一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法技术

本发明专利技术涉及一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法。本发明专利技术结合多目标优化理论，将亚像元制图问题转化为对数据保真项、稀疏约束项、空间先验项的多目标优化问题，在稀疏约束项上直接使用非凸的L0范数建模，并构建基于亚像元集群块的亚像元空间分布模式字典，实现亚像元级空间先验建模。然后利用多目标优化算法强大的寻优能力来同时优化三个目标项，求解使该模型达到最优的一组解。本发明专利技术能够解决现有的稀疏亚像元制图方法中L1范数稀疏性建模不精确问题，以及最优权重参数选取困难问题。本发明专利技术可以有效提高亚像元制图的适用性和精度。

A Subpixel Mapping Method for Remote Sensing Images Based on Multi-objective Optimal Algorithms and Sparse Representation

The invention relates to a remote sensing image sub-pixel mapping method based on multi-objective optimization algorithm and sparse expression. According to the multi-objective optimization theory, the sub-pixel mapping problem is transformed into a multi-objective optimization problem of data fidelity, sparse constraints and spatial priori terms. The non-convex L0 norm is directly used to model the sparse constraints, and a sub-pixel spatial distribution pattern dictionary based on sub-pixel cluster blocks is constructed to realize the sub-pixel spatial priori modeling. Then, the powerful optimization ability of the multi-objective optimization algorithm is used to optimize the three objectives simultaneously, and to solve a set of solutions that make the model reach the optimum. The invention can solve the problem of inaccurate modeling of L1 norm sparsity in existing sparse sub-pixel mapping methods and the difficulty of selecting optimal weight parameters. The invention can effectively improve the applicability and accuracy of sub-pixel mapping.

【技术实现步骤摘要】
一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法
本专利技术属于遥感影像亚像元制图领域，特别涉及一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法。
技术介绍
由于传感器瞬时视场角的影响以及地物分布的复杂多样性，遥感影像中普遍存在着混合像元。混合像元是指在一个像元中包含多种地物类别，并且各种地物具有不同的光谱响应特征。混合像元问题不仅影响遥感影像分类精度，而且是遥感技术定量发展的重要障碍，限制了遥感影像的应用范围。为了解决混合像元问题，学者提出了混合像元光谱分解技术，该方法可以估计混合像元中各种地物(端元)和地物所占比例(丰度)，但无法确定各个组成地物在混合像元内部的空间分布，因而造成遥感影像空间细节信息的丢失。为了进一步解译混合像元内部各种地物的空间分布情况，必须借助亚像元制图技术。亚像元制图是由Atkinson于1997年首先提出，即将混合像元分割成更小单元的亚像元，并赋予这些亚像元特定的地物类别。亚像元制图是以混合像元光谱分解得到的丰度图为基础，在亚像元级上确定一个像元中不同的地物在空间上的可能分布，从而获得亚像元尺度的地物分类图。亚像元制图技术作为一种增强影像分本文档来自技高网...

【技术保护点】
1.一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法，其特征在于，包括以下步骤：步骤1，获取低分辨率的遥感影像，经过光谱分解得到遥感影像中各类地物的低分辨率丰度图；步骤2，学习过完备的空间分布模式先验字典；步骤3，构建多目标稀疏亚像元制图模型，并采用多目标优化算法求解使制图模型最优的稀疏系数和亚像元级丰度图；步骤4，根据各类地物对应的亚像元级丰度图，按照类别决策策略投票产生遥感影像亚像元级分类图。

【技术特征摘要】
1.一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法，其特征在于，包括以下步骤：步骤1，获取低分辨率的遥感影像，经过光谱分解得到遥感影像中各类地物的低分辨率丰度图；步骤2，学习过完备的空间分布模式先验字典；步骤3，构建多目标稀疏亚像元制图模型，并采用多目标优化算法求解使制图模型最优的稀疏系数和亚像元级丰度图；步骤4，根据各类地物对应的亚像元级丰度图，按照类别决策策略投票产生遥感影像亚像元级分类图。2.根据权利要求1所述的一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法，其特征在于：步骤1的具体实现包括如下子步骤，步骤1.1，使用手持Nuance近红外光谱仪获取一幅大小为[m,n]的低分辨率遥感影像；步骤1.2，采集遥感影像中C类纯净地物的样本(RegionOfInterest，ROI)，将样本的光谱曲线作为端元光谱；步骤1.3，输入低分辨率遥感影像和步骤2得到的ROI样本文件，利用全约束最小二乘算法(FullyConstrainedLeastSquares，FCLS)自动求解并输出C类地物的低分辨率丰度影像Y＝{y1,y2,...,yC}。3.根据权利要求1所述的一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法，其特征在于：步骤2的具体实现包括如下子步骤，步骤2.1，采用三次样条插值方法对低分辨率丰度影像Y＝{y1,y2,...,yC}进行尺度为S的上采样，得到大小为[M,N]的初始亚像元级丰度图Z＝{z1,z2,...,zC}，其中C为地物类别的个数，M＝m×S,N＝n×S；步骤2.2，将初始亚像元级丰度图Z＝{z1,z2,...,zC}分割成C×m×n个互不重叠的、大小为[S,S]的影像块，作为空间分布模式的学习样本集；步骤2.3，输入样本集，采用K-SVD算法学习影像块的空间分布模式，得到大小为[S2,b],b＞S2的过完备空间分布模式字典，其中，b是过完备字典中的原子个数，S代表亚像元制图尺度。4.根据权利要求1所述的一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法，其特征在于：步骤3中构建的多目标稀疏亚像元制图模型包括三个优化项：保真项、稀疏项、空间先验项，亚像元制图的结果是使该模型最小化的解，minF(α)＝minimize{f1(α),f2(α),f3(α)}其中，yc是地物c的低分辨率丰度图，α是地物c的高分辨率丰度影像，||α||0是α的L0范数，A是过完备空间分布模式字典，D是大小为[1,S2]的降采样矩阵，其中每个元素的值都是1/S2，U(Aα)是对亚像元级丰度图Aα施加的空间约束。5.根据权利要求1所述的一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法，其特征在于：步骤3采用多目标优化算法求解使制图模型最优的稀疏系数和亚像元级丰度图，具体实现方式如下，步骤3.1，采用基于稀疏系数矩阵的个体编码方式：在[minαc,minαc]范围内随机初始化低分辨率丰度图yc的稀疏系数矩阵αc作为一个个体，其中minαc＝-1,maxαc＝1；依次初始化NP个个体，形成种群种群中的第k个个体可表达为其中m,n分别代表低分辨率丰度图的行列数，b是过完备字典中的原子个数，S代表亚像...

【专利技术属性】
技术研发人员：马爱龙，宋蜜，钟燕飞，万瑜廷，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42