一種基于量子粒子群的高光譜遙感影像端元提取方法
【專利摘要】本發(fā)明公開了一種基于量子粒子群的高光譜遙感影像端元提取方法，本發(fā)明首次將量子粒子群優(yōu)化算法引入到高光譜遙感影像端元提取方法中；其次，采用高維的粒子定義方式，使得粒子在解空間中的運(yùn)動(dòng)更具物理意義；最后，采用變異算子，即粒子初始化，來保持種群的多樣性，避免種群陷入局部最優(yōu)。本發(fā)明模型參數(shù)少，提取結(jié)果更精確，在高光譜遙感影像端元提取領(lǐng)域具有很好的應(yīng)用前景。
【專利說明】
一種基于量子粒子群的高光譜遙感影像端元提取方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于高光譜遙感影像處理技術(shù)領(lǐng)域，涉及一種高光譜遙感影像端元提取方 法，尤其涉及一種基于量子粒子群的高光譜遙感影像端元提取方法。
【背景技術(shù)】
[0002] 高光譜遙感影像具有光譜分辨率高、圖譜合一的特點(diǎn)，能夠探測相似地物的細(xì)微 差別，因此高光譜遙感影像廣泛應(yīng)用于軍事、農(nóng)業(yè)、環(huán)境監(jiān)測等各個(gè)領(lǐng)域。但是由于高光譜 傳感器空間分辨率的限制，再加上地物的復(fù)雜性，像元很難由單一均勻的地表覆蓋類型組 成，因此高光譜遙感影像中存在大量的混合像元。傳統(tǒng)的基于像元級(jí)的分類方法并不適合 混合像元的解譯，因?yàn)闊o論將其歸屬于任何一類，都是不準(zhǔn)確的。只有解決混合像元問題， 才能凸顯高光譜遙感用于地物解譯的優(yōu)勢，同時(shí)提高地物解譯的精度。因此，如何有效的解 譯混合像元是高光譜遙感應(yīng)用的關(guān)鍵問題之一。
[0003] 混合像元分解技術(shù)是解決混合像元問題的有效途徑，該方法主要包括端元提取和 豐度估計(jì)兩個(gè)核心任務(wù)。其中，端元提取是豐度估計(jì)的前提條件。針對混合像元端元提取問 題，國內(nèi)外學(xué)者提出了很多方法，大部分的端元提取算法基于凸幾何理論。該類方法認(rèn)為高 光譜數(shù)據(jù)點(diǎn)集構(gòu)成一個(gè)單形體，單形體的頂點(diǎn)即為影像的端元。經(jīng)典的端元搜索算法包括： 純像元指數(shù)、N-FINDR、正交子空間投影、基于單純形理論的頂點(diǎn)成分分析等。
[0004] 從本質(zhì)上講，端元提取可以看做是一種從η個(gè)像元中選擇k個(gè)代表性像元的優(yōu)化問 題。過去的幾十年中，群體智能優(yōu)化算法，尤其是進(jìn)化算法以及種群算法，是解決該類問題 的有效方法之一。因此，有學(xué)者開始將智能優(yōu)化算法用于解決端元提取優(yōu)化問題，其中離散 粒子群優(yōu)化算法是其中新型有效的代表方法之一。盡管，近幾年來粒子群優(yōu)化算法(PSO)得 到了廣泛的研究，但是算法本身存在著局限性:首先它已經(jīng)被證明不是一個(gè)全局收斂算法； 其次，PSO算法是模擬鳥類的群體行為而設(shè)計(jì)的，其演化方程是一組簡單的速度和位置狀態(tài) 方程，這種模型的隨機(jī)性和群體智能性比較低，粒子間共享的信息只有全局（或鄰域)最優(yōu) 位置，這使得粒子間的協(xié)同搜索能力并不強(qiáng)。如何解決收斂性問題，是提高智能優(yōu)化算法搜 索能力亟需解決的難題。

