基于nnia进化算法的高光谱图像波段降维方法
【专利摘要】本发明公开一种基于NNIA进化算法的高光谱遥感图像波段降维的方法，主要解决现有高光谱遥感图像波段降维方法改变原始图像的物理意义和不能较完整的保留感兴趣的信息以及去除冗余信息的问题。它通过定义两个目标函数，分别代表选择的波段组合信息的峰度和代表波段间相关性的KL散度，然后利用NNIA优化目标函数，得到一组非支配解，让用户自行选择需要的结果，可用于高光谱遥感图像的分类、目标识别、混合像元分解等【技术领域】中。本发明具有不改变原始波段的物理意义，能够较好的保留完整的信息、去除冗余信息，降维后分类准确度高的优点。
【专利说明】基于NNIA进化算法的高光谱图像波段降维方法
【技术领域】
[0001] 本发明属于遥感图像处理【技术领域】，涉及搜索选择，可用于图像分类、目标识别、 混合像元分解等【技术领域】中。
【背景技术】
[0002] 波段降维是高光谱遥感图像处理过程中的一个重要步骤。高光谱图像数据包含数 百个连续波长的窄光谱。其丰富的光谱信息提供了准确的地物识别潜力。但其庞大的数据 量在数据的传输计算和存储等方面都带来了很严重的问题。特别是当数据的维数很高的时 候，一些波段之间存在很强的相关性，包含大量的冗余信息，这使得分类精度会随着有限的 训练样本的维数的增加而下降，即出现Hughes现象。因此很多基于统计的分类方法对高光 谱遥感图像是无效的，所以高光谱遥感图像的波段降维是高光谱数据应用的一个很关键的 环节。
[0003] -般的高光谱数据降维有两种方法，即特征提取和特征选择。特征提取是基于变 换的方法，例如：主成分分析（PCA)法，Fisher线性判别分析法，独立成分分析（ICA)法等， 这些方法的特点是经过数次数学变换，提取出对分类影响最大的特征。这种方法的优点是 基于数学变换直接将高维数据降到几维甚至一维，降维速度快。但是基于特征选择的方法 有一个共同的缺点是对数据进行了变换改变了遥感图像原有的物理特性。特征选择是基于 非变换的方法，这种方法是对源数据进行特征排序和特征聚类对光谱波段进行选择。常见 的方法有基于互信息聚类的Walumi、基于梯度体积最大的VGBS、基于特征向量优先排序的 MVPCA等方法。波段选择通常是被认为是一个搜索过程，波段选择的方法保留了图像原有的 特性，更有利于对地物的分析具有更大的应用价值。
[0004] 高光谱图像降维的关键是尽可能大的去除冗余信息和尽可能多的保留图像信息 量，本专利使用KL散度来表示不同波段间的相关性，用峰度来表示保留图像的信息量。KL 散度在信息论里又称为相对熵，是描述两个概率分布差异的一种方法。峰度又称为峰度系 数，是表征概率密度函数分布曲线陡峭程度的数字特征，峰度值越大，数据的概率密度函数 分布曲线越陡峭，表征数据所含的信息量越大，与传统的均值方差等一、二阶距相比较，峰 度系数（四阶距）能更好的反映地物目标的信息丰富程度。
[0005] 进化算法是基于自然选择和遗传变异等生物机制的一类启发式搜索算法，以达尔 文进化论为思想不断发展，已被成功应用到多目标优化领域。现实社会当中总会遇到多个 目标在给定的区域空间上尽可能最优的决策问题，而且当提高其中的某个目标会导致其他 目标变差，这就是多目标问题。对于多目标问题的解来说，必须在多个目标之间取得一个 平衡来获得相对折衷的解。但是不同于单目标优化问题只有一个最优解存在，多目标问题 一个解对于某个目标是比较好的，对于其他目标来讲或许是差的。因此在多目标优化问题 里定义一个集合称为pareto最优解集或非支配解集作为折衷解的集合。多目标优化就是 找出这个折衷解集的分布情况，并根据具体情况找出适合问题的解。多目标优化问题从开 始通过加权方式转化为单目标问题来解决到目前一直在不断的发展，1993年，Fonseca和 Fleming提出了MultiobjectiveGeneticAlgorithm(MOGA)，被认为是第一次利用进化算 法求解多目标优化问题。将进化算法引入多目标优化问题降低了传统数学规划方法对权重 值的敏感程度，提高了求解效率。进化算法通过父代与子代之间的优势基因保留，重组变异 来实现全局搜索，对于搜索多目标优化问题的pareto最优解集是非常有用的。
