基于自适应正则参数全变分算法的干涉高光谱图像分解方法与流程

本发明属于遥感数据处理的
技术领域：
，尤其是是一种基于自适应正则参数全变分算法的干涉高光谱图像分解方法。
背景技术：
：干涉高光谱成像技术在航空遥感领域中是很有价值的实用技术，通过这种技术可以获得观测目标的光谱信息与空间信息，该技术目前在气象、军事、环境监测和地质等领域都有较为广泛的实际应用。干涉高光谱图像数据是由基于推扫式傅里叶变换型成像原理的大孔径干涉光谱仪(LASIS，LargeApertureStaticImagingSpectrometer)通过卫星推扫产生的三维图像数据，分辨率极高，其海量的数据对数据存储与有限带宽信道上的传输造成了一定程度的困难，所以针对其数据本身特点设计出适用于干涉高光谱数据的高效数据压缩方法势在必行。近几年来，干涉高光谱遥感图像的压缩方法一直被深入研究，干涉高光谱图像特殊的成像原理，使其帧内存在着大幅值且位置固定的干涉条纹，而帧间存在着水平移位的背景图像，这种特点会严重的破坏原始图像的固有结构，从而导致新兴的压缩感知理论与传统压缩算法的直接应用无法得到理想的效果。现有算法的缺点：针对干涉高光谱数据采用的对应列抽取方式尝试改变干涉高光谱图像的数据结构，但干涉条纹始终无法消除；通过更改小波变换顺序消除干涉条纹在高频域影响的思想在2014年被提出，但在低频域的干涉条纹却始终无法消除。技术实现要素：本发明的目的在于克服现有技术的不足，提供针对干涉高光谱数据成像原理的固有特征及自身特点，利用改进的自适应正则参数全变分算法对干涉高光谱数据进行图像分解，从而为新兴的压缩感知理论在干涉高光谱图像中的进一步应用的一种基于自适应正则参数全变分算法的干涉高光谱图像分解方法。本发明采取的技术方案是：一种基于自适应正则参数全变分算法的干涉高光谱图像分解方法，其特征在于：包括以下步骤：⑴读取一帧待分解的干涉高光谱图像X，设置正则参数取值的最小值和最大值；⑵设置XB表示背景层，设置XI表示干涉条纹层，二者与X的关系是：XI＝X-XB；⑶采用遗传算法来寻找最优正则化参数Opt_β；⑷利用寻求最优背景层XB，然后根据XI＝X-XB得到干涉条纹层；⑸完成图像分解。而且，步骤⑶所述Opt_β＝GA(β,FitFun(β))，GA为遗传算法，FitFun为遗传算法的适应度函数。而且，所述GA的适应度函数FitFun的计算包括以下步骤：⑴设置迭代次数ini_num，且使XB＝X；⑵进行第一次迭代，计算XB=XB-η∂{∫x,y∈X(∂(X(x,y)-XB(x,y))∂y)2+β∫X(∂XB(x,y)∂x)2}∂XB]]>⑶迭代次数加一，将上一步骤计算出的结果带入公式继续进行迭代计算；⑷判断迭代次数是否达到最大值，如果达到则进入下一步骤，如果未达到则返回上一步骤继续迭代计算；⑸计算FitFun＝abs(TVx(XB))+abs(TVy(X-XB))}。而且，对中的XB求导，再使用最速下降法进行迭代计算，求出最优解XB，所述最速下降法公式是：XB=XB-η∂{∫x,y∈X(∂(X(x,y)-XB(x,y))∂y)2+Opt_β∫x(∂XB(x,y)∂x)2}∂XB]]>在最速下降法公式中：Opt_β为遗传算法中计算出的最优正则参数，η为步长，第一次迭代计算时，使XB的取值为X，第二次迭代时将第一次迭代的结果代入，然后下一次的迭代将上一次迭代的结果代入进行计算，循环后得到最优背景层XB，然后根据XI＝X-XB得到干涉条纹层。本发明的优点和积极效果是：本发明，根据干涉条纹信息与背景图像信息分别具有不同的单方向特征这一特点，使用基于自适应正则参数的全变分算法对干涉高光谱图像中干涉条纹信息与背景图像信息进行分离处理。相对于IMCA图像分解算法与IMT图像分解算法，分解后的干涉条纹层具有最小的竖直方向全变分值，背景图像层具有最小的水平方向全变分值，更加接近于理想图像分解结果。从而为新兴的压缩感知理论在干涉高光谱图像中的进一步应用提供了一种很好的解决方案。附图说明图1是本发明的处理过程的示意图；图2是任意选取的一副原始干涉高光谱图像；图3(a)是MCA图像分解的背景图像层；图3(b)是MCA图像分解的干涉条纹层；图3(c)是基于字典学习的全变分图像分解的背景图像层；图3(d)是基于字典学习的全变分图像分解的干涉条纹层；图3(e)是本发明实施例分解的背景图像层；图3(f)是本发明实施例分解的干涉条纹层。