【發(fā)明內(nèi)容】

[0005] 為了解決上述技術(shù)問題，本發(fā)明提供了一種基于量子粒子群的高光譜遙感影像端 兀提取方法。
[0006] 本發(fā)明所采用的技術(shù)方案是:一種基于量子粒子群的高光譜遙感影像端元提取方 法，其特征在于:將高光譜遙感影像分別讀入大小為I Xη的矩陣R= {ri,...，rj, ...，rn}中， 矩陣中每列向量rj=(rij,. . .，rij, . . .，rij)T為像素的光譜福射值，1為高光譜遙感影像的 波段數(shù)，η為遙感影像的像素?cái)?shù);對高光譜遙感影像矩陣R進(jìn)行如下操作：
[0007] 步驟1:獲得高光譜遙感影像中的端元數(shù)目D;采用端元估計(jì)方法獲得端元數(shù)目；
[0008] 步驟2:隨機(jī)初始化種群，Xi(t) = (ei,i(t)，ei,2(t)，· · ·，ei,D(t))i = l，2, · · ·，Μ;其 中，t表示迭代的次數(shù)，首次初始化過程中令t = O; Xi (t)表示種群中的一個(gè)粒子;M表示該種 群中粒子的數(shù)目；eij(0)eR，表示初始化過程中第i個(gè)粒子中的第j個(gè)向量；
[0009] 步驟3:計(jì)算每初始粒子的個(gè)體最優(yōu)位置P1(O)及所有粒子的全局最優(yōu)位置G(O);
[0010]
[0011]
[0012]
[0013] 其中，f( ·)表示的是適應(yīng)度函數(shù)，采用端元光譜所構(gòu)成的單形體的體積作為適應(yīng)
度函數(shù);D表示端元的： 表示第i粒子中的D個(gè)向量的前D- 1個(gè)主成分組成的矩罔
[0014] 步驟4:判斷粒子X1U)在下一時(shí)刻是否變異；
[0015] 若否，則執(zhí)行下述步驟5;
[0016] 若是，則執(zhí)行下述步驟6;
[0017] 步驟5:粒子進(jìn)化并映射到高光譜圖像中；
[0018] 粒子進(jìn)化方程為：
[0019]
[0020]
[0021]
[0022]其中，α表示收縮膨脹系數(shù);P^(t)為粒子個(gè)體最優(yōu)位置;GKt)為所有粒子的最優(yōu) 位置;m, j (t)為一個(gè)0~1的隨機(jī)數(shù);巧(?)也是一個(gè)0~1的隨機(jī)數(shù)；
[0023] 將進(jìn)化得到的粒子位置映射到圖像中，映射過程為:在圖像中尋找與進(jìn)化得到的 粒子距離最接近的像素光譜進(jìn)行替換；
[0024] 步驟6:接受變異，初始化種群粒子位置X1U);
[0025] 步驟7:更新粒子的個(gè)體最優(yōu)位置及所有粒子的全局最優(yōu)位置。
[0026]粒子個(gè)體最優(yōu)位置：
[0027]
[0028]所有粒子的全局最優(yōu)位置：
[0029] G(〇 = argmin/(/；(t)) ：.
