(nèi)容】

[0030] 為克服現(xiàn)有技術(shù)的不足，本發(fā)明旨在提供基于神經(jīng)網(wǎng)絡(luò)的高光譜圖像非線性解混 方法，能有效完成相應(yīng)的提取端元并獲得端元豐度和非線性系數(shù)的工作，解混效果得到進(jìn) 一步的提高。本發(fā)明采用的技術(shù)方案是，基于神經(jīng)網(wǎng)絡(luò)的高光譜圖像非線性解混方法，包括 如下步驟：
[0031] 步驟(1):輸入高光譜圖像數(shù)據(jù)，采用提取真實(shí)高光譜數(shù)據(jù)端元算法提取真實(shí)高光 譜圖像的端元；
[0032] 步驟(2):按照廣義的雙線性模型GBM隨機(jī)產(chǎn)生足夠數(shù)量的訓(xùn)練樣本和測(cè)試樣本， 在滿足豐度非負(fù)，同時(shí)豐度和為一約束條件下隨機(jī)設(shè)定像素點(diǎn)的豐度和非線性系數(shù)的條件 下，產(chǎn)生固定數(shù)量的樣本；訓(xùn)練多層感知器(Multi-layer perceptron，MLP)神經(jīng)網(wǎng)絡(luò)，并測(cè) 試其預(yù)估性能；
[0033] 步驟(3):利用訓(xùn)練好的多層感知器神經(jīng)網(wǎng)絡(luò)提取出高光譜圖像中單個(gè)像素點(diǎn)的 豐度和非線性系數(shù)；
[0034] 步驟(4):在神經(jīng)網(wǎng)絡(luò)提取單個(gè)像素點(diǎn)的豐度后，對(duì)獲得的豐度進(jìn)行豐度非負(fù)和豐 度和為一映射，使獲得的豐度滿足對(duì)應(yīng)的約束條件。
[0035] 步驟(5):重復(fù)對(duì)圖像內(nèi)所有像素點(diǎn)進(jìn)行解混后停止計(jì)算；否則，返回步驟(3)，對(duì) 下一像素繼續(xù)解混；
[0036] 步驟(6):由上步獲得的豐度和非線性系數(shù)重組獲得估計(jì)的單個(gè)像素點(diǎn)，通過(guò)計(jì)算 重構(gòu)誤差和光譜角距離來(lái)評(píng)價(jià)該發(fā)明的算法性能。
[0037] 所述步驟（1)中的提取真實(shí)高光譜數(shù)據(jù)端元算法為頂點(diǎn)成分分析算法VCA (VertexComponent Analysis)或正交子空間投影算法0SP(0rthogonal Subspace Pro jection)中的一種。
[0038] 所述步驟(4)中的豐度非負(fù)和豐度和為一約束映射為MLP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)獲得的豐 度可能并不滿足豐度內(nèi)在的約束，此時(shí)，對(duì)所獲得豐度進(jìn)行如式(11)(12)的映射：
[0039] a7 ij = abs(aij) (j^D) (11)
[0040]
[0041] 其中，(?為神經(jīng)網(wǎng)絡(luò)估計(jì)獲得的高光譜圖像豐度，V ij為經(jīng)過(guò)豐度非負(fù)性約束映 射后的高光譜圖像豐度、為經(jīng)過(guò)豐度和為一約束映射后的高光譜圖像豐度，若單個(gè)像素 點(diǎn)的豐度矢量α和非線性參數(shù)f估計(jì)正確，則高光譜圖像中某一像素點(diǎn)真實(shí)光譜數(shù)據(jù) 71和 重構(gòu)像素點(diǎn)重構(gòu)數(shù)據(jù)巧將非常接近，因此構(gòu)造解混的目標(biāo)函數(shù)
[0042]
[0043] 71和只分別為真實(shí)光譜數(shù)據(jù)和重構(gòu)數(shù)據(jù)。
[0044] 對(duì)像素點(diǎn)進(jìn)行解混歸結(jié)為針對(duì)目標(biāo)函數(shù)的最優(yōu)化問(wèn)題，利用神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)函數(shù) 進(jìn)行優(yōu)化求解，從而得到單個(gè)像素點(diǎn)的豐度矢量a和非線性系數(shù)V，根據(jù)廣義的雙線性模型 將目標(biāo)函數(shù)轉(zhuǎn)化為最優(yōu)化問(wèn)題：
[0045]
[0046] 其中，HU、!!!」*別為端元光譜兩兩組合的端元光譜，其下標(biāo)i和j的取值范圍分別是 (1，1?-1)、（1+1，1〇，其中1?為高光譜圖像中端元的數(shù)目，其乘