具体实施方式下面结合实施例，对本发明进一步说明，下述实施例是说明性的，不是限定性的，不能以下述实施例来限定本发明的保护范围。一种基于自适应正则参数全变分算法的干涉高光谱图像分解方法，如图1所示，本发明的创新在于：包括以下步骤：1.读取一帧待分解的干涉高光谱图像X，设置正则参数取值的最小值和最大值；2.设置XB表示背景层，设置XI表示干涉条纹层，二者与X的关系是：XI＝X-XB；3.采用遗传算法来寻找最优正则化参数Opt_β，具体是：Opt_β＝GA(β,FitFun(β))，GA为遗传算法，FitFun为遗传算法的适应度函数。适应度函数FitFun的计算包括以下步骤：⑴设置迭代次数ini_num，且使XB＝X；⑵进行第一次迭代，计算XB=XB-η∂{∫x,y∈X(∂(X(x,y)-XB(x,y))∂y)2+β∫X(∂XB(x,y)∂x)2}∂XB]]>⑶迭代次数加一，将上一步骤计算出的结果带入公式继续进行迭代计算；⑷判断迭代次数是否达到最大值，如果达到则进入下一步骤，如果未达到则返回上一步骤继续迭代计算；⑸计算FitFun＝abs(TVx(XB))+abs(TVy(X-XB))}。4.利用全变分方法寻求最优背景层XB，然后根据XI＝X-XB得到干涉条纹层，公式2的含义是：使干涉条纹层的竖直方向全变分值与背景图像层水平方向全变分值之和为最小值时的最优背景层XB取值。对公式2的XB求导，再使用如公式1所示的最速下降法进行迭代计算，求出最优解XB：公式1中：Opt_β为遗传算法中计算出的最优正则参数，η步长为0.15，第一次迭代计算时，使XB的取值为X，第二次迭代时将第一次迭代的结果代入，然后下一次的迭代将上一次迭代的结果代入进行计算，循环150次得到最优背景层XB，然后根据XI＝X-XB得到干涉条纹层。公式2中：Opt_β为遗传算法中计算出的最优正则参数，X-XB表示干涉条纹层，TVy表示竖直方向的全变分，TVx表示水平方向的全变分。5.完成图像分解。经过分析：理想的干涉条纹层具有大量竖直干涉条纹，从而会导致其水平方向梯度值相对较大，而竖直方向梯度值相对较小，所以其全变分的结果应具有较小的竖直方向梯度值。同理，经过对应列抽取后组成的背景图像层的全变分结果在水平方向上基本具有相似的像素值，从而导致其竖直方向梯度值相对较大，而水平方向梯度值相对较小，所以其全变分结果应具有较小的水平方向梯度值。自适应正则参数，通过全局寻优算法寻找最优正则参数，其全局寻优算法的适应度函数为干涉条纹层的竖直方向全变分值与背景图像层水平方向全变分值之和。在全变分算法对干涉高光谱图像分解的每次迭代步骤中，利用全局寻优算法得到的最优正则参数进行全变分操作，从而得到使干涉条纹层的竖直方向全变分值与背景图像层水平方向全变分值之和取得最小值的最优解，该段文字可以用下述公式进行表述：XB=argminXB{TVy(X-XB)+Opt_β·TVx(XB)}]]>其中：X-XB表示干涉条纹层，TVy表示竖直方向的全变分，TVx表示水平方向的全变分。表示：使大括号中的算式结果为最小值时的XB的取值。本专利的主要思想是，针对干涉高光谱图像特殊的成像原理，使其理想的干涉条纹层与背景图像层分别具有不同的单方向特征：1.通过全局寻优算法寻找最优正则参数，其全局寻优算法的适应度函数为干涉条纹层的竖直方向全变分值与背景图像层水平方向全变分值之和。2.在全变分算法对干涉高光谱图像分解的每次迭代步骤中，利用全局寻优算法得到的最优正则参数进行全变分操作，从而得到使干涉条纹层的竖直方向全变分值与背景图像层水平方向全变分值之和取得最小值的最优解。实施例1.待处理的干涉高光谱图像如图2所示：大小为256×256、位数为12位的一帧图像，设置正则参数的取值范围为β∈[0,3]。2.设置XB表示背景层，设置XI表示干涉条纹层，二者与X的关系是：XI＝X-XB。3.遗传算法各参数设置及计算：⑴参数设置a.遗传算法GA的适应度函数FitFun中的步长η取0.15。b.