一种基于粒子群优化的高光谱图像稀疏分解方法技术

本发明专利技术公开了一种基于粒子群优化的高光谱图像稀疏分解方法，主要解决现有的正交匹配追踪稀疏分解算法计算复杂度高的问题。其技术关键是借助粒子群优化的思想，对正交匹配追踪算法的匹配过程进行改进，利用粒子表示冗余字典中的原子，依靠粒子群的快速搜索能力，找到能够对图像进行稀疏表示的最优原子，实现图像的稀疏分解。本发明专利技术方法能够在保证重构精度的条件下，提高稀疏分解的效率，且算法不需要事先产生冗余字典，减少对存储空间的占用，满足实时性要求。

A Sparse Decomposition Method for Hyperspectral Images Based on Particle Swarm Optimization

The invention discloses a hyperspectral image sparse decomposition method based on particle swarm optimization, which mainly solves the problem of high computational complexity of the existing orthogonal matching pursuit sparse decomposition algorithm. The key technology is to improve the matching process of the orthogonal matching pursuit algorithm with the idea of particle swarm optimization. The atoms in the redundant dictionary are represented by the particles, and the optimal atoms which can sparsely represent the image are found by the fast searching ability of the particle swarm optimization to realize the sparse decomposition of the image. The method of the invention can improve the efficiency of sparse decomposition under the condition of guaranteeing the reconstruction accuracy, and the algorithm does not need to produce redundant dictionaries beforehand, so as to reduce the occupation of storage space and meet the real-time requirements.