戈表GBM 非線性模型中非線性端元混合作用的效果，前者
為高光譜圖像中的線性部分，7:為 真實(shí)觀測(cè)到的高光譜圖像矩陣，通過(guò)設(shè)定GBM模型中的非線性系數(shù)和端元豐度αι、Α，可 適宜地模擬真實(shí)觀測(cè)到的高光譜圖像，從而實(shí)現(xiàn)有效解混的目標(biāo)。
[0047] 米用重構(gòu)誤差（Reconstruction Error,RE)和光譜角距離（Spectral Angle Mapper，SAM)來(lái)評(píng)價(jià)本發(fā)明的重構(gòu)性能步驟是：
[0048]
12
[0049] 式中，P為像素總數(shù)，N為波段數(shù)，71和另分別為真實(shí)光譜數(shù)據(jù)和重構(gòu)數(shù)據(jù)。
2
[0052]本發(fā)明的特點(diǎn)及有益效果是：
[0053]光譜解混作為高光譜圖像的一種預(yù)處理手段，不僅是實(shí)現(xiàn)地物精確分類和識(shí)別的 重要前提，而且是遙感技術(shù)向定量化深入發(fā)展的重要條件。因此，如何有效地解譯混合像元 是遙感應(yīng)用的關(guān)鍵。為了提高解混精度，本發(fā)明在廣義的雙線性模型的基礎(chǔ)上，提出一種基 于MLP估計(jì)模型豐度和非線性系數(shù)的解混算法。利用神經(jīng)網(wǎng)絡(luò)能有效估計(jì)待求參數(shù)，對(duì)遙感 圖像進(jìn)行非線性解混，能夠提高混合像元解混精度，特別是較為符合廣義雙線性模型分布 的高光譜區(qū)域，性能有較大的提升。這對(duì)于處理實(shí)際復(fù)雜高光譜圖像有重要意義，并為高光 譜圖像分析技術(shù)進(jìn)一步優(yōu)化發(fā)展提供了參考，有力地支持了高光譜混合像元非線性解混在 民用和軍事領(lǐng)域的應(yīng)用。
【附圖說(shuō)明】：
[0054] 圖1為本發(fā)明高光譜圖像非線性解混方法的流程圖；
[0055] 圖2為本發(fā)明真實(shí)數(shù)據(jù)實(shí)驗(yàn)中的從高光譜原始圖像中選取的一塊區(qū)域作為實(shí)驗(yàn)對(duì) 象；
[0056] 圖3為該區(qū)域中三種端元的光譜曲線；
[0057] 圖4為使用基于神經(jīng)網(wǎng)絡(luò)的非線性解混算法獲得的豐度估計(jì)圖。
[0058] 圖中，（a)植被、（b)7K、（c)土壤。
【具體實(shí)施方式】
[0059] 針對(duì)目前國(guó)內(nèi)外研究現(xiàn)狀，本發(fā)明提出了一種高光譜圖像非線性解混框架，能利 用神經(jīng)網(wǎng)絡(luò)(本發(fā)明中采用MLP神經(jīng)網(wǎng)絡(luò)），將解混問(wèn)題轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)解混待求參數(shù) 的過(guò)程。
[0060] 本發(fā)明結(jié)合神經(jīng)網(wǎng)絡(luò)估計(jì)出高光譜圖像像素點(diǎn)的豐度和非線性系數(shù)，在給定的高 光譜圖像解混效果評(píng)價(jià)標(biāo)準(zhǔn)一一重構(gòu)誤差和光譜角距離下，該發(fā)明能有效在完成相應(yīng)的提 取端元并獲得端元豐度和非線性系數(shù)的工作，解混效果得到進(jìn)一步的提高，具有較好的理 論和使用價(jià)值，具有一定的推廣意義。
[0061] 本發(fā)明的目的就是為了解決上述問(wèn)題，提供一種基于神經(jīng)網(wǎng)絡(luò)的高光譜圖像非線 性解混方法，相較當(dāng)今主流解混算法解混它具有更好的性能，能有效獲取混合像元中豐度 和非線性系數(shù)的優(yōu)點(diǎn)。
[0062]為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
[0063] -種基于神經(jīng)網(wǎng)絡(luò)的高光譜圖像非線性解混方法，包括如下步驟：
[0064] 步驟(1):輸入高光譜圖像數(shù)據(jù)，VCA算法提取真實(shí)高光譜圖像的端元。