[0030] 步驟8:判斷是否達(dá)到循環(huán)終止條件；
[0031]如果否，重新執(zhí)行第4步；
[0032] 如果是，則循環(huán)終止，輸出最終的結(jié)果G(t)。
[0033] 作為優(yōu)選，步驟3中所述判斷粒子X1U)在下一時(shí)刻是否變異的原則是，首先確定 一個(gè)變異概率pp，然后生成一個(gè)〇~1之前的隨機(jī)數(shù)，如果隨機(jī)數(shù)小于pp，那么意味著發(fā)證變 異，否則不發(fā)生變異。
[0034] 作為優(yōu)選，步驟8中所述循環(huán)終止條件是種群X(t)收斂或達(dá)到最大迭代次數(shù)。
[0035] 本發(fā)明具有以下優(yōu)點(diǎn)和積極效果：
[0036] (1)將量子粒子群優(yōu)化算法引入到光譜遙感圖像端元提取問題中來。
[0037] (2)采用了高維的粒子群編碼方式，更符合端元的物理意義。
[0038] (3)利用變異操作，保持種群的多樣性，避免種群陷入局部最優(yōu)。
[0039] (4)本發(fā)明模型簡單，參數(shù)少，易于實(shí)現(xiàn)。
【附圖說明】
[0040] 圖1是本發(fā)明實(shí)施例的具體流程不意圖。
【具體實(shí)施方式】
[0041] 為了便于本領(lǐng)域普通技術(shù)人員理解和實(shí)施本發(fā)明，下面結(jié)合附圖及實(shí)施例對本發(fā) 明作進(jìn)一步的詳細(xì)描述，應(yīng)當(dāng)理解，此處所描述的實(shí)施示例僅用于說明和解釋本發(fā)明，并不 用于限定本發(fā)明。
[0042] 本發(fā)明需要解決的問題包括：（1)針對具體的問題，粒子的編碼方式；（2)自適應(yīng)度 函數(shù)的設(shè)計(jì)；（3)實(shí)際應(yīng)用中的收斂速度問題。
[0043]量子粒子群算法是一種能夠理論上保證全局收斂的算法。量子粒子群算法中，粒 子的運(yùn)動(dòng)遵循量子世界運(yùn)動(dòng)規(guī)律，而不是經(jīng)典牛頓力學(xué)。與經(jīng)典牛頓力學(xué)不同的是，量子力 學(xué)允許粒子以一定的概率同時(shí)出現(xiàn)在任何位置，因此，量子粒子群算法能夠從理論上保證 收斂到全局最優(yōu)位置。
[0044]請見圖1，本發(fā)明提供的一種基于量子粒子群的高光譜遙感影像端元提取方法，將 高光譜遙感影像分別讀入大小為I Xη的矩陣R= {ri,...，rj,...，rn}中，矩陣中每列向量rj = (ru，. . .，ru，. . .，Γυ)τ為像素的光譜輻射值，1為高光譜遙感影像的波段數(shù)，η為遙感影 像的像素?cái)?shù);對高光譜遙感影像矩陣R進(jìn)行如下操作：
[0045] 步驟1:獲得高光譜遙感影像中的端元數(shù)目D;采用端元估計(jì)方法獲得端元數(shù)目；
[0046] 步驟2:隨機(jī)初始化種群，Xi(t) = (ei,i(t)，ei,2(t)，· · ·，ei,D(t))i = l，2, · · ·，Μ;其 中，t表示迭代的次數(shù)，初始化過程中令I(lǐng) = O5X1U)表示種群中的一個(gè)粒子;M表示該種群中 粒子的數(shù)目；eij(0)eR，表示初始化過程中第i個(gè)粒子中的第j個(gè)向量；
[0047] 步驟3:計(jì)算每初始粒子的個(gè)體最優(yōu)位置P1(O)及所有粒子的全局最優(yōu)位置G(O);
[0048]
[0049]
[0050]
[0051] 其中，f( ·)表示的是適應(yīng)度函數(shù)，采用端元光譜所構(gòu)成的單形體的體積作為適應(yīng) 度函數(shù);D表示端元的數(shù)目；匕小)... 表示第i粒子中的D個(gè)向量的前D- 1個(gè)主成分組成的矩
[0052]步驟4:判斷粒子X1U)在下一時(shí)刻是否變異；
[0053] 若否，則執(zhí)行下述步驟5;
[0054] 若是，則執(zhí)行下述步驟6;
[0055] 步驟5:粒子進(jìn)化并映射到高光譜圖像中；
[0056] 粒子進(jìn)化方程為：
[0057]
[0058]
[0059]
[0060]其中，α表示收縮膨脹系數(shù);P^(t)為粒子個(gè)體最優(yōu)位置;GKt)為所有粒子的最優(yōu) 位置;m, j(t)為一個(gè)0~1的隨機(jī)數(shù)A W也是一個(gè)0~1的隨機(jī)數(shù)；
[0061] 將進(jìn)化得到的粒子位置映射到圖像中，映射過程為:在圖像中尋找與進(jìn)化得到的 粒子距離最接近的像素光譜進(jìn)行替換；
[0062] 步驟6:接受變異，初始化種群粒子位置X1U);
[0063] 步驟7:更新粒子的個(gè)體最優(yōu)位置及所有粒子的全局最優(yōu)位置。
[0064] 粒子個(gè)體最優(yōu)位置：
[幽增⑴、if/W./(沖-1))
[0066] 所有粒子的全局最優(yōu)位置：
[0067] G(i) = argmin/(^(t)) .
