基于改进的扩展线性混合模型的高光谱图像光谱解混方法

1.本发明涉及图像识别领域，尤其涉及一种基于改进的扩展线性混合模型的高光谱图像光谱解混方法及装置。


背景技术：

2.高光谱遥感可以获得连续波段宽度在10nm以内的光谱，能以足够的光谱分辨率探测和识别那些具有诊断性光谱特征的地表物质，在地质制图、植被土壤、大气研究、环境监测等各个领域得到了广泛的应用。然而由于遥感图像空间分辨率的限制以及地物的复杂多样性，混合像元普遍存在于遥感图像中，严重影响了高光谱图像分类精度和目标的探测效果。为了提高遥感应用的精度，就必须进行光谱解混，即将混合像元分解为基本组分单元(端元)，及其所占的比例(丰度)。但在光谱解混过程中，端元光谱易受到大气、光照、地形以及其内在变化的影响产生变异，它的发生会影响解混精度和算法鲁棒性，因此考虑光谱变异性的光谱解混(简称为光谱可变解混)研究具有重要意义。
3.国内外现有的光谱可变解混方法分为光谱库已知和光谱库未知两种情况，光谱库已知的光谱可变解混方法主要分为以下四类：(1)利用光谱束的多端元光谱混合分析；(2)稀疏解混方法；(3)机器学习方法；(4)基于光谱变换的方法。但由于现有光谱库的限制，不依赖先验谱库知识的算法的研究愈见重要，光谱库未知的光谱可变解混方法大致可以分为以下四类：(1)局部分解方法；(2)无端元模型方法；(3)基于端元可变混合模型的解混方法；(4)基于贝叶斯的解混方法。这些方法直接从原始高光谱数据中提取光谱特征，然而现有的光谱可变解混方法存在主要问题有：
4.(1)现有的光谱可变解混方法考虑了许多的变量。例如基于端元可变混合模型的解混方法，由于考虑了更多的变量，导致模型求解时常常面临着求解难、收敛性差和速度慢等问题。
5.(2)现有的光谱可变解混方法不能同时兼顾光谱变异的解释性。例如基于贝叶斯的解混方法，求解并不困难，但是它不能直观的解释光谱变异性。


技术实现要素：

6.本发明的目的是针对现有技术中的不足，提供一种基于改进的扩展线性混合模型的高光谱图像光谱解混方法。一方面，考虑光谱变异性时，基于端元可变混合模型的解混方法更能直观的解释光谱的变异性，其中使用最广泛的两大类分别是通过尺度因子表示变异性的扩展线性混合模型和通过添加加性扰动表示变异性的扰动线性混合模型，结合这两个模型能广泛的表示更多的光谱变异性的情况；另一方面基于神经网络的方法实现起来更加便捷高效，模型的收敛效果也更好，变分自编码器正是基于神经网络的方法，它是一种具有特征提取功能的深度生成模型。
7.为实现上述目的，本发明提供了如下技术方案：
8.本发明提供一种基于改进的扩展线性混合模型的高光谱图像光谱解混方法，包括
如下步骤：
9.步骤1、对高光谱数据进行端元提取，获得固定的端元集；
10.步骤2、根据模型构建解混网络架构，计算重构数据；
11.2-1.将原始高光谱数据分成小批量进行实验，小批量样本的尺寸为m，每一个小批量高光谱图像作为一个样本；得到的第t个样本数据为
12.2-2.构建高效的基于改进线性混合模型的解混网络，分别包括丰度估计网络、尺度估计网络和扰动估计网络；
13.2-3.计算重构数据，根据网络生成的数据，基于改进的扩展线性混合模型，对高光谱数据进行重新构建，计算公式表示为：
[0014][0015]
其中，表示输入样本数据y
t
对应的重构数据，a是固定端元集，通过步骤1获得的，h是丰度矩阵，通过丰度估计网络获得，s是尺度矩阵，通过尺度估计网络获得，d是扰动矩阵，通过扰动估计网络获得的，
⊙
是hadamard乘积，表示对应位置元素相乘，表示按波段乘法符号；
[0016]
步骤3、计算小批量样本数据的损失函数；
[0017]
步骤4、重复步骤2-3，直到迭代的次数达到预先设定的总次数；
[0018]