[0065]步驟(2):按照GBM模型隨機(jī)產(chǎn)生足夠數(shù)量的訓(xùn)練樣本和測(cè)試樣本。在滿足豐度非 負(fù)和豐度和為一約束條件下隨機(jī)設(shè)定像素點(diǎn)的豐度和非線性系數(shù)，其可產(chǎn)生任意數(shù)量的樣 本。訓(xùn)練多層感知器MLP神經(jīng)網(wǎng)絡(luò)，并測(cè)試其性能。
[0066] 步驟(3):利用訓(xùn)練好的MLP神經(jīng)網(wǎng)絡(luò)提取出高光譜圖像單個(gè)像素點(diǎn)的豐度和非線 性系數(shù)。
[0067] 步驟(4):在獲得單個(gè)像素點(diǎn)的豐度后，有必要對(duì)豐度進(jìn)行豐度非負(fù)和豐度和為一 映射，使獲得的豐度滿足對(duì)應(yīng)的約束條件。
[0068] 步驟(5):重復(fù)對(duì)圖像內(nèi)所有像素點(diǎn)進(jìn)行解混后停止計(jì)算；否則，返回步驟(3)，對(duì) 下一像素繼續(xù)解混。
[0069]步驟(6):由上步獲得的豐度和非線性系數(shù)重組獲得估計(jì)的單個(gè)像素點(diǎn)。通過(guò)計(jì)算 重構(gòu)誤差和光譜角距離來(lái)評(píng)價(jià)該發(fā)明的算法性能。
[0070] 所述步驟(1)中的VCA算法為主流提取真實(shí)高光譜數(shù)據(jù)端元的算法，其也由其他基 于幾何理論的端元提取算法代替，如0SP等。
[0071] 所述步驟(4)中的豐度非負(fù)和豐度和為一約束映射為MLP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)獲得的豐 度可能并不滿足豐度內(nèi)在的約束，對(duì)其進(jìn)行豐度非負(fù)和豐度和為一約束有助于獲得更加準(zhǔn) 確的結(jié)果，可對(duì)所獲得豐度進(jìn)行如式(11)(12)的映射：
[0072] a7 ij = abs(aij) (j^D) (11)
[0073]
[0074] 其中，aij為神經(jīng)網(wǎng)絡(luò)估計(jì)獲得的高光譜圖像豐度，a' ij為經(jīng)過(guò)豐度非負(fù)性約束映 射后的高光譜圖像豐度、a〃ij為經(jīng)過(guò)豐度和為一約束映射后的高光譜圖像豐度。若豐度a和 非線性參數(shù)f估計(jì)正確，則高光譜圖像中某一像素點(diǎn)7:和重構(gòu)像素點(diǎn)只將非常接近，因此 可構(gòu)造解混的目標(biāo)函數(shù)
[0075]
[0076] 本發(fā)明將高光譜圖像非線性解混問(wèn)題歸結(jié)為針對(duì)目標(biāo)函數(shù)的最優(yōu)化問(wèn)題，并利用 神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化求解，從而得到單個(gè)像素點(diǎn)的豐度矢量 a和非線性系數(shù)β'。根 據(jù)廣義的雙線性模型可以將目標(biāo)函數(shù)轉(zhuǎn)化為最優(yōu)化問(wèn)題：
[0077]
[0078] 別為端元光譜兩兩組合的端元光譜，其下標(biāo)i和j的取值范圍分別是（1，尺- 1)、（1+1，1〇，其中1?為高光譜圖像中端元的數(shù)目，其乘彳
ζ表GBM非線性 模型中非線性端元混合作用的效果，前者
％高光譜圖像中的線性部分，71為真實(shí)觀 測(cè)到的高光譜圖像矩陣，通過(guò)設(shè)定GBM模型中的非線性系數(shù)和端元豐度αι、(^，可適宜地 模擬真實(shí)觀測(cè)到的高光譜圖像，從而實(shí)現(xiàn)有效解混的目標(biāo)。
[0079]下面結(jié)合附圖與實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明。
[0080]隨機(jī)合成樣本來(lái)訓(xùn)練MLP，訓(xùn)練好的MLP估計(jì)真實(shí)數(shù)據(jù)的每個(gè)像素點(diǎn)中的豐度和非 線性系數(shù)。在地物真實(shí)信息缺失的情況下在豐度非負(fù)和豐度和為一約束下隨機(jī)產(chǎn)生豐度值 和非線性系數(shù)，以此合成訓(xùn)練樣本和驗(yàn)證樣本，且樣本的端元是由VCA獲取。VCA也可用其他 幾何端元提取算法代替。MLP估計(jì)高光譜圖像中每個(gè)像素點(diǎn)的豐度和非線性系數(shù)，對(duì)真實(shí)數(shù) 據(jù)中的每個(gè)像素點(diǎn)運(yùn)行解混算法。
