(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111668257.0 (22)申请日 2021.12.3 0 (71)申请人 声耕智能科技(西安)研究院有限公 司 地址 710075 陕西省西安市雁塔区丈 八街 办丈八四路20号神州 数码科技园5号 楼12层A区C区 (72)发明人 赵敏　陈捷　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 代理人 姚咏华 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/30(2022.01) G06V 10/774(2022.01)G06K 9/62(2022.01) (54)发明名称 一种基于非负矩阵分解的即插即用高光谱 图像解混方法 (57)摘要 本发明公开了一种基于非负矩阵分解的即 插即用高光谱图像解混方法， 本发 明联合考虑了 手动选择正则项和通过学习获得的正则项， 进而 利用高光谱图像中的先验信息。 本方法使用降噪 器学习光谱和空间信息， 避免人工设计正则化器 和解决复杂的优化问题。 本发明也使用了手工正 则项来引入图像中一些物理上明确的先验。 本发 明以稀疏正则项为例， 加入丰度稀疏的先验知 识， 说明联合使用设计的正则化项和学习的正则 项可以有效提高解混精度。 本发 明中的降噪器不 仅能够引入先验信息， 同时， 降噪器的降噪特性 也提高了算法对噪声的鲁棒 性。 权利要求书2页 说明书7页 附图3页 CN 114332624 A 2022.04.12 CN 114332624 A 1.一种基于非负矩阵分解的即插即用高光谱图像解混方法， 其特征在于， 包括以下步 骤： S1， 获取待解混三维高光谱图像， 对待解混三维高光谱图像进行重构， 得到二维高光谱 图像； S2， 对二维高光谱图像进行最小化投影， 利用最小化投影后的噪声能量和投影信号误 差能量之和， 在正交子空间中， 确定二维高光谱图像的端元 数量； S3， 构建包 含先验正则项的损失函数； S4， 引入辅助变量， 对损失函数进行等价形式转化， 得到转化后的损失函数和对应的增 广拉格朗日函数； S5， 使用VCA端元提取结果初始化端元矩阵， 使用FCLS丰度估计结果初始化丰度矩阵和 辅助变量； S6， 根据端元的最小化损失函数估计端元； S7， 根据丰度的最小化损失函数估计丰度； S8， 根据辅助变量的最小化损失函数估计辅助变量； S9， 循环S6 至S8， 至迭代循环次数达 到最大循环次数， 输出高光谱图像的解混结果。 2.根据权利要求1所述的一种基于非负矩阵分解的即插即用高光谱图像解混方法， 其 特征在于， 三维高光谱图像为 二维高光谱图像为 其中L表示待解混 三维高光谱图像的光谱通道个数， H为待解混三维高光谱图像的空间维长； W为待解混三维 高光谱图像的空间维宽， N ＝H×W为二维高光谱图像的像素总个数。 3.根据权利要求1所述的一种基于非负矩阵分解的即插即用高光谱图像解混方法， 其 特征在于， S3中， 包 含先验正则项的损失函数为： s.t.E≥0,A≥0,1TA＝1 其中， 表示端元矩阵， 表示丰度矩阵， 4.根据权利要求1所述的一种基于非负矩阵分解的即插即用高光谱图像解混方法， 其 特征在于， S4中， 辅助变量 为 约束 转化后的损失函数为： 对应的增广拉格朗日函数为： 5.根据权利要求1所述的一种基于非负矩阵分解的即插即用高光谱图像解混方法， 其 特征在于， S6中， 端元的最小化损失函数为：权　利　要　求　书 1/2 页 2 CN 114332624 A 2其中Λ为拉格朗日乘子控制端元E非负的强度， 对上式进行求导并令导数为0， 具体如 下： EAAT‑RAT+Λ＝0 对上式两边同时乘上E， 根据K KT条件 端元E的更新 求解为： 6.根据权利要求1所述的一种基于非负矩阵分解的即插即用高光谱图像解混方法， 其 特征在于， S7中， 估计丰度时， 构建两个增广矩阵： 估计丰度的最小化损失函数表达式为： 其中δ为拉格朗日乘子控制丰度A非负的强度， Γ为拉格朗日乘子控制丰度A和为一约 束的强度， 对上式进行求 导并令导数为0， 具体如下： 其中， 根据KKT条件 端元A的更新 求解为： 7.根据权利要求1所述的一种基于非负矩阵分解的即插即用高光谱图像解混方法， 其 特征在于， S 8中， 估计 的最小化损失函数表达式为： 将其进行等 价转化： 利用降噪器求 解该问题， 获得辅助变量 8.根据权利要求7所述的一种基于非负矩阵分解的即插即用高光谱图像解混方法， 其 特征在于， 降噪器选择二 维图像降噪器NLM、 二维图像降噪器BM3D、 三维图像降噪器BM4D、 三 维图像降噪器LRTDTV。权　利　要　求　书 2/2 页 3 CN 114332624 A 3