【技术实现步骤摘要】
基于全局到局部的进化算法的高光谱端元提取方法
[0001]本专利技术涉及遥感影像处理
，具体涉及一种基于全局到局部的进化算法的高光谱端元提取方法。
技术介绍
[0002]髙光谱成像由于能够捕获具有多个光谱带的图像的能力而被广泛用于各种应用中，这些光谱带可提供诊断光谱信息以识别不同的土地覆盖类型。由于分辨率的限制，在高光谱遥感图像中存在混合像素，从而给地面物体的识别和高光谱遥感图像的准确分析带来麻烦。为了解决混合像素的问题，高光谱解混是一种有效的方法，可以将像素光谱分解为纯净像素光谱集合(称为端元)和相应的端元所占的比例(称为丰度)。大部分的混合像素分解技术，由于丰度反演需要利用端元提取的结果，因此端元提取结果的准确度会影响对地物的分布的分辨是否准确。由此可以看出端元提取是高光谱解混中一项重要的任务。
[0003]针对高光谱的端元提取的问题，国内外学者进行了深入的研究提出了很多方法。主要分为非进化算法的方法和进化优化方法。
[0004]但现有技术中至少存在如下技术问题：
[0005](1)、传统的...
【技术保护点】
【技术特征摘要】
1.一种基于全局到局部的进化算法的高光谱端元提取方法，其特征在于，包括如下步骤：S1：获取维度为L
×
N的高光谱遥感图像矩阵R，其中，L表示高光谱遥感图像的波段数，N表示高光谱遥感图像的像素数；令X表示高光谱遥感图像矩阵R中像素向量，且X＝{x1,x2,...,x
i
,...,x
N
}，x
i
表示第i个像素，若x
i
＝1，则表示第i个像素为端元；若x
i
＝0，则表示第i个像素为混合像素；令P表示高光谱遥感图像矩阵R的端元数；S2：利用式(1)
‑
式(3)构建多目标优化函数minF(X)：minF(X)＝(f1(X),f2(X))
ꢀꢀꢀꢀ
(1)(1)式(1)
‑
式(3)中，f1(X)为第一优化目标函数，f2(X)为第二优化目标函数，q1、q2、...、q
P
为高光谱遥感图像矩阵R中降维后的P个端元值；r
i
为高光谱遥感图像矩阵R中第i个像素，为第i个像素的重构值；S3：定义当前迭代次数为t，并初始化t＝1；最大的迭代次数为maxiter；由N个像素中端元和混合像素的分布情况构成一个个体，从而随机初始化NP个个体并构成第t代种群其中，表示第t代种群Q
t
的第j个个体；S4：第t代种群Q
t
的全局进化；S4.1：通过两次二元竞标赛的方法从第t代种群Q
t
中分别第j次选出两个父代个体，并通过所述多目标优化函数minF(X)分别计算第j次选出的父代个体的适应度值，将适应度值较低的父代个体记为另一个父代个体为S4.2：在[0,1]之间的产生第t代的第j个随机数rand
t,j
；如果rand
t,j
<0.5，则对父代个体进行非对称变异操作，得到一个子代个体否则，对父代个体进行基于SAD的修补操作，得到一个子代个体S4.3：按照S4.1
‑
S4.2的过程执行NP次，从而产生第t代的NP个子代个体构成第t代的子代种群S4.4：通过快速非支配排序方法和拥挤距离计算的选择操作，从O
t
和Q
t
中选择出较好的NP个个体组成第t+1代种群Q
t+1
；S4.5：将t+1赋值给t后，返回步骤S4执行，直到t＝4/5maxiter为止，从而得到全局进化后的高质量种群；S5：种群局部进化：S5.1：通过两次二元竞标赛的方法从第t代种群Q
t
中分别第j次选出两个父代个体，并通过所述多目标优化函数minF(X)分别计算第j次选出的父代个体的适应度值，将适应度值较
低的父代个体记为另一个父代个体为S5.2：对父代个体进行局部扰动操作，得到一个子代个体S5.3：按照S5.1
‑
S5.2的过程执行NP次，从而产生第t代的NP个子代个体构成第t代的子代种群S5.4：通过快速非支配排序方法和拥挤距离计算的选择操作，从O
t
和Q
t
中选择出较好的NP个个体组成第t+1代种群Q
t+1
；S5.5：将t+1赋值给t后，返回步骤S5执行，直到t＝maxiter为止，从而得到局部进化后的最终种群Q
maxiter
；S5.6：根据多目标优化函数minF(X)，计算最终种群Q
maxiter
的适应度值，并从最终种群Q
maxit...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。