[0081 ] 具體實(shí)施例：
[0082] 本發(fā)明選取1997年AVRIS傳感器拍攝美國(guó)Nevada州的Moffett地區(qū)高光譜圖像作 為測(cè)試對(duì)象，由于原始圖像太大，運(yùn)算復(fù)雜度較高，選取50X50的子圖像塊用于實(shí)驗(yàn)。其原 始含有189個(gè)波段，波段范圍為401~889nm，如圖2所示。
[0083] 從所用高光譜數(shù)據(jù)中，得到的水(Water)、土壤(Soil)和植被(Vegetation)三種主 要地表覆蓋物的光譜曲線，如圖3所示。VCA提取的端元光譜曲線基本和真實(shí)端元曲線一致， 可作為真實(shí)值使用。
[0084]本發(fā)明采用真實(shí)數(shù)據(jù)實(shí)驗(yàn)驗(yàn)證算法性能，實(shí)驗(yàn)采用重構(gòu)誤差（Reconstruction Error，RE)和光譜角距離(Spectral Angle Mapper，SAM)來(lái)評(píng)價(jià)本發(fā)明的重構(gòu)性能。
[0085]
[0086] 式中，P為像素總數(shù)，N為波段數(shù)，yjPj；分別為真實(shí)光譜數(shù)據(jù)和重構(gòu)數(shù)據(jù)。
[0087]
[0088]
[0089] 由圖4可知:隨著訓(xùn)練樣本的增加，MLP能更加準(zhǔn)確估計(jì)非線性階數(shù)，本發(fā)明算法解 混獲得的RE更小，但當(dāng)訓(xùn)練樣本繼續(xù)增多時(shí)對(duì)性能的提升并不大。訓(xùn)練樣本數(shù)量是影響數(shù) 據(jù)重構(gòu)性能的重要影響因素，但樣本數(shù)目過(guò)多也易于導(dǎo)致過(guò)擬合，從而導(dǎo)致性能下降。表1 比較了本發(fā)明算法和其他主流算法的性能參數(shù)。在本次比較中，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)目 為2000，驗(yàn)證樣本數(shù)目為1000，采用的學(xué)習(xí)方法為梯度下降動(dòng)量學(xué)習(xí)函數(shù)(learngdm)，訓(xùn)練 方法為貝葉斯正則化算法(trainbr)，隱含層數(shù)為2層，每層隱含層中神經(jīng)元的個(gè)數(shù)為5和9， 在相應(yīng)的解混性能參數(shù)比較如表1所示。
[0090] 圖4(a)、圖4(b)、圖4(c)分別為使用本發(fā)明算法解混獲得的植被(Vegetation)、水 (Water)、土壤(Soil)的相對(duì)豐度圖。其中，0為黑色，1為白色，顏色越白，說(shuō)明該塊區(qū)域中該 種物質(zhì)的相對(duì)含量越多。例如，圖4(a)為植被(Vegetation)在該圖像中的相對(duì)豐度圖，顏色 越白的區(qū)域說(shuō)明水分的相對(duì)含量越多。
[0091] 表1四種算法平均RE和SAM的比較
[0092]
[0093] 當(dāng)使用不同數(shù)目的訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，隨著訓(xùn)練樣本數(shù)目的增加，使得神 經(jīng)網(wǎng)絡(luò)估計(jì)高光譜圖像像素點(diǎn)的非線性系數(shù)和豐度的能力變強(qiáng)，但隨著樣本數(shù)目的逐漸增 大，神經(jīng)網(wǎng)絡(luò)訓(xùn)練容易陷入過(guò)擬合，使得神經(jīng)網(wǎng)絡(luò)預(yù)估能力變差，造成高光譜圖像非線性解 混性能的下降。在表2中比較了使用不同數(shù)目訓(xùn)練樣本訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)MLP非線性解混 相同高光譜圖像的性能參數(shù)。
[0094] 表2不同數(shù)目訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)解混得到的性能參數(shù)比較
[0095]
