一种基于离散变量的改进型高光谱端元提取方法技术

本发明专利技术公开了一种基于离散变量的改进型高光谱端元提取方法，首先以解混后的光谱数据与原始光谱数据之间的均方根误差最小为目标函数，结合约束条件建立端元提取优化模型；基于人工蜂群算法计算食物源信息，选取NP个食物源信息作为初始解输入遗传算法中；最后基于遗传算法得到端元提取优化模型的最优解。本发明专利技术将基于离散人工蜂群算法与遗传算法运用于高光谱端元提取中，实现高光谱图像中端元提取精度的优化，解决了传统端元提取方法精度低以及线性约束模型容易失效的问题。

An Improved Hyperspectral End Element Extraction Method Based on Discrete Variables

The invention discloses an improved hyperspectral end element extraction method based on discrete variables. Firstly, the minimum root mean square error between the unmixed spectral data and the original spectral data is taken as the objective function, and an optimization model of end element extraction is established with constraints; food source information is calculated based on artificial bee colony algorithm, and NP food source information is selected as the initial solution input in genetic algorithm. Finally, the optimal solution of the optimization model of endmember extraction is obtained based on genetic algorithm. The invention applies the discrete artificial bee colony algorithm and the genetic algorithm to the hyperspectral end element extraction, realizes the optimization of the end element extraction accuracy in the hyperspectral image, and solves the problems of low precision of the traditional end element extraction method and easy failure of the linear constraint model.

