一種基于無限高斯混合模型的高光圖圖像解混方法
【專利摘要】本發(fā)明公開了一種基于無限高斯混合模型的高光圖圖像解混方法，假設(shè)高光譜圖像中的像元滿足無限混合模型，這種假定與傳統(tǒng)的線性模型相比，尤其在高分辨率的高光譜圖像應(yīng)用中，無限混合模型更能反映出圖像像元的復(fù)雜性，為了降低計算復(fù)雜性，使用合理的降維策略；為了確定高斯組分的個數(shù)，利用虛擬維度估計組分個數(shù)，進而擴展為高斯組分個數(shù)的范圍；為了求解無限混合模型，與傳統(tǒng)的求解方法不同，本發(fā)明采用TTS策略有效的確定了高斯組分的個數(shù)，使用Metropolis-within-Gibbs方法確定無限混合模型中的參數(shù)和參超數(shù)，通過參數(shù)和超參數(shù)的采樣，可以有效地得到混合的像元的組分機器所對應(yīng)的豐度。
【專利說明】—種基于無限高斯混合模型的高光圖圖像解混方法
【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，尤其涉及一種基于無限高斯混合模型的高光圖圖像解混方法。
【背景技術(shù)】
[0002]高光譜圖像為三維圖像，包括普通二維平面圖像信息和波長信息。在對目標的空間特征成像的同時，對每個空間像元經(jīng)過色散形成幾十個乃至幾百個窄波段以進行連續(xù)的光譜覆蓋。一個高光譜圖像為有若干個波長對應(yīng)的二維圖像組成的三維高光譜圖像。
[0003]近紅外外高光譜因其快速無損等特性被廣泛應(yīng)用于食品、醫(yī)藥、石油化工等行業(yè)。然而由于目前的大多數(shù)高光譜圖像都是由多個不同的物質(zhì)(端元)混合合成，為了更加精準的每個混合成分進行分析，就需要對高光譜圖像進行解混分析，通常需要假設(shè)高光譜圖像滿足線性混合模型(LMM)，該模型中的端元豐度需要滿足非負(ANC)和和為I的限制(ASC)。通常情況下，解混過程包括端元提取和豐都反演兩個步驟。對于端元提取而言，又可以分為端元數(shù)據(jù)確定和端元提取兩部分。就端元數(shù)目確定，第一類方法是基于像素的相關(guān)系數(shù)矩陣和協(xié)方差矩陣，常見的有主成分分析(PCA)、Harsany1-Farrand-Chang (HFC)、Akaike信息準則的等方法，這些方法在低維度圖像中工作正常，但是對于高維度的圖像的處理效果不好；第二類方法就是通過子空間的最小化來確定端元。對于端元提取來講，主要可以分為監(jiān)督方法和非監(jiān)督方法。監(jiān)督方法假設(shè)所有的端元都是已知的，主要包括定點成分分析(VCA)，自動端元提取(AEE)，純像元指數(shù)(PPI)，N-FINDR及迭代誤差分析(IEA)，這些方法主要從幾何視角進行分析，但是上述方法必須要求該幾何體中需要至少存在一個端元。當算法中沒有純端元的情況下，最小體積轉(zhuǎn)化(MVT)及其相類似的方法(迭代限制端元(ICES))采取包含所有數(shù)據(jù)的最大的單純形。這種方法的局限性在于必需存在N-1個端元(N為端元總數(shù))，但在真實的高混合的數(shù)據(jù)集中，這種假設(shè)不理想。當所有的端元提取后，通常利用全限制的最小二乘預(yù)測(FCLS)或最大似然分析對端元進行豐度反演。當端元和其對應(yīng)的豐富不確定，高光譜的解混問題就可以看成是盲信號分離問題，常見的方法包括包括獨立主成分(ICA)和非負矩陣分析(NMF)。對于ICA來講，其要求的端元之間相互獨立在實際圖像中不現(xiàn)實。對于NMF來講，求解NMF中的矩陣問題容易陷入最小解問題。