步骤5、将整个高光谱数据带入已训练好的模型中进行测试，得到结果。
[0019]
进一步的，步骤2-2中构建的丰度估计网络，计算丰度表示为：
[0020][0021]
其中，h＝(h1，h2，...，hi，...，hm)表示丰度矩阵，表示第i个像元光谱对应的丰度向量，p表示端元数，y
t
＝(y
t1
，y
t2
，...，y
ti
，...，y
tm
)表示高光谱图像分块后得到的第t个小批量样本数据，表示第t个样本数据中的第i个像元光谱，m表示小批量样本的数量，fh(
·
)表示丰度估计操作，表示丰度估计网络中可训练的参数；
[0022]
优选的，所述的丰度估计网络最后一层输出的激活函数为softmax激活函数。
[0023]
进一步的，步骤2-2中构建的尺度估计网络，计算尺度表示为：
[0024]
s＝fs(y
t
；φ
t
)
ꢀꢀꢀꢀ
(3)
[0025]
其中，s＝(s1，s2，...，si，...，sm)表示尺度矩阵，表示第i个像元光谱对应的比例因子，fs(
·
)表示尺度估计操作，φ
t
表示尺度估计网络中可训练的参数；
[0026]
优选的，所述的尺度估计网络最后一层输出的激活函数为tanh函数或改进的sigmoid函数。
[0027]
进一步的，所述的丰度估计网络、尺度估计网络用全连接层网络或卷积神经网络构建。
[0028]
进一步的，步骤2-2中构建的扰动估计网络用于从数据中估计扰动项，计算扰动表示为：
[0029]
d＝fd(y
t
；θ
t
)
ꢀꢀꢀꢀ
(4)
[0030]
其中，d＝(d1，d2，...，di，...，dm)表示尺度矩阵，di表示第i个像元对应的扰动向
量，fd(
·
)表示扰动估计操作，θ
t
表示扰动估计网络中可训练的参数。
[0031]
进一步的，所述的扰动估计网络由全连接层网络、卷积神经网络或变分自编码器构建。
[0032]
进一步的，步骤3损失函数包括的扰动约束，根据所构建的网络进行定义：
[0033]
(1)当扰动网络用全连接层或卷积神经网络构建时，扰动项约束定义为：
[0034][0035]
其中，d表示扰动项，||
·
||c表示c范数；
[0036]
(2)当扰动网络用变分自编码器进行构建，扰动项约束定义为：
[0037][0038]
其中，l
kl
表示为编码器的kl散度。
[0039]
进一步的，步骤3损失函数包括的丰度约束，根据所构建的网络进行定义：
[0040][0041]
其中，h
i，
：表示第i个像元对应的丰度向量，p表示端元数，||
·
||c表示c范数；
[0042]
损失函数包括的尺度约束定义为：
[0043][0044]
其中，s表示尺度项矩阵，和分别表示相邻像素之间的水平和垂直梯度的线性算子，表示矩阵中每个元素的平方和。
[0045]
进一步的，步骤3样本数据的损失函数l
t
求解如下：
[0046]
l
t
＝l
rec
+λdld+λsls+λhlhꢀꢀꢀꢀ
(9)
[0047][0048]
其中，λd、λs和λh分别对应各约束项的参数。
[0049]
基于改进的扩展线性混合模型的高光谱图像光谱解混装置，包括端元初始化模块、网络搭建模块、网络训练模块和迭代停止条件判断模块；
[0050]
所述的端元初始化模块，用于从数据中提取端元，确定固定的端元集；
[0051]
所述的网络搭建模块，用于通过搭建网络获得相关数据，计算重构数据；
[0052]
所述的网络训练模块，用于设计损失函数，对网络搭建模块中的网络参数进行训练；
[0053]
所述的迭代停止条件判断模块，用于重复网络搭建模块和网络训练模块，根据迭代的次数是否达到预先设定的总次数判断迭代是否停止；
[0054]
所述网络搭建模块包括：
[0055]
丰度估计模块，用于搭建丰度估计网络，从数据中估计丰度；
[0056]