【技术实现步骤摘要】
一种基于离散变量的改进型高光谱端元提取方法
本专利技术属于高光谱图像
，具体涉及一种基于离散变量的改进型高光谱端元提取方法。
技术介绍
高光谱遥感实现了遥感数据图像维与光谱维信息的有机融合，在光谱分辨率上有巨大优势，是遥感发展的里程碑。随着高光谱遥感技术的日趋成熟，其应用领域也日益广泛，已渗透到国民经济的各个领域，如环境监测、资源调查、工程建设等，对于推动经济建设、社会进步、环境的改善和国防建设起到了重大的作用。高光谱遥感技术已在植被生态、大气环境、地质矿产，海洋军事等领域得到了广泛的应用。高光谱端元提取问题基于线性光谱混合模型，该模型对于理想高光谱数据具有很好的约束效果，但对于实际采集的高光谱数据该模型的约束则比较容易失效。此外，传统的端元提取算法缺少信息反馈的机制，这将导致算法无法跳出局部最优解。近年来，启发式算法已被广泛应用于解决高光谱图像处理问题，启发式算法主要包括遗传算法、蚁群算法、粒子群算法和人工蜂群算法等，上述群体智能算法高效且易于使用。人工蜂群算法是一种新的群体智能优化算法，由于具有全局收敛性强、鲁棒性好等优点，人工蜂群算法被广泛应用于通信领域、信号与图像处理、控制领域和电力系统领域等。与其他智能算法不同的是，人工蜂群算法定义了食物源以及三种蜂：雇佣蜂、观察蜂和侦查蜂，食物源代表一个解向量，其好坏表征着对应的目标函数值高低，而三种蜂的作用则是使局部寻优的次数增多，范围更广，从而使该算法具有很强的全局搜索能力。但与此同时人工蜂群算法也存在着收敛速度过慢，搜索精度不高的缺点。遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，它以群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作。但与此同时遗传算法也存在着全局搜索能力较差，搜索精度较低的缺点。
技术实现思路
为解决上述问题，本专利技术提出一种基于离散变量的改进型高光谱端元提取方法，实现高光谱图像中端元提取精度的优化，解决了传统端元提取方法精度低以及线性约束模型容易失效的问题。本专利技术采用如下技术方案，一种基于离散变量的改进型高光谱端元提取方法，具体步骤如下：(1)以解混后的光谱数据与原始光谱数据之间的均方根误差最小为目标函数，结合约束条件建立端元提取优化模型；(2)基于人工蜂群算法计算食物源信息，选取NP个食物源信息作为初始解输入遗传算法中；(3)基于遗传算法得到端元提取优化模型的最优解。优选地，步骤(1)所述的以解混后的光谱数据与原始光谱数据之间的均方根误差RMSE最小为目标函数：其中i＝1，2，…，N，N为光谱图像中的像素数目；其中ri为原始光谱图像，为解混后的光谱图像，ri(k)表示原始光谱图像中对应的第k波段的图像，表示解混后的光谱图像中对应的第k波段的图像，L表示光谱图像的波段数，E＝[e1，e2，…，ep]为端元矩阵，S＝[s1，s2，…，sP]∈RN×P为丰度矩阵，P为待提取的端元数目；优化模型的约束条件为：sij≥0，即端元丰度和为1，且端元丰度不为负数。优选地，所述步骤(2)的方法具体如下：2-1)设置人工蜂群算法与遗传算法的参数，人工蜂群个体数目为NP/2，遗传算法个体数目为NP，初始化第一代人工蜂群，计算所有食物源的目标函数值；2-2)每个雇佣蜂对应一个食物源，雇佣蜂以预设的概率选择更新方式，并采用贪婪策略更新食物源位置；2-3)雇佣蜂分享食物源信息给观察蜂，观察蜂根据全体雇佣蜂提供的食物源的目标函数值用轮盘赌算法选择食物源；观察蜂采用与雇佣蜂相同的更新策略更新食物源位置；2-4)当有食物源连续limit代没有更新则将雇佣蜂变为侦查蜂并按照初始化的方式随机寻找新的食物源；2-5)重复执行步骤2-2)至步骤2-4)并记录更新过程中食物源信息，直至当前迭代次数大于最大迭代次数的二分之一时停止；2-6)选择NP个食物源信息作为初始解输入到遗传算法中。优选地，步骤2-2)所述的雇佣蜂以预设概率选择更新方式具体为，2-2-1)更新方式选择的预设概率为P1，产生0—1之间的随机数与预设概率P1进行比较，如果随机数小于预设概率P1，进入步骤2-2-2)；如果随机数不小于预设概率P1，进入步骤2-2-3)；2-2-2)在当前个体的补集中选择一个变量与当前个体的任意一维进行替换，进入步骤2-2-4)；2-2-3)随机选择邻居的任意一维变量进行检验，检验方法为：如果当前个体中包含选择出的邻居的变量，则当前个体不更新；如果当前个体中不包含选择出的邻居的变量，则在当前个体中随机选择一维与邻居的变量进行替换，进入步骤2-2-4)；2-2-4)计算当前个体的目标函数值，如果当前个体的目标函数值小于更新前个体的目标函数值，则个体更新为当前值，否则个体保持之前值不变。优选地，步骤2-3)所述的轮盘赌算法具体步骤为：2-3-1)计算观察蜂对第i个食物源的跟随概率Probi；其中Fitnessi表示食物源i的目标函数值，Fitnessu表示食物源u的目标函数值,表示蜂群所有食物源的目标函数值总和；2-3-2)计算前i个食物源的跟随概率累加和其中i为食物源的序号，i∈[1,2,…,NP/2]；2-3-3)生成一个0到1之间的随机值rand,若rand<Pi，则观察蜂前往第i个雇佣蜂所在的食物源i；否则令i值加一，继续寻找雇佣蜂所在的食物源；2-3-4)寻找到食物源之后按照步骤2-2)的方式更新食物源位置。优选地，所述步骤2-6)中NP个食物源信息的选择方式为：步骤2-5)中记录的更新过程中食物源信息中目标函数值最小的NP个食物源。优选地，所述步骤(3)的方法具体如下：3-1)采用锦标赛算法完成NP对父本；3-2)采用预设的交叉策略得到子代；3-3)采用预设的变异策略获得子代候选解并采用贪婪策略更新子代个体；3-4)重复执行步骤3-1)至步骤3-3)直至当前评估次数大于最大评估次数时停止，得到最优解。优选地，所述步骤3-1)所述采用锦标赛算法生成父代的方法具体为：每次从种群中随机取出量mq个个体，然后选择其中最好的一个作为子代的一个父本。具体的操作步骤如下：3-1-1)确定每次从种群中选择的个体数量mq；3-1-2)从mq个个体中选择目标函数值最小的个体作为父本一；3-1-3)重复步骤3-1-1)和步骤3-1-2)，得到父本二。优选地，所述步骤3-2)采用预设的交叉策略产生子代，具体方式如下：3-2-1)在满足交叉概率Pc前提下采用单点交叉策略，即随机选择个体中一个位置为交叉点；3-2-2)两个父本在交叉点之前和之后的变量结合组成新的子代个体；3-2-3)对新的子代个体进行检测，剔除新的子代个体中重复的变量，并从补集中挑选相同数目的变量补齐，组成完整的子代个体。优选地，步骤3-3)所述采用预设变异策略产生子代候选解的具体方法为，在满足变异概率前提下，任意选择子代个体中的一维与其子代补集的一维进行替换。专利技术所达到的有益效果：本专利技术是一种基于离散变量的改进型高光谱端元提取方法，实现高光谱图像中端元提取精度的优化，解决了传统端元提取方法精度低以及线性约束模型容易失效的问题。本专利技术利用高光谱端元提取变量离散且无序特性设计优化算法，解决了传统算法端元提取本文档来自技高网...

