高光谱图像稀疏解混算法研究

高光谱图像稀疏解混算法研究

光谱解混在高光谱图像应用中起着重要作用。由于传感器的低空间分辨率和特征分布的复杂性,高光谱图像中每个像元通常包含多于一个的特征对象。

因此光谱解混作为许多高光谱图像应用背后的一项极具挑战性任务,旨在将每个混合像元的测量光谱分解为组成光谱(端元)和相应的一组比率(丰度)。作为一种半监督的解混策略,稀疏解混已经受到广泛的关注与研究。

同基于几何和统计的解混算法相比,稀疏解混避免了提取没有物理意义的虚拟端元的问题。本文对近年来高光谱图像稀疏解混算法的国内外研究现状进行了总结,针对全变差正则化变量分离与增量拉格朗日(SUnSAL-TV)算法求解的丰度图像存在边缘模糊与过平滑的现象,提出了一种结构张量全变差再优化稀疏解混算法。

根据结构张量全变差具有捕获局部邻域周围一阶信息的能力,在SUnSAL-TV 解混模型中引入结构张量全变差正则项来校正求解的丰度矩阵,提高解混精度。在合成数据与真实高光谱数据上的实验中已得到证明,提出的算法获得更好的解混性能,能够有效地克服丰度矩阵的过平滑与边缘模糊。

此外,考虑到局部协同稀疏解混算法使用固定窗口来包含局部空间信息是不严谨的,提出了基于超像素的局部协同稀疏解混算法。采用基于四元数颜色距离理论和基于简单线性迭代聚类的超像素分割算法可以将图像分割为多个同质区域,分割所得的每个同质区所包含的像元具有相似的光谱特性,在每个同质区域内执行协同稀疏解混可以更精确地包含局部空间信息。

同时,考虑到自然图像中非局部相似块的存在,作为超像素分割算法的扩展,提出了一种非局部超像素分割算法来改进简单线性迭代聚类(SLIC)算法,提出的

算法会包含更丰富的空间先验信息。