[0096] 由表2數(shù)據(jù)分析可知，隨著樣本數(shù)目的增加，神經(jīng)網(wǎng)絡(luò)預(yù)估像素點(diǎn)非線性系數(shù)和豐 度的能力有較大的提升，但是，在到達(dá)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)擬合的臨界值點(diǎn)之后，神經(jīng)網(wǎng)絡(luò)解混 高光譜圖像的RE值保持不變，SAM值有所上升，神經(jīng)網(wǎng)絡(luò)非線性解混算法的性能下降。由此 可知，本發(fā)明算法應(yīng)在處理不同高光譜圖像非線性解混問(wèn)題時(shí)，有必要選擇最優(yōu)訓(xùn)練樣本 數(shù)目，這有助于更好地解混實(shí)際高光譜圖像。
[0097] 實(shí)驗(yàn)軟硬件環(huán)境為MATLAB 2014a、2.80GHz Intel i5CPU和4GB內(nèi)存。為定量衡量 算法復(fù)雜度，表3給出了本發(fā)明測(cè)算MLP使用不同數(shù)目的樣本訓(xùn)練所需的運(yùn)行時(shí)間。MLP訓(xùn)練 時(shí)間較長(zhǎng)，但可采用MATLAB中提供的多核CPU并行計(jì)算算法可克服該缺點(diǎn)。四核CPU并行計(jì) 算能減少原來(lái)四分之三的時(shí)間。后續(xù)將使用基于GPU(Graphics Processing Units)的并行 計(jì)算來(lái)解決上述缺點(diǎn)。
[0098] 表3使用不同數(shù)目的訓(xùn)練樣本來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的所用時(shí)間
[0099]
[0100]為了提高解混精度，本發(fā)明在廣義的雙線性模型的基礎(chǔ)上，提出一種基于MLP估計(jì) 模型豐度和非線性系數(shù)的解混算法。在本發(fā)明中，將MLP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)為三層結(jié)構(gòu)，分別為 輸入層、隱含層和輸出層。在訓(xùn)練MLP神經(jīng)網(wǎng)絡(luò)時(shí)，對(duì)其參數(shù)進(jìn)行設(shè)置，比如隱含層的層數(shù)、 在每層隱含層中神經(jīng)元的數(shù)目、學(xué)習(xí)方法、學(xué)習(xí)速率和訓(xùn)練的迭代次數(shù)等等。實(shí)驗(yàn)表明，利 用神經(jīng)網(wǎng)絡(luò)能有效估計(jì)豐度和非線性系數(shù)，并對(duì)遙感圖像進(jìn)行非線性解混，能提高混合像 元解混精度，特別是對(duì)于非線性映射和多層散射比較復(fù)雜的區(qū)域，性能有較大的提升。這對(duì) 于處理實(shí)際復(fù)雜高光譜圖像有重要意義。本發(fā)明后續(xù)工作將更多地測(cè)試在不同測(cè)試環(huán)境下 本發(fā)明算法的效果，優(yōu)化MLP估計(jì)非線性階數(shù)的步驟，減少不必要訓(xùn)練樣本的數(shù)量和基于 GHJ并行計(jì)算提高運(yùn)算速度。
[0101]上述雖然結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】進(jìn)行了描述，但非對(duì)本發(fā)明保護(hù)范圍 的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需 要付出創(chuàng)造性勞動(dòng)可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于神經(jīng)網(wǎng)絡(luò)的高光譜圖像非線性解混方法，其特征是，步驟如下： 步驟（1):輸入高光譜圖像數(shù)據(jù)，采用提取真實(shí)高光譜數(shù)據(jù)端元算法提取真實(shí)高光譜圖 像的端元； 步驟(2):按照廣義的雙線性模型GBM隨機(jī)產(chǎn)生足夠數(shù)量的訓(xùn)練樣本和測(cè)試樣本，在滿 足豐度非負(fù)，同時(shí)豐度和為一約束條件下隨機(jī)設(shè)定像素點(diǎn)的豐度和非線性系數(shù)的條件下， 產(chǎn)生固定數(shù)量的樣本；訓(xùn)練多層感知器(Multi-layer pe;rcept;ron,MLP)神經(jīng)網(wǎng)絡(luò)，并測(cè)試 其預(yù)估性能； 步驟(3):利用訓(xùn)練好的多層感知器神經(jīng)網(wǎng)絡(luò)提取出高光譜圖像中單個(gè)像素點(diǎn)的豐度 和非線性系數(shù)； 步驟(4):在神經(jīng)網(wǎng)絡(luò)提取單個(gè)像素點(diǎn)的豐度后，對(duì)獲得的豐度進(jìn)行豐度非負(fù)和豐度和 為一映射，使獲得的豐度滿足對(duì)應(yīng)的約束條件。 