【技术实现步骤摘要】
一种基于粒子群优化的高光谱图像稀疏分解方法
本专利技术涉及图像处理
，尤其涉及一种基于粒子群优化的高光谱图像稀疏分解方法。
技术介绍
高光谱图像不但包含了被观测目标的空间分布信息，而且图像中的每个像元都有几十个甚至上百个窄波段的丰富光谱信息，具备“图谱合一”的性质。由于高光谱图像可以把反映物质性质的光谱特征和呈现物质几何空间信息的图像信息维系在一起，因此极大地提高了人类认知客观世界的能力，在遥感、军事、农业、医学等领域都被证明有着巨大的应用价值。因高光谱图像的空间、谱间分辨率高的特点，使其包含了非常丰度的细节信息，导致其数据量巨大，给星载传感系统的传输和存储都带来较大的困难。为了解决这个问题，研究者引入压缩感知理论，对高光谱图像进行压缩处理。压缩感知理论将采样与压缩过程结合，直接采集数据的信息特性，可对稀疏信号进行处理，降低传感器的采样和计算成本。因高光谱图像波段多，图像分辨率高，如何设计计算复杂度低的稀疏分解算法成为研究的关键。最常用的稀疏分解算法是基于全局搜索的贪婪算法，如正交匹配追踪(OrthogonalMatchingPursuit,OMP)，OMP算法由于其收敛快且精度高被大量采用。但是，匹配追踪算法在处理基于冗余字典的稀疏分解问题时，由于冗余字典中原子过多，而匹配过程需遍历字典中所有原子，计算复杂度高，计算时间在现有计算条件下令人无法忍受。综上所述，现有技术存在的主要问题在于：稀疏分解过程的计算复杂度高，无法应用于高光谱图像的稀疏分解。
技术实现思路
有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是提供一种基于粒子群优化的高光谱图像稀疏分解方法，利用粒子群对正交匹配追踪算法的匹配过程进行优化，快速搜索到最优原子，提高高光谱图像的稀疏分解速度。为实现上述目的，本专利技术提供了一种基于粒子群优化的高光谱图像稀疏分解方法，包括以下步骤：步骤1.高光谱图像总的波段数为J，波段序号为j，对每个波段图像进行分块处理，分块大小为B，分块个数为L，图像块号表示为l，则Xj,l表示第j个波段第l个图像块；设定最优原子个数为K，设定粒子群算法的种群个数为M，最大更新代数为T；步骤2.令j＝1，l＝1；步骤3.如果l＞L，则输出并令j＝j+1，l＝1，转入步骤4；否则，转入步骤5；步骤4.如果j＞J，则稀疏分解过程结束；否则，转入步骤5；步骤5.设定原子个数为k＝1；初始化残差r0＝Xj,l，最优原子索引集合为Λ0＝[]；步骤6.利用粒子群算法搜索得到最优原子的索引；步骤7.利用和公式(1)更新最优原子索引集合：Λk＝Λk-1YGbest(1)步骤8.根据公式(2)更新残差：其中，表示由原子索引集合Λk所形成的原子字典；步骤9.令k＝k+1，如果k＞K，输出并转入步骤10；否则转入步骤6；步骤10.根据公式(3)计算搜索到的最优原子表示的重构图像转入步骤11：步骤11.令l＝l+1，转入步骤3。上述的一种基于粒子群优化的高光谱图像稀疏分解方法，所述步骤6具体为：步骤6.1.令粒子标号为m＝1；步骤6.2.粒子的初始位置为的取值范围是粒子的位置取值是对应参数范围中的一个随机数；粒子的初始速度为取值范围是粒子的速度取值是对应参数范围中的一个随机数；步骤6.3.根据公式(4)生成粒子对应的Gabor原子Gbest：其中，win表示高斯函数，n＝1,2,...,B2；步骤6.4.根据公式(5)计算粒子的适应度，并将粒子作为第m个粒子的个体极值步骤6.5.令m＝m+1，如果m＞M，则选择具有最大适应度值的粒子作为群体的极值转入步骤6.6；否则转入步骤6.2；步骤6.6.令粒子的更新代数为t＝1；步骤6.7.令粒子标号为m＝1；步骤6.8.根据公式(6)和公式(7)更新粒子的速度和位置：其中，ls＝1,2,3,4，w为惯性权重，c1和c2是非负的常数，称为加速度因子，r1和r2是分布于[0,1]区间的随机数；步骤6.9.根据公式(8)生成粒子对应的Gabor原子：其中，win表示高斯函数，n＝1,2,...,B2；步骤6.10.根据公式(9)计算粒子的适应度：步骤6.11.如果粒子的适应度满足则将粒子作为第m个粒子的个体极值转入步骤6.12；步骤6.12.令m＝m+1，如果m＞M，选择具有最大适应度值的粒子作为新的群体极值转入步骤6.13；否则转入步骤6.8；步骤6.13.令t＝t+1，如果t＞T，输出Gbest，并转入步骤7；否则转入步骤6.6。本专利技术的有益效果是：第一，本专利技术由于采用粒子的位置代表原子，种群中粒子参数向量仅为一个四维向量，其占用的内存基本可以忽略不计；与正交匹配追踪算法需要事先产生冗余字典相比，本专利技术方法所需的计算内存较小；第二，本专利技术方法利用粒子群在整个参数空间中进行搜索，粒子位置的取值是连续的，与事先产生离散的冗余字典相比，本专利技术方法能生成更多类型的原子，更能稀疏的表示图像信号，从而提高了高光谱图像稀疏分解后的重构精度；第三，本专利技术方法利用粒子群搜索最优原子，仅需搜索少量的参数空间点，再由这些参数空间点产生原子，与正交匹配追踪算法的内积运算相比，本专利技术方法的运算量非常小，计算效率得到提升。以下将结合附图对本专利技术的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本专利技术的目的、特征和效果。附图说明图1为本专利技术的流程图；图2为本专利技术仿真实验所用的四组高光谱原始图像的第40个波段图像的示意图；图3为本专利技术方法得到的重构图像与已有的OMP方法得到的重构图像对比。具体实施方式一种基于粒子群优化的高光谱图像稀疏分解方法，其特征在于按如下步骤进行：步骤1.高光谱图像总的波段数为J，波段序号为j，对每个波段图像进行分块处理，分块大小为B，分块个数为L，图像块号表示为l，则Xj,l表示第j个波段第l个图像块；设定最优原子个数为K，设定粒子群算法的种群个数为M，最大更新代数为T；步骤2.令j＝1，l＝1；步骤3.如果l＞L，则输出并令j＝j+1，l＝1，转入步骤4；否则，转入步骤5；步骤4.如果j＞J，则稀疏分解过程结束；否则，转入步骤5；步骤5.设定原子个数为k＝1；初始化残差r0＝Xj,l，最优原子索引集合为Λ0＝[]；步骤6.利用粒子群算法搜索得到最优原子的索引：步骤6.1.令粒子标号为m＝1；步骤6.2.粒子的初始位置为的取值范围是粒子的位置取值是对应参数范围中的一个随机数；粒子的初始速度为取值范围是粒子的速度取值是对应参数范围中的一个随机数；步骤6.3.根据公式(1)生成粒子对应的Gabor原子Gbest：其中，win表示高斯函数，n＝1,2,...,B2；步骤6.4.根据公式(2)计算粒子的适应度，并将粒子作为第m个粒子的个体极值步骤6.5.令m＝m+1，如果m＞M，则选择具有最大适应度值的粒子作为群体的极值转入步骤6.6；否则转入步骤6.2；步骤6.6.令粒子的更新代数为t＝1；步骤6.7.令粒子标号为m＝1；步骤6.8.根据公式(3)和公式(4)更新粒子的速度和位置：其中，ls＝1,2,3,4，w为惯性权重，c1和c2是非负的常数，称为加速度因子，r1和r2是分布于[0,1]区间的随机数；步骤6.9.根据公式(5)生成粒子对应的Gabor原子：其中，win表示高斯函数，n＝1,2,..本文档来自技高网...