正则参数的数值要精确到小数点后4位，需要把区间分为3×104以保证精度，而且区间划分后位数在214和215之间，所以遗传算法中染色体二进制编码取15位，即二进制串<000000000000000>和<111111111111111>分别表示区间的两个端点值0和3，区间内浮点数按以下计算方式与二进制字符串构成映射：x=(Σi=014bi·2i)·3/(215-1)]]>其中，bi为二进制字符串的i位数值，x为对应的浮点数。c.遗传算法中的交叉概率，变异概率分别取0.9和0.01，终止进化代数为100，种群规模为30。⑵遗传算法计算a.初始化：设置进化代数计数器t＝1，设置最大进化代数T＝100，随机生成30个个体作为初始群体P(0)。b.开始进行第t代群体P(t)的适应度评价，适应度函数Fitness的计算包括以下步骤：①设置迭代次数ini_num的数值为10，使XB＝X。②进行第一次迭代，计算XB=XB-η∂{∫x,y∈X(∂(X(x,y)-XB(x,y))∂y)2+β∫X(∂XB(x,y)∂x)2}∂XB]]>③迭代次数加一，将上一步骤计算出的结果带入公式继续进行迭代计算。④判断迭代次数是否达到最大值，如果达到则进入下一步骤，如果未达到则返回上一步骤继续迭代计算。⑤计算Fitness＝abs(TVx(XB))+abs(TVy(X-XB))}。c.选择运算：将适应度值由小至大进行排序，选择适应度值为前10的个体(此处即适应度值较小的前10个个体)。d.交叉运算：以交叉概率为0.9进行单点交叉操作。e.变异运算：以变异概率为0.1进行单点变异操作。步骤c选取的10个个体交叉变异操作生成20个体，将这30个个体作为下一代群体。f.终止条件判断：若t<T，则将t＝t+1，回到步骤b进行下一代群体的适应度评价；若t＝T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。4.利用全变分方法寻求最优背景层XB，然后根据XI＝X-XB得到干涉条纹层，公式2的含义是：使干涉条纹层的竖直方向全变分值与背景图像层水平方向全变分值之和为最小值时的最优背景层XB取值。对公式2的XB求导，再使用如公式1所示的最速下降法进行迭代计算，求出最优解XB：公式1中：Opt_β为遗传算法中计算出的最优正则参数，η步长为0.15，第一次迭代计算时，使XB的取值为X，第二次迭代时将第一次迭代的结果代入，然后下一次的迭代将上一次迭代的结果代入进行计算，循环150次得到最优背景层XB，然后根据XI＝X-XB得到干涉条纹层。公式2中：Opt_β为遗传算法中计算出的最优正则参数，X-XB表示干涉条纹层，TVy表示竖直方向的全变分，TVx表示水平方向的全变分。5.完成图像分解。分解后的图像如图3(e)、(f)所示，前者为背景层，后者为干涉条纹层，由两个图可以明显看出，本发明提出的方法相对于已有图像分解算法获得的干涉条纹层更加平滑，获得的背景图像层中的干涉条纹几乎被完全去除。采用多组干涉高光谱LSMIS数据进行试验，具体数值结果如表1、2所示：表1中横向的单元格表示水平方向的全变分(TVx)，表2中横向的单元格表示竖直方向的全变分(TVy)。表1:背景图像层水平方向全变分值LSMISdata1LSMISdata2LSMISdata3IMCA3.1996e+063.3472e+061.4566e+06IMT1.9654e+062.5673e+061.1255e+06本发明3.1854e+054.1784e+053.5364e+05表2：干涉条纹层的竖直方向全变分值表1、2说明了本发明提出的方法，相对于IMCA算法和IMT算法，背景层中的水平方向的全变分值与干涉条纹层中的竖直方向全变分值均达到最小，从而使干涉条纹层的竖直方向全变分值与背景图像层水平方向全变分值之和取得最小值，更大程度的去除了背景层中的干涉条纹，从而得到更好的分离效果。本发明，根据干涉条纹信息与背景图像信息分别具有不同的单方向特征这一特点，使用基于自适应正则参数的全变分算法对干涉高光谱图像中干涉条纹信息与背景图像信息进行分离处理。相对于IMCA图像分解算法与IMT图像分解算法，分解后的干涉条纹层具有最小的竖直方向全变分值，背景图像层具有最小的水平方向全变分值，更加接近于理想图像分解结果。从而为新兴的压缩感知理论在干涉高光谱图像中的进一步应用提供了一种很好的解决方案。当前第1页1 2 3