尺度估计模块，用于搭建尺度估计网络，从数据中估计尺度项；
[0057]
扰动估计模块，用于搭建扰动估计网络，从数据中估计扰动项；
[0058]
重构数据计算模块，用于计算光谱解混后得到的重构数据。
[0059]
本发明的有益效果在于：
[0060]
1)本发明提出了新的自编码器网络架构。使用自编码器网络结构，分别对丰度和可变端元中涉及的尺度和扰动进行更新，不仅充分减少了变量的使用，还能提高光谱解混的精度和效率；
[0061]
2)本发明提出了新的可变端元的参数化方法。可变端元的组成由初始的固定端元和尺度项、扰动项组成，其中尺度项和扰动项由网络训练学习，清晰的显示出端元的变异性，初始的固定端元则可以通过端元提取算法获得；
[0062]
3)本发明在实验中添加了各项正则化约束；对尺度项添加了空间平滑约束，对扰动项添加了正则化约束，提高模型的鲁棒性，对丰度则增加了稀疏约束，有助于防止过拟合。
附图说明
[0063]
图1为本发明基于改进的扩展线性混合模型的高光谱图像光谱解混算法实施的基本步骤流程图。
[0064]
图2为本发明基于改进的扩展线性混合模型的高光谱图像光谱解混算法的网络结构示意图。
[0065]
图3本发明基于改进的扩展线性混合模型的高光谱图像光谱解混算法的神经网络配置表。
[0066]
图4为jasper ridge数据集高光谱图像。
[0067]
图5为jasper ridge数据集高光谱图像的四种端元光谱曲线图。
[0068]
图6为在jasper ridge数据集上使用不同方法进行解混得到的丰度图。
具体实施方式
[0069]
为了使本发明的目的、技术方案和优点更加清楚，下面结合具体的实施例详细说明本发明。下面描述了具体实施例以简化本发明。但是需要认识到，本发明不局限于所说明的实施例，并且在不脱离基本原理的前提下，本发明的各种修改是可能的，这些等价形式同样落于本技术所附权利要求书所限定的范围。
[0070]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0071]
本发明从高光谱图像的光谱变异性出发，提出了联合尺度和扰动的改进增广线性混合模型，基于该模型构建由丰度估计网络、尺度估计网络和扰动估计网络构成的光谱解混网络，综合考虑重构误差、丰度约束、尺度约束和扰动约束设计网络损失函数。所设计的光谱解混算法能够在考虑光谱变异性的情况下精确解混。
[0072]
如图1所示，为所发明的基于改进的扩展线性混合模型的高光谱图像光谱解混算法实施的基本步骤流程图，如图2所示，为所发明光谱可变解混算法的网络装置结构示意图。具体包括以下步骤。
[0073]
输入：原始高光谱图像其中n是像素数，l代表波段数；
[0074]
步骤一：基于端元提取方法vca提取端元，获得固定的端元集a。算法实施过程中，考虑到vca提取的端元具有随机性，进行多次提取，采用不同的固定端元集进行实验，结果
取多次试验的均值。
[0075]
步骤二：根据模型搭建解混网络架构，计算重构数据。
[0076]
(1)将原始高光谱数据分成小批量进行实验，小批量样本的尺寸为m，得到的第t个样本数据为
[0077]
(2)构建高效的基于改进线性混合模型的解混网络，分别包括丰度估计网络、尺度估计网络和扰动估计网络；
[0078]
(3)构建丰度估计网络，由全连接网络层、批处理归一化层和非线性激活函数层组成，计算丰度表示为：
[0079][0080]
其中，h＝(h1，h2，...，hi，...，hm)表示丰度矩阵，表示第i个像元光谱对应的丰度向量，p表示端元数，y
t
＝(y
t1
，y
t2
，...，y
ti
，...，y
tm
)表示高光谱图像分块后得到的第t个小批量样本数据，表示第t个样本数据中的第i个像元光谱，m表示小批量样本的数量，fh(
·