[0006] NNIA是Gong和Jiao等人在 2008 年提出的：《GongM,JiaoL,DuH,et al.MuItiobjectiveimmunealgorithmwithnondominatedneighbor-based selection[J] ?EvolutionaryComputation, 2008, 16 (2) : 225-255.》。NNIA模拟了免疫响应 中多样性抗体共生、少数抗体激活的现象，通过基于非支配邻域的个体选择方法，仅仅选择 少数相对孤立的非支配个体作为活性抗体，根据活性抗体的拥挤程度进行比例克隆复制， 对克隆后的抗体种群进行重组交叉和变异操作，加强了对当前Pareto前沿面中稀疏区域 的搜索。NNIA是一种非常有效的EMO算法，特别是当目标维数较高的时候，对于困难的DTLZ 等问题，NNIA比NSGA-II，SPEA2等方法更加有效。
【发明内容】
[0007] 本发明的目的是提供一种基于NNIA进化算法的高光谱遥感图像降维的方法。
[0008] 本发明的技术方案是利用NNIA进化算法进行高光谱遥感数据的波段选择，得到 的波段组合权衡了有用信息保留和冗余信息的消除（去相关），得到了一组满足目标函数 的非支配折衷解，然后从中选取用户需要的波段组合。本发明克服了上述已有技术的一些 不足，保留原有图像的物理特性得到的波段组合能够较好的保留有用信息去除波段间冗余 性更好的适用于降维后地物分类、识别等后续运用。其具体实现过程如下：
[0009] (1)设置运行参数，最大迭代次数，输入选择波段数；
[0010] (2)输入原始遥感数据，随机生成初始波段组合，产生初始抗体种群；
[0011] (3)计算抗体种群的适应度；
[0012] (4)基于非支配邻域选择更新非支配种群C;
[0013] (5)判断是否迭代到最大一代，达到则转到步骤（10)，否则继续步骤（6);
[0014] (6)选择少数相对孤立的非支配个体作为活性抗体种群；
[0015] (7)根据活性抗体种群的拥挤程度进行比例克隆复制；
[0016] (8)对克隆后的抗体进行重组交叉和变异操作得到种群D;
[0017] (9)通过组合种群C和D，形成新的抗体种群，返回步骤（3);
[0018] (10)输出ParetO前端和波段组合；
[0019] (11)选择波段组合进行图像分类，输出分类结果图。
[0020] 本发明的动机在于高光谱图像降维的关键是尽可能大的去除冗余信息和尽可能 多的保留图像有用信息量，所以我们把去除冗余信息和保留有用信息当做目标函数来进行 优化。由于高光谱遥感图像是连续窄波段的数据，往往信息量多的波段都聚集在一起相互 之间具有大的冗余信息，所以这两个目标是不能同时满足，具有矛盾性的，一方面好时另一 方面不一定好，这就可以考虑使用多目标进化算法对两个目标函数进行优化，得到一组折 衷解，满足目标函数值最优。本发明与现有的技术相比具有以下优点：
[0021] 1、本发明由于采取的是波段选择技术，所以更好的保留了原图像的物理特性；
[0022] 2、本发明采用进化算法权衡保留图像有用信息和对冗余信息的去除；
[0023] 3、本发明得到一组结果，而不是其他方法只得到一个结果，可以从中选择自己想 要的波段组合。
【专利附图】
【附图说明】
[0024] 图1是本发明实现步骤的流程框图；
[0025] 图2是pareto前端结果图；
[0026] 图3是Indian_pinesCp(145X145X220)数据集的地物分类参考图；
[0027] 图4、图5是用本发明对Indian_pinesCp数据集降维到16维，分别选择2组波段 组合解进行地物分类得到的分类图像。
[0028] 图6是用现有的波段选择方法MVPCA对Indian_pinesCp数据集降维到16维，得 到的波段组合进行地物分类得到的分类图像。