【技术保护点】
1.一种基于粒子群优化的高光谱图像稀疏分解方法，其特征在于，包括以下步骤：步骤1.高光谱图像总的波段数为J，波段序号为j，对每个波段图像进行分块处理，分块大小为B，分块个数为L，图像块号表示为l，则Xj,l表示第j个波段第l个图像块；设定最优原子个数为K，设定粒子群算法的种群个数为M，最大更新代数为T；步骤2.令j＝1，l＝1；步骤3.如果l＞L，则输出

【技术特征摘要】
1.一种基于粒子群优化的高光谱图像稀疏分解方法，其特征在于，包括以下步骤：步骤1.高光谱图像总的波段数为J，波段序号为j，对每个波段图像进行分块处理，分块大小为B，分块个数为L，图像块号表示为l，则Xj,l表示第j个波段第l个图像块；设定最优原子个数为K，设定粒子群算法的种群个数为M，最大更新代数为T；步骤2.令j＝1，l＝1；步骤3.如果l＞L，则输出并令j＝j+1，l＝1，转入步骤4；否则，转入步骤5；步骤4.如果j＞J，则稀疏分解过程结束；否则，转入步骤5；步骤5.设定原子个数为k＝1；初始化残差r0＝Xj,l，最优原子索引集合为Λ0＝[]；步骤6.利用粒子群算法搜索得到最优原子的索引；步骤7.利用和公式(1)更新最优原子索引集合：Λk＝Λk-1YGbest(1)步骤8.根据公式(2)更新残差：其中，表示由原子索引集合Λk所形成的原子字典；步骤9.令k＝k+1，如果k＞K，输出并转入步骤10；否则转入步骤6；步骤10.根据公式(3)计算搜索到的最优原子表示的重构图像转入步骤11：步骤11.令l＝l+1，转入步骤3。2.如权利要求1所述的一种基于粒子群优化的高光谱图像稀疏分解方法，其特征在于，所述步骤6具体为：步骤6.1.令粒子标号为m＝1；步骤6.2.粒子的初始位置为的取值范围是粒子的位置取...

【专利技术属性】
技术研发人员：王丽，王威，
申请(专利权)人：西安航空学院，
类型：发明
国别省市：陕西,61