)表示丰度估计操作，表示丰度估计网络中可训练的参数；
[0081]
本实验中，丰度估计网络可以采用全连接网络、批处理归一化和非线性激活函数层等网络结构实现。如图3所示，首先，将小批量样本y
t
输入到一个全连接层，输入的节点数为l，输出的节点数为32p，将输出数据进行批归一化处理和leaky_relu激活函数层处理；进一步，将得到的数据输入到一个全连接层，输出的节点数为16p，结合批归一化处理和leaky_relu激活函数处理；再将得到的数据输入到一个全连接层，输出的节点数为4p，结合批归一化处理和leaky_relu激活函数处理；再将得到的数据输入到一个全连接层，输出的节点数为4p，结合批归一化处理和leaky_relu激活函数处理；最后将得到的数据输入到一个全连接层，输出的节点数为p，考虑到丰度和为一约束和丰度非负性约束的影响，结合softmax激活函数进行处理。
[0082]
(4)构建尺度估计网络，同样由全连接网络层、批处理归一化层和非线性激活函数层组成，计算尺度表示为：
[0083]
s＝fs(y
t
；φ
t
)
ꢀꢀꢀꢀ
(2)
[0084]
其中，s＝(s1，s2，...，si，...，sm)表示尺度矩阵，表示第i个像元光谱对应的比例因子，fs(
·
)表示尺度估计操作，φ
t
表示尺度估计网络中可训练的参数；
[0085]
本实验中，尺度估计操作fs(
·
)由尺度估计网络实现，尺度估计网络包括全连接网络、批处理归一化和非线性激活函数层等网络结构实现。如图3所示，首先，将小批量样本y
t
输入到一个全连接层，输入的节点数为l，输出的节点数为32p，将输出数据进行批归一化处理和leaky_relu激活函数层处理；进一步，将得到的数据输入到一个全连接层，输出的节点数为16p，结合批归一化处理和leaky_relu激活函数处理；再将得到的数据输入到一个全连接层，输出的节点数为4p，结合批归一化处理和leaky_relu激活函数处理；再将得到的数据输入到一个全连接层，输出的节点数为4p，结合批归一化处理和leaky_relu激活函数处理；最后将得到的数据输入到一个全连接层，输出的节点数为p，结合tanh激活函数进行处理，控制输出的尺度项的范围，有效地防止过拟合。
[0086]
(5)构建扰动估计网络，由具有编码器和解码器的变分自编码器实现，编码器用于
从数据中推理出潜在变量，计算公式表示为：
[0087][0088]
其中，z＝(z1，z2，...，zi，...，zm)表示潜在变量，表示第i个像元光谱对应的潜在变量向量，p(z|y
t
)表示z的后验概率分布，是一个对角线协方差矩阵，μz和分别是潜在变量z的条件概率分布的均值和方差，q(
·
)表示编码器操作，ψ
t
表示编码器网络中可训练的参数；
[0089]
本实验中，扰动估计网络主要由变分自编码器实现，实验中想要通过样本数据y
t
推断出潜在变量z，即求它们的后验概率p(z|y
t
)，但事实上这个计算非常困难，因此引入了变分推断进行估计，通过求解q(z|y
t
)来近似后验概率。具体实施是输入样本数据y
t
，输出条件概率分布的均值和方差，如图3所示，考虑尺度项和扰动项都是可变端元的部分组成，尺度项和均值方差的数据结构也类似，因此可以使用类似尺度网络的结构，唯一不同的是最后一步，均值和方差分别从输入的最后一个全连接层中输出，不需要添加额外的激活函数。同时对它们进行权重共享，即ψ
t
＝φ
t
，达到减少参数使用的目的。
[0090]
在变分自编码器中，假设潜在变量z的先验分布服从标准的高斯分布，即根据重参数化技巧，得到z的计算公式表示为：
[0091][0092]
变分自编码器的解码器用于从潜在变量中生成符合要求的扰动项，计算公式表示为：
[0093]
d＝fd(z；θ
t
)
ꢀꢀꢀꢀ
