基于空间加权协同稀疏的高光谱解混算法研究.pdf

ＤＯＩ：１０．１３８７８／ ｊ．ｃｎｋｉ．ｊｎｕｉｓｔ．２０１８．０１．００９ 朱昌宇　 张绍泉 　 李军　 李恒超１ １ １ ２ 基于空间加权协同稀疏的高光谱解混算法研究 摘要 ０　 引言 针对传统稀疏解混算法因空间信息 利用不足带来的丰度图像空间分布连续 　 　 高光谱遥感影像是成像光谱仪对待测地物进行二维空间成像， 性差的问题，本文提出了一种基于空间 同时将每个高光谱像元的光谱分成上百个波段进行连续的光谱覆 加权协同稀疏的解混方法．该方法利用 协同稀疏正则项刻画丰度系数的行稀疏 盖，形成二维空间特征信息与一维光谱特征信息，体现出高光谱遥感 性；同时，在协同稀疏框架下，引入空间 影像图谱合一的特性，在包含大量的空间信息的同时，还具有丰富的 加权因子挖掘高光谱图像邻域像元间的 ［１⁃２］ 地物光谱信息 ．然而，由于受到传感器空间分辨率的限制以及自然 空间相关性．本模型采用交替方向乘子 法求解，通过交替迭代，对空间权重和丰 界地物复杂多样性的影响，高光谱遥感影像中的一个像元所包含的 度系数进行优化．模拟和真实高光谱数 地物可能并不单一，导致一个像元对应的光谱曲线可能由多种不同 据实验结果表明本文方法能够比现有同 物质的光谱曲线混合而成，使得高光谱遥感影像中存在大量的混合 类方法获得更精确的解混结果． ［３］ 关键词 像元 ．混合像元的存在往往会造成“同质异谱”和“同谱异质”的现 高光谱图像；稀疏解混；空间加权； ［４］ 象，严重影响了地物的识别和分类精度 ．如何从混合像元广泛存在 协同稀疏回归 的高光谱影像中准确地提取出典型地物（端元）的光谱，并有效地进 中图分类号 ＴＰ３９１４１ 行混合像元分解，以得到它们之间混合的比例（丰度），是保证高光谱 文献标志码 Ａ 遥感技术定量化发展的前提． 总的来说，混合像元分解主要基于以下２种模型：线性光谱混合 ［５］ 模型和非线性光谱混合模型 ．线性光谱混合模型假定像元光谱是各 端元光谱的线性组合，而非线性光谱混合模型则认为像元光谱是各 端元光谱按某种非线性关系综合而成的．由于线性光谱混合模型简 单、效率高、物理含义明确，并且在一般情况下能够得到满意的效果， 是当前混合像元分解研究的主流．基于此，本文的研究将基于线性光 谱混合模型展开． ［６］ 近年来，随着稀疏表示 理论的飞速发展，以及随着各大光谱库的 ［７］ 普及，Ｉｏｒｄａｃｈｅ等 用已知光谱库替代从图像中选取的端元集合，创新 性地将稀疏性约束加入到混合像元分解之中，提出了稀疏解混方法．由 收稿日期 ２０１７⁃１０⁃２６ 于混合像元的端元丰度是稀疏的，而已知光谱库中光谱曲线数可能大 资助项目 国家自然科学基金６１３７１ １６５）；