【技术保护点】
1.一种基于离散变量的改进型高光谱端元提取方法，其特征在于，包括以下步骤：(1)以解混后的光谱数据与原始光谱数据之间的均方根误差最小为目标函数，结合约束条件建立端元提取优化模型；(2)基于人工蜂群算法计算食物源信息，选取NP个食物源信息作为初始解输入遗传算法中；(3)基于遗传算法得到端元提取优化模型的最优解。

【技术特征摘要】
1.一种基于离散变量的改进型高光谱端元提取方法，其特征在于，包括以下步骤：(1)以解混后的光谱数据与原始光谱数据之间的均方根误差最小为目标函数，结合约束条件建立端元提取优化模型；(2)基于人工蜂群算法计算食物源信息，选取NP个食物源信息作为初始解输入遗传算法中；(3)基于遗传算法得到端元提取优化模型的最优解。2.根据权利要求1所述的一种基于离散变量的改进型高光谱端元提取方法，其特征在于，步骤(1)所述的以解混后的光谱数据与原始光谱数据之间的均方根误差RMSE最小为目标函数：其中N为光谱图像中的像素数目；其中ri为原始光谱图像，为解混后的光谱图像，ri(k)表示原始光谱图像中对应的第k波段的图像，表示解混后的光谱图像中对应的第k波段的图像，L表示光谱图像的波段数，E＝[e1，e2，…，ep]为端元矩阵，S＝[s1，s2，…，sP]∈RN×P为丰度矩阵，P为待提取的端元数目；优化模型的约束条件为：即端元丰度和为1，且端元丰度不为负数。3.根据权利要求1所述的一种基于离散变量的改进型高光谱端元提取方法，其特征在于，所述步骤(2)的方法具体如下：2-1)设置人工蜂群算法与遗传算法的参数，人工蜂群个体数目为NP/2，遗传算法个体数目为NP，初始化第一代人工蜂群，计算所有食物源的目标函数值；2-2)每个雇佣蜂对应一个食物源，雇佣蜂以预设的概率选择更新方式，并采用贪婪策略更新食物源位置；2-3)雇佣蜂分享食物源信息给观察蜂，观察蜂根据全体雇佣蜂提供的食物源的目标函数值用轮盘赌算法选择食物源；观察蜂采用与雇佣蜂相同的更新策略更新食物源位置；2-4)当有食物源连续limit代没有更新则将雇佣蜂变为侦查蜂并按照初始化的方式随机寻找新的食物源；2-5)重复执行步骤2-2)至步骤2-4)并记录更新过程中食物源信息，直至当前迭代次数大于最大迭代次数的二分之一时停止；2-6)选择NP个食物源信息作为初始解输入到遗传算法中。4.根据权利要求3所述的一种基于离散变量的改进型高光谱端元提取方法，其特征在于，步骤2-2)所述的雇佣蜂以预设概率选择更新方式具体为，2-2-1)更新方式选择的预设概率为P1，产生0—1之间的随机数与预设概率P1进行比较，如果随机数小于预设概率P1，进入步骤2-2-2)；如果随机数不小于预设概率P1，进入步骤2-2-3)；2-2-2)在当前个体的补集中选择一个变量与当前个体的任意一维进行替换，进入步骤2-2-4)；2-2-3)随机选择邻居的任意一维变量进行检验，检验方法为：如果当前个体中包含选择出的邻居的变量，则当前个体不更新；如果当前个体中不包含选择出的邻居的变量，则在当前个体中随机选择一维与邻居的变量进行替换，进入步骤2-2-4)；2-2-4)计算当前个体的目标函数...

【专利技术属性】
技术研发人员：高浩，付峥，李荣昊，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32