(5)
[0094]
其中，d＝(d1，d2，...，di，...，dm)表示扰动矩阵，表示第i个像元对应的端元扰动，fd(
·
)表示扰动生成操作，θ
t
表示扰动生成网络中可训练的参数；
[0095]
本实验中，变分自编码器的解码器也是采用全连接网络、批处理归一化和非线性激活函数层等网络结构实现。如图3所示，首先，将得到的潜在变量z输入到一个全连接层，输出的节点数为16p，将输出数据进行批归一化处理和leaky_relu激活函数层处理；其次，将得到的数据输入到一个全连接层，输出的节点数为64p，结合批归一化处理和leaky_relu激活函数处理；最后将得到的数据输入到一个全连接层，输出的节点数为lp，结合tanh激活函数进行处理，通过乘以一个阈值将生成的扰动项限制在阈值附近。
[0096]
(6)计算重构数据
[0097]
根据网络生成的数据，基于改进的扩展线性混合模型，对高光谱数据进行重新构建，计算公式表示为：
[0098][0099]
其中，表示输入样本数据对应的重构数据，是固定端元集，可通过步骤一获得的，是丰度矩阵，通过丰度估计网络获得，是尺度矩阵，通过尺度估计网络获得，是扰动矩阵，通过扰动估计网络获得的，
⊙
是hadamard乘积，表示对应位置元素相乘，表示按波段乘法符号。
[0100]
步骤三：计算样本数据的损失函数。
[0101]
(1)定义损失函数：
[0102]
l
t
＝l
rec
+λ
kl
l
kl
+λsls+λhlh[0103][0104][0105][0106][0107]
其中，λ
kl
、λs和λh分别对应各约束项的参数，表示输入样本数据，表示对应的重构数据，l表示波段数，m表示样本像元数，q(z|y
t
)表示为编码器对应的后验概率分布函数，p(z)为变量z的概率密度分布函数，应的后验概率分布函数，p(z)为变量z的概率密度分布函数，是一个对角线协方差矩阵，μz和分别是z的均值和方差，表示尺度项矩阵，p表示端元数，和分别表示相邻像素之间的水平和垂直梯度的线性算子，表示矩阵中每个元素的平方和，表示第i个像元对应的丰度向量，||
·
||
1/2
表示范数。l
rec
表示重构损失，l
kl
表示散度损失，ls表示尺度损失，lh表示丰度稀疏约束损失。
[0108]
(2)通过最小化损失函数l
t
，优化网络参数
[0109]
步骤四：重复步骤二和三，直到迭代的次数达到预先设定的总次数。
[0110]
步骤五：将整个高光谱测试数据带入已训练好的模型中进行测试，输出丰度、尺度项和扰动项。
[0111]
为了验证本发明的效果，在jasper ridge数据集上进行了实验。下面以真实高光谱图像为例说明具体的实施方式，实验如下：
[0112]
本实施例采用的图像是jasper ridge数据集，是由aviris传感器所拍摄的高光谱图像，如图4所示，大小是100
×
100个像元，除去水汽吸收波段和低信噪比的波段，剩余198个波段参与实验。数据集中主要包含4种端元，它们分别是植被(vegetation)、水(water)、土壤(soil)、道路(road)，其光谱曲线如图5所示。
[0113]
为进一步验证本发明的应用效果，将本发明方法和其他方法进行比较，使用丰度的均方根误差(armse)、像元的均方根误差(xrmse)及其光谱角距离(xsad)作为评估指标，计算公式表示为：
[0114][0115]
[0116][0117]
其中，表示第n个原始丰度向量，表示对应的第n个实验得到的丰度向量，表示第n个像元，表示对应得到的第n个重构像元，n表示像元数，p表示端元数，l表示波段数。
[0118]