【發(fā)明內(nèi)容】

[0004]針對近紅外高光譜圖像中的非純像元不存在，高光譜解混中的ANC、ASC和端元未知的限制，在高光譜數(shù)據(jù)模型滿足經(jīng)典的高斯混合模型情況下，本發(fā)明提出一種基于無限高斯混合模型的高光圖圖像解混方法，通過使用分層貝葉斯模型對高斯模型中的參數(shù)和非參數(shù)進行估計，從而可以有效地得到混合的像元的組分機器所對應(yīng)的豐度。
[0005]為了解決上述技術(shù)問題，本發(fā)明的技術(shù)方案如下:
[0006]一種基于無限高斯混合模型的高光圖圖像解混方法，
[0007]11)對高光譜圖像進行降維處理，得到處理后的降維數(shù)據(jù)；[0008]12)利用虛擬維度的方法確定高斯組分個數(shù)的大小，并得出高斯組分個數(shù)的范圍，針對每個高斯組分個數(shù)，利用K-means方法，進行分別聚類，對于每個聚類的群組，使用PPI方法，提取每個群組中的最純的像元作為高斯混合模型中的期望向量；
[0009]13)對于高光譜圖像中的每個像元，基于無限混合模型，采用兩狀態(tài)策略進行端元數(shù)目采樣，然后使用Metropolis-within-Gibb對無限混合模型中的參數(shù)和超參數(shù)進行估計，通過多次迭代，得到最終的穩(wěn)定的參數(shù)和超參數(shù)的估計；
[0010]所述高光譜中的像元滿足無限高斯混合模型；
[0011]高光譜圖像滿足如式(a)所屬的高斯模型:
【權(quán)利要求】
1.一種基于無限高斯混合模型的高光圖圖像解混方法，其特征在于， 11)對高光譜圖像進行降維處理，得到處理后的降維數(shù)據(jù)； 12)利用虛擬維度的方法確定高斯組分個數(shù)的大小，并得出高斯組分個數(shù)的范圍，針對每個高斯組分個數(shù)，利用K-means方法，進行分別聚類，對于每個聚類的群組，使用PPI方法，提取每個群組中的最純的像元作為高斯混合模型中的期望向量； 13)對于高光譜圖像中的每個像元，基于無限混合模型，采用兩狀態(tài)策略進行端元數(shù)目采樣，然后使用Metropolis-within-Gibb對無限混合模型中的參數(shù)和超參數(shù)進行估計,通過多次迭代，得到最終的穩(wěn)定的參數(shù)和超參數(shù)的估計； 所述高光譜中的像元滿足無限高斯混合模型； 高光譜圖像滿足如式(a)所屬的高斯模型:

2.根據(jù)權(quán)利要求1所述的一種基于無限高斯混合模型的高光圖圖像解混方法，其特征在于，所述的步驟(11)中，使用譜聚類方法中使用的圖理論，通過分解高光譜數(shù)據(jù)的相似矩陣，計算相似矩陣的特征向量，排序后得到所需的降低維度的數(shù)據(jù)集合。
3.根據(jù)權(quán)利要求2所述的一種基于無限高斯混合模型的高光圖圖像解混方法，其特征在于，所述的步驟(12)中，包括如下步驟: 31)高斯組分個數(shù)的范圍確定 通過虛擬維度估算出可能的高斯成分個數(shù)Rsim，為了盡可能的考慮到所有的取值范圍，如式(f)所示，基于估算的高斯成分個數(shù)Rsim,計算得到高斯成分個數(shù)的取值范圍Rmin和 Rmax.Rmax = floor (min(2Rsim, N))；
Rmin = ceil (max(Rsim/2, I)) ； (f) 32)高斯組分均值向集合的確定 對于Rmin到Rmax中各值，都存在與之相對應(yīng)的高斯組分均值向量集合，對于R e [Rmin, Rmax]，利用K-means將觀測數(shù)據(jù)Y方法形成R個群組，針對聚類后的每個群組，提取最純的像元，由此構(gòu)成數(shù)目為R的均值向量MR，因此，對于所有的R值，可以得到高斯組成均值向量集合
4.根據(jù)權(quán)利要求3所述的一種基于無限高斯混合模型的高光圖圖像解混方法，其特征在于，所述的步驟(13)中，包括如下步驟: 41)對于每個像元來講,初始化混合模型中參數(shù)和超參數(shù)，其中包括高斯組成個數(shù)R(l)，高斯成分的均值向量豐度向量α (1)，方差σ2(1)； 42)對于每次迭代而言，根據(jù)兩狀態(tài)策略對高斯組分的個數(shù)及其所對應(yīng)的豐度進行調(diào)整； 43)調(diào)整端元成分中涉及的“前進”狀態(tài)概率/#)和“后退”狀態(tài)概率進行調(diào)整； 44)利用Metropolis-within-Gibbs和后驗密度對α⑴、σ2(t)和ω (t)進行米樣,再執(zhí)行步驟42)，直到迭代完畢。
【文檔編號】G06T19/00GK104008574SQ201410266799
【公開日】2014年8月27日 申請日期:2014年6月16日 優(yōu)先權(quán)日:2014年6月16日
【發(fā)明者】鄧水光, 徐亦飛, 李瑩, 吳健, 尹建偉, 吳朝暉 申請人:浙江大學