[0068] 步驟8:判斷種群X(t)是否收斂或達(dá)到最大迭代次數(shù)；
[0069] 如果否，重新執(zhí)行第4步；
[0070] 如果是，則循環(huán)終止，輸出最終的結(jié)果G(t)。
[0071] 本實(shí)施例需要進(jìn)一步說明的幾點(diǎn)：
[0072] (1)端元數(shù)目的估計(jì)方法同為本技術(shù)領(lǐng)域的公知技術(shù)，在此也不作贅述。
[0073] (2)粒子的定義:采用高維編碼方式，每個(gè)粒子為一個(gè)矩陣而不是一個(gè)向量，粒子 中的每個(gè)列向量代表一條待定的端元光譜曲線，這樣的定義方式更符合問題的物理意義。
[0074] (3)自適應(yīng)度函數(shù)f的選擇。自適應(yīng)度函數(shù)可以選擇為解混的誤差或者體積，又或 者二者的綜合。其中，解混誤差越小越好，體積越大越好。
(1)
[0075]
[0076] ⑵
[0077] 其中，％為解混豐度。
[0078] 考率到全約束最小二乘的時(shí)間消耗較大，所以在本發(fā)明中，采用體積作為適應(yīng)度 函數(shù)。
[0079] (4)判斷是否發(fā)生變異:首先確定一個(gè)變異概率pp，然后生成一個(gè)0~1之前的隨機(jī) 數(shù)，如果隨機(jī)數(shù)小于PP，那么意味著發(fā)證變異，否則不發(fā)生變異。
[0080] (5)量子粒子群優(yōu)化算法的進(jìn)化公式是通過一系列嚴(yán)密的理論的推導(dǎo)得到的，在 此不作贅述。
[0081]以下通過對比試驗(yàn)來驗(yàn)證本發(fā)明的有益效果。
[0082] 本試驗(yàn)采用的數(shù)據(jù)為AVIRIS礦區(qū)數(shù)據(jù)，共50個(gè)波段，光譜覆蓋范圍為：2.0-2.48μ m，影像尺寸350像素 Χ400像素。分別采用經(jīng)典的N-FINDR(方法1)、頂點(diǎn)成分分析法(方法 2 )、離散粒子群優(yōu)化方法(方法3)和本發(fā)明方法進(jìn)行端元提取。
[0083]試驗(yàn)采用的定量評價(jià)指標(biāo)為光譜角距離，比較所提取的端元光譜與真實(shí)參考光譜 的光譜角距離，光譜角距離越小，說明該方法的效果越好。實(shí)驗(yàn)結(jié)果見表1。
[0084] 表1對比試驗(yàn)結(jié)果 L〇〇86」說明：*表示小能提取出該物質(zhì)。
[0087] 從表1可見，本發(fā)明方法雖然平均的SAD值略高于方法3，但是方法3忽略的地物類 型較多，不能提取完整的地物光譜。本發(fā)明方法提取的地物光譜完整，且大部分更接近于真 實(shí)的參考值。整體來說，本發(fā)明方法具有更強(qiáng)的端元提取能力。由此可得出結(jié)論，與傳統(tǒng)端 元提取方法相比，本發(fā)明方法擁有更好的端元提取能力。
[0088] 應(yīng)當(dāng)理解的是，本說明書未詳細(xì)闡述的部分均屬于現(xiàn)有技術(shù)。
[0089] 應(yīng)當(dāng)理解的是，上述針對較佳實(shí)施例的描述較為詳細(xì)，并不能因此而認(rèn)為是對本 發(fā)明專利保護(hù)范圍的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明權(quán) 利要求所保護(hù)的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護(hù)范圍之內(nèi)，本發(fā) 明的請求保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。