图6为fclsu、sclsu、elmm、glmm、plmm、almm、pgmsu和本发明的具体实例八种方法从jasper ridge数据集上进行解混得到的丰度图，与参考的真实丰度图进行比较。结果显示，不同方法分解得到的丰度图，对于植被和水的检测，均能识别出来，但在检测水时，除了pgmsu,其它方法的背景纯净度不高，显示出了道路来；对于土壤的检测，所提方法和pgmsu的结果更加精确，其中以我们所提方法更接近参考的丰度图；对于道路的检测，只有pgmsu检测的对比度更加符合。
[0119]
表1测试不同方法对合成数据的定量性能的比较
[0120]
methodsarmse(10-2
)xrmse(10-2
)xsad(10-2
)vca+fclsu12.22
±
0.431.32
±
0.167.95
±
0.54sclsu9.84
±
1.181.15
±
0.137.13
±
0.45elmm9.86
±
1.070.23
±
0.011.49
±
0.04glmm10.14
±
0.840.11
±
0.010.73
±
0.01plmm11.09
±
0.182.22
±
0.019.60
±
0.01almm12.72
±
3.9121.9
±
1.3167.8
±
1.85propose8.22
±
0.391.50
±
0.068.57
±
0.17
[0121]
表1的结果表明，本发明提出的基于改进的扩展线性混合模型的高光谱图像解混算法能增强解混的精度，得到的丰度估计也结果也最好。
[0122]
本发明描述了具体实施例以简化本发明。但是需要认识到，本发明不局限于所说明的实施例，并且在不脱离基本原理的前提下，本发明的各种修改是可能的，这些等价形式同样落于本技术所附权利要求书所限定的范围。

技术特征：
1.基于改进的扩展线性混合模型的高光谱图像光谱解混方法，其特征在于包括如下步骤：步骤1、对高光谱数据进行端元提取，获得固定的端元集；步骤2、根据模型构建解混网络架构，计算重构数据；2-1.将原始高光谱数据分成小批量进行实验，小批量样本的尺寸为m，每一个小批量高光谱图像作为一个样本；得到的第t个样本数据为2-2.构建高效的基于改进线性混合模型的解混网络，分别包括丰度估计网络、尺度估计网络和扰动估计网络；2-3.计算重构数据，根据网络生成的数据，基于改进的扩展线性混合模型，对高光谱数据进行重新构建，计算公式表示为：其中，表示输入样本数据y
t
对应的重构数据，a是固定端元集，通过步骤1获得的，h是丰度矩阵，通过丰度估计网络获得，s是尺度矩阵，通过尺度估计网络获得，d是扰动矩阵，通过扰动估计网络获得的，
⊙
是hadamard乘积，表示对应位置元素相乘，表示按波段乘法符号；步骤3、计算小批量样本数据的损失函数；步骤4、重复步骤2-3，直到迭代的次数达到预先设定的总次数；步骤5、将整个高光谱数据带入已训练好的模型中进行测试，得到结果。2.根据权利要求1所述的基于改进的扩展线性混合模型的高光谱图像光谱解混方法，其特征在于步骤2-2中构建的丰度估计网络，计算丰度表示为：其中，h＝(h1,h2,...,h
i
,...,h
m
)表示丰度矩阵，表示第i个像元光谱对应的丰度向量，p表示端元数，y
t
＝(y
t1
,y
t2
,...,y
ti
,...,y
tm
)表示高光谱图像分块后得到的第t个小批量样本数据，表示第t个样本数据中的第i个像元光谱，m表示小批量样本的数量，f
h
(
·
)表示丰度估计操作，表示丰度估计网络中可训练的参数；所述的丰度估计网络最后一层输出的激活函数为softmax激活函数。3.根据权利要求1或2所述的基于改进的扩展线性混合模型的高光谱图像光谱解混方法，其特征在于步骤2-2中构建的尺度估计网络，计算尺度表示为：s＝f
s
(y
t
；φ
t
)其中，s＝(s1,s2,...,s
i
,...,s
m
)表示尺度矩阵，表示第i个像元光谱对应的比例因子，f
s