步驟(5):重復(fù)對(duì)圖像內(nèi)所有像素點(diǎn)進(jìn)行解混后停止計(jì)算；否則，返回步驟(3)，對(duì)下一 像素繼續(xù)解混； 步驟(6):由上步獲得的豐度和非線性系數(shù)重組獲得估計(jì)的單個(gè)像素點(diǎn)，通過(guò)計(jì)算重構(gòu) 誤差和光譜角距離來(lái)評(píng)價(jià)該發(fā)明的算法性能。2. 如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的高光譜圖像非線性解混方法，其特征是，所述步 驟（1)中的提取真實(shí)高光譜數(shù)據(jù)端元算法為頂點(diǎn)成分分析算法VCA(Ve;rtexComponent Analysis)或正交子空間投影算法0SP(0;rthogonal Subspace Projection)中的一種。3. 如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的高光譜圖像非線性解混方法，其特征是，所述步 驟(4)中的豐度非負(fù)和豐度和為一約束映射為MLP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)獲得的豐度可能并不滿足 豐度內(nèi)在的約束，此時(shí)，對(duì)所獲得豐度進(jìn)行如式(11)(12)的映射： 口'ij = abs(日ij)(j《D) (11)其中，αυ為神經(jīng)網(wǎng)絡(luò)估計(jì)獲得的高光譜圖像豐度，為經(jīng)過(guò)豐度非負(fù)性約束映射后的 高光譜圖像豐度、為經(jīng)過(guò)豐度和為一約束映射后的高光譜圖像豐度，若單個(gè)像素點(diǎn)的豐 度矢量α和非線性參數(shù)護(hù)估計(jì)正確，則高光譜圖像中某一像素點(diǎn)真實(shí)光譜數(shù)據(jù)yi和重構(gòu)像 素點(diǎn)重構(gòu)數(shù)據(jù)巧將非常接近，因此構(gòu)造解混的目標(biāo)函數(shù)yi和巧分別為真實(shí)光譜數(shù)據(jù)和重構(gòu)數(shù)據(jù)。4. 如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的高光譜圖像非線性解混方法，其特征是，對(duì)像素 點(diǎn)進(jìn)行解混歸結(jié)為針對(duì)目標(biāo)函數(shù)的最優(yōu)化問(wèn)題，并利用神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化求 解，從而得到單個(gè)像素點(diǎn)的豐度矢量a和非線性系數(shù)護(hù)，根據(jù)廣義的雙線性模型將目標(biāo)函數(shù) 轉(zhuǎn)化為最優(yōu)化問(wèn)題：其中，mi、mj分別為端元光譜兩兩組合的端元光譜，其下標(biāo)i和j的取值范圍分別是（1，R- 1)、。+1，1〇，其中1?為高光譜圖像中端元的數(shù)目，其乘積'戈表GBM非線性 模型中非線性端元混合作用的效果，前者％高光譜圖像中的線性部分，yi為真實(shí)觀 測(cè)到的高光譜圖像矩陣，通過(guò)設(shè)定GBM模型中的非線性系數(shù)丫 和端元豐度αι、α^，可適宜地 模擬真實(shí)觀測(cè)到的高光譜圖像，從而實(shí)現(xiàn)有效解混的目標(biāo)。 義用重構(gòu)誤差（Reconstruction Error,RE)和光譜角距離（Spectral Angle Ma卵er, SAM)來(lái)評(píng)價(jià)本發(fā)明的重構(gòu)性能步驟是：式中，P為像素總數(shù)，N為波段數(shù)，yi和巧分別為真實(shí)光譜數(shù)據(jù)和重構(gòu)數(shù)據(jù)。
【文檔編號(hào)】G06N3/08GK105975912SQ201610272318
【公開(kāi)日】2016年9月28日
【申請(qǐng)日】2016年4月27日
【發(fā)明人】李鏘, 王旭, 陳雷, 張立毅, 劉靜光
【申請(qǐng)人】天津大學(xué)