【主權(quán)項(xiàng)】
1. 一種基于量子粒子群的高光譜遙感影像端元提取方法，其特征在于:將高光譜遙感 影像分別讀入大小為1乂〇的矩陣1?={町...，化...，扣}中，矩陣中每列向量^=(町，...， rij，...，ru)T為像素的光譜福射值，1為高光譜遙感影像的波段數(shù)，η為遙感影像的像素?cái)?shù)； 對高光譜遙感影像矩陣R進(jìn)行如下操作： 步驟1:獲得高光譜遙感影像中的端元數(shù)目D;采用端元估計(jì)方法獲得端元數(shù)目； 步驟2:隨機(jī)初始化種群,Xi(t) = (ei,i(t) ,ei,2(t), . . . ,ei,D(t))i = l ,2, . . . ,Μ;其中，t 表示迭代的次數(shù)，首次初始化過程中令t = 0;Xi(t)表示種群中的一個(gè)粒子;Μ表示該種群中 粒子的數(shù)目；eu(0)eR，表示初始化過程中第i個(gè)粒子中的第j個(gè)向量； 步驟3:計(jì)算每初始粒子的個(gè)體最優(yōu)位置Pi(0)及所有粒子的全局最優(yōu)位置G(0);其中，f( ·)表示的是適應(yīng)度函數(shù)，采用端元光譜所構(gòu)成的單形體的體積作為適應(yīng)度函 數(shù);D表示端元的數(shù)目屯.1(0 g.:(〇…馬。(咱ei?'。-。'。表示第i粒子中的D個(gè)向量的前D-1個(gè) 主成分組成的矩陣步驟4:判斷粒子Xi(t)在下一時(shí)刻是否變異； 若否，則執(zhí)行下述步驟5; 若是，則執(zhí)行下述步驟6; 步驟5:粒子進(jìn)化并映射到高光譜圖像中； 粒子進(jìn)化方程為：其中，α表示收縮膨脹系數(shù);Pi, ^t)為粒子個(gè)體最優(yōu)位置;G^t)為所有粒子的最優(yōu)位置； 為一個(gè)0~1的隨機(jī)數(shù);巧-W也是一個(gè)0~1的隨機(jī)數(shù)； 將進(jìn)化得到的粒子位置映射到圖像中，映射過程為:在圖像中尋找與進(jìn)化得到的粒子 距離最接近的像素光譜進(jìn)行替換； 步驟6:接受變異，初始化種群粒子位置Xi (t); 步驟7:更新粒子的個(gè)體最優(yōu)位置及所有粒子的全局最優(yōu)位置； 粒子個(gè)體最優(yōu)位置：所有粒子的全局最優(yōu)位置：步驟8:判斷是否達(dá)到循環(huán)終止條件； 如果否，重新執(zhí)行第4步； 如果是，則循環(huán)終止，輸出最終的結(jié)果G(t)。2. 根據(jù)權(quán)利要求1所述的基于量子粒子群的高光譜遙感影像端元提取方法，其特征在 于:步驟3中所述判斷粒子Xi(t)在下一時(shí)刻是否變異的原則是，首先確定一個(gè)變異概率PP， 然后生成一個(gè)0~1之前的隨機(jī)數(shù)，如果隨機(jī)數(shù)小于PP，那么意味著發(fā)證變異，否則不發(fā)生變 異。3. 根據(jù)權(quán)利要求1所述的基于量子粒子群的高光譜遙感影像端元提取方法，其特征在 于:步驟8中所述循環(huán)終止條件是種群X( t)收斂或達(dá)到最大迭代次數(shù)。
【文檔編號(hào)】G06T7/40GK105844620SQ201610157103
【公開日】2016年8月10日
【申請日】2016年3月18日
【發(fā)明人】許明明, 杜博, 張良培
【申請人】武漢大學(xué)