(
·
)表示尺度估计操作，φ
t
表示尺度估计网络中可训练的参数；优选的，所述的尺度估计网络最后一层输出的激活函数为tanh函数或改进的sigmoid函数。4.根据权利要求2或3所述的基于改进的扩展线性混合模型的高光谱图像光谱解混方法，其特征在于所述的丰度估计网络、尺度估计网络用全连接层网络或卷积神经网络构建。5.根据权利要求1所述的基于改进的扩展线性混合模型的高光谱图像光谱解混方法，其特征在于步骤2-2中构建的扰动估计网络用于从数据中估计扰动项，计算扰动表示为：
d＝f
d
(y
t
；θ
t
)其中，d＝(d1,d2,...,d
i
,...,d
m
)表示尺度矩阵，d
i
表示第i个像元对应的扰动向量，f
d
(
·
)表示扰动估计操作，θ
t
表示扰动估计网络中可训练的参数。6.根据权利要求5所述的基于改进的扩展线性混合模型的高光谱图像光谱解混方法，其特征在于所述的扰动估计网络由全连接层网络、卷积神经网络或变分自编码器构建。7.根据权利要求1或6所述的基于改进的扩展线性混合模型的高光谱图像光谱解混方法，其特征在于步骤3损失函数包括的扰动约束，根据所构建的网络进行定义：(1)当扰动网络用全连接层或卷积神经网络构建时，扰动项约束定义为：其中，d表示扰动项，||
·
||
c
表示c范数；(2)当扰动网络用变分自编码器进行构建，扰动项约束定义为：其中，l
kl
表示为编码器的kl散度。8.根据权利要求7所述的基于改进的扩展线性混合模型的高光谱图像光谱解混方法，其特征在于步骤3损失函数包括的丰度约束表示为：其中，h
i,:
表示第i个像元对应的丰度向量，p表示端元数，||
·
||
c
表示c范数；损失函数包括的尺度约束定义为：其中，s表示尺度项矩阵，和分别表示相邻像素之间的水平和垂直梯度的线性算子，表示矩阵中每个元素的平方和。9.根据权利要求8所述的基于改进的扩展线性混合模型的高光谱图像光谱解混方法，其特征在于步骤3样本数据的损失函数l
t
求解如下：l
t
＝l
rec
+λ
d
l
d
+λ
s
l
s
+λ
h
l
h
其中，λ
d
、λ
s
和λ
h
分别对应各约束项的参数。10.基于改进的扩展线性混合模型的高光谱图像光谱解混装置，其特征在于装置包括端元初始化模块、网络搭建模块、网络训练模块和迭代停止条件判断模块；所述的端元初始化模块，用于从数据中提取端元，确定固定的端元集；所述的网络搭建模块，用于通过搭建网络获得相关数据，计算重构数据；所述的网络训练模块，用于设计损失函数，对网络搭建模块中的网络参数进行训练；所述的迭代停止条件判断模块，用于重复网络搭建模块和网络训练模块，根据迭代的次数是否达到预先设定的总次数判断迭代是否停止；所述网络搭建模块包括：
丰度估计模块，用于搭建丰度估计网络，从数据中估计丰度；尺度估计模块，用于搭建尺度估计网络，从数据中估计尺度项；扰动估计模块，用于搭建扰动估计网络，从数据中估计扰动项；重构数据计算模块，用于计算光谱解混后得到的重构数据。

技术总结
本发明涉公开了一种基于改进的扩展线性混合模型的高光谱图像光谱解混方法。本发明包括：(1)进行端元提取，获得固定的端元集；(2)构建模型网络，计算重构数据；(3)计算样本数据的损失函数。重复过程(2)-(3)，直到迭代的次数达到预先设定的总次数。本发明从高光谱图像的光谱变异性出发，提出了联合尺度和扰动的改进扩展线性混合模型，基于该模型构建由丰度估计网络、尺度估计网络和扰动估计网络构成的光谱解混网络，综合考虑重构误差、丰度约束、尺度约束和扰动约束设计网络损失函数。所设计的光谱解混算法能够在考虑光谱变异性的情况下精确解混。混。混。


技术研发人员：赵辽英 程颖 张莉
受保护的技术使用者：杭州电子科技大学
技术研发日：2023.06.08
技术公布日：2023/8/28