[0029] 图7是用现有的波段选择方法VGBS对Indian_pinesCp数据集降维到16维，得到 的波段组合进行地物分类得到的分类图像。
【具体实施方式】
[0030] 参照图1，本发明的具体实现步骤如下：
[0031] 步骤1、给定运行参数，设定算法终止条件。
[0032] 所述的运行参数包括：活性抗体种群大小NA、克隆规模CS、非支配种群大小NM、进 化代数gmax和输入选择波段数Num。
[0033] 优选地，NA设为20、CS设为100、NM设为100、gmax设为100。Num为用户需求的 波段数，用户需要降到几维就输入几，在本发明里设为16。
[0034] 步骤2、输入原始遥感图像数据，对原始数据进行转换变为L*M格式，其中L为一个 波段中的像素个数，M为原始数据的波段数目。采用实数编码方式，波段序号表示的就是这 个波段，随机生成初始波段组合，产生初始抗体种群。
[0035] 可选地，用matlab的随机函数随机生成初始波段组合，产生初始抗体种群。
[0036] 步骤3、计算抗体种群的适应度。
[0037] 可以采用如下步骤进行：
[0038] 3a)从原始图像数据中按照抗体种群波段组合提取出降维后的图像数据。
[0039] 3b)求降维后的图像数据适应度。
[0040] 在本专利里，降维后的图像数据适应度用以下目标函数1和目标函数2表述：
[0041] 四阶中心矩的峰度系数度量了随机变量偏离正态分布陡峭程度，度量了随机变量 特征信息的丰富程度。峰度系数值越大，密度函数曲线越陡峭。即峰度系数值越大说明数 据越偏离正态分布，所含的信息量越大。峰度系数K表示为：
[0042]
【权利要求】
1. 一种基于NNIA进化算法的高光谱遥感图像波段降维方法，包括如下步骤： (1) 设置运行参数，最大迭代次数，输入选择波段数； (2) 输入原始遥感数据，随机生成初始波段组合，产生初始抗体种群； (3) 计算抗体种群的适应度； (4) 基于非支配邻域选择更新非支配种群C; (5) 判断是否迭代到最大一代，达到则转到步骤（10)，否则继续步骤（6); (6) 选择少数相对孤立的非支配个体作为活性抗体种群； (7) 根据活性抗体种群的拥挤程度进行比例克隆复制； (8) 对克隆后的抗体进行重组交叉和变异操作得到种群D; (9) 通过组合种群C和D，形成新的抗体种群，返回步骤（3); (10) 输出Pareto前端和波段组合； (11) 选择波段组合进行图像分类，输出分类结果图。
2. 根据权利要求1所述的基于NNIA进化算法的高光谱遥感图像波段降维方法，其中步 骤（3)中计算适应度的目标函数峰度系数和散度Dia: (2a)峰度系数函数
其中N为一个波段总的像素个数，η为选择的波段数，Xini为第i个波段中第m个像素 的概率密度值，瓦为第i个波段中所有像素的概率密度平均值； (2b)散度函数
其中N为一个波段总的像素个数，η为选择的波段数，Xini为第i个波段中第m个像素 的概率密度值，Xjm为第j个波段中第m个像素的概率密度值。
3. 根据权利要求1所述的基于NNIA进化算法的高光谱遥感图像波段降维方法，其中步 骤（6)选择少数相对孤立的非支配个体作为活性抗体种群，计算所有非支配种群个体拥挤 距离，按拥挤距离降序排列选择靠前的NA个为活性抗体种群。
4. 根据权利要求1所述的基于NNIA进化算法的高光谱遥感图像波段降维方法，其中步 骤（7)根据活性抗体种群的拥挤程度进行比例克隆复制，对于每一个活性抗体个体，其克 隆比例为
其中η。代表克隆种群的规模大小，ζ(ai，A)是活性抗体的拥挤距离，A代表活性抗 体种群。
【文档编号】G06N3/00GK104318515SQ201410557507
【公开日】2015年1月28日 申请日期:2014年10月20日 优先权日:2014年10月20日
【发明者】公茂果, 马晶晶, 镡永强, 马文萍, 张明阳, 刘嘉, 王驰 申请人:西安电子科技大学