一种基于量子粒子群的高光谱遥感影像端元提取方法
【专利摘要】本发明公开了一种基于量子粒子群的高光谱遥感影像端元提取方法，本发明首次将量子粒子群优化算法引入到高光谱遥感影像端元提取方法中；其次，采用高维的粒子定义方式，使得粒子在解空间中的运动更具物理意义；最后，采用变异算子，即粒子初始化，来保持种群的多样性，避免种群陷入局部最优。本发明模型参数少，提取结果更精确，在高光谱遥感影像端元提取领域具有很好的应用前景。
【专利说明】
一种基于量子粒子群的高光谱遥感影像端元提取方法
技术领域
[0001] 本发明属于高光谱遥感影像处理技术领域，涉及一种高光谱遥感影像端元提取方 法，尤其涉及一种基于量子粒子群的高光谱遥感影像端元提取方法。
【背景技术】
[0002] 高光谱遥感影像具有光谱分辨率高、图谱合一的特点，能够探测相似地物的细微 差别，因此高光谱遥感影像广泛应用于军事、农业、环境监测等各个领域。但是由于高光谱 传感器空间分辨率的限制，再加上地物的复杂性，像元很难由单一均匀的地表覆盖类型组 成，因此高光谱遥感影像中存在大量的混合像元。传统的基于像元级的分类方法并不适合 混合像元的解译，因为无论将其归属于任何一类，都是不准确的。只有解决混合像元问题， 才能凸显高光谱遥感用于地物解译的优势，同时提高地物解译的精度。因此，如何有效的解 译混合像元是高光谱遥感应用的关键问题之一。
[0003] 混合像元分解技术是解决混合像元问题的有效途径，该方法主要包括端元提取和 丰度估计两个核心任务。其中，端元提取是丰度估计的前提条件。针对混合像元端元提取问 题，国内外学者提出了很多方法，大部分的端元提取算法基于凸几何理论。该类方法认为高 光谱数据点集构成一个单形体，单形体的顶点即为影像的端元。经典的端元搜索算法包括： 纯像元指数、N-FINDR、正交子空间投影、基于单纯形理论的顶点成分分析等。
[0004] 从本质上讲，端元提取可以看做是一种从η个像元中选择k个代表性像元的优化问 题。过去的几十年中，群体智能优化算法，尤其是进化算法以及种群算法，是解决该类问题 的有效方法之一。因此，有学者开始将智能优化算法用于解决端元提取优化问题，其中离散 粒子群优化算法是其中新型有效的代表方法之一。尽管，近几年来粒子群优化算法(PSO)得 到了广泛的研究，但是算法本身存在着局限性:首先它已经被证明不是一个全局收敛算法； 其次，PSO算法是模拟鸟类的群体行为而设计的，其演化方程是一组简单的速度和位置状态 方程，这种模型的随机性和群体智能性比较低，粒子间共享的信息只有全局（或邻域)最优 位置，这使得粒子间的协同搜索能力并不强。如何解决收敛性问题，是提高智能优化算法搜 索能力亟需解决的难题。
【发明内容】
[0005] 为了解决上述技术问题，本发明提供了一种基于量子粒子群的高光谱遥感影像端 兀提取方法。
[0006] 本发明所采用的技术方案是:一种基于量子粒子群的高光谱遥感影像端元提取方 法，其特征在于:将高光谱遥感影像分别读入大小为I Xη的矩阵R= {ri,...，rj, ...，rn}中， 矩阵中每列向量rj=(rij,. . .，rij, . . .，rij)T为像素的光谱福射值，1为高光谱遥感影像的 波段数，η为遥感影像的像素数;对高光谱遥感影像矩阵R进行如下操作：
[0007] 步骤1:获得高光谱遥感影像中的端元数目D;采用端元估计方法获得端元数目；
[0008] 步骤2:随机初始化种群，Xi(t) = (ei,i(t)，ei,2(t)，· · ·，ei,D(t))i = l，2, · · ·，Μ;其 中，t表示迭代的次数，首次初始化过程中令t = O; Xi (t)表示种群中的一个粒子;M表示该种 群中粒子的数目；eij(0)eR，表示初始化过程中第i个粒子中的第j个向量；
[0009] 步骤3:计算每初始粒子的个体最优位置P1(O)及所有粒子的全局最优位置G(O);
[0010]
[0011]
[0012]
[0013] 其中，f( ·)表示的是适应度函数，采用端元光谱所构成的单形体的体积作为适应
度函数;D表示端元的： 表示第i粒子中的D个向量的前D- 1个主成分组成的矩罔
[0014] 步骤4:判断粒子X1U)在下一时刻是否变异；
[0015] 若否，则执行下述步骤5;
[0016] 若是，则执行下述步骤6;
[0017] 步骤5:粒子进化并映射到高光谱图像中；
[0018] 粒子进化方程为：
[0019]
[0020]
[0021]
[0022]其中，α表示收缩膨胀系数;P^(t)为粒子个体最优位置;GKt)为所有粒子的最优 位置;m, j (t)为一个0~1的随机数;巧(?)也是一个0~1的随机数；
[0023] 将进化得到的粒子位置映射到图像中，映射过程为:在图像中寻找与进化得到的 粒子距离最接近的像素光谱进行替换；
[0024] 步骤6:接受变异，初始化种群粒子位置X1U);
[0025] 步骤7:更新粒子的个体最优位置及所有粒子的全局最优位置。
[0026]粒子个体最优位置：
[0027]
[0028]所有粒子的全局最优位置：
[0029] G(〇 = argmin/(/；(t)) ：.
[0030] 步骤8:判断是否达到循环终止条件；
[0031]如果否，重新执行第4步；
[0032] 如果是，则循环终止，输出最终的结果G(t)。
[0033] 作为优选，步骤3中所述判断粒子X1U)在下一时刻是否变异的原则是，首先确定 一个变异概率pp，然后生成一个〇~1之前的随机数，如果随机数小于pp，那么意味着发证变 异，否则不发生变异。
[0034] 作为优选，步骤8中所述循环终止条件是种群X(t)收敛或达到最大迭代次数。
[0035] 本发明具有以下优点和积极效果：
[0036] (1)将量子粒子群优化算法引入到光谱遥感图像端元提取问题中来。
[0037] (2)采用了高维的粒子群编码方式，更符合端元的物理意义。
[0038] (3)利用变异操作，保持种群的多样性，避免种群陷入局部最优。
[0039] (4)本发明模型简单，参数少，易于实现。
【附图说明】
[0040] 图1是本发明实施例的具体流程不意图。
【具体实施方式】
[0041] 为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发 明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不 用于限定本发明。
[0042] 本发明需要解决的问题包括：（1)针对具体的问题，粒子的编码方式；（2)自适应度 函数的设计；（3)实际应用中的收敛速度问题。
[0043]量子粒子群算法是一种能够理论上保证全局收敛的算法。量子粒子群算法中，粒 子的运动遵循量子世界运动规律，而不是经典牛顿力学。与经典牛顿力学不同的是，量子力 学允许粒子以一定的概率同时出现在任何位置，因此，量子粒子群算法能够从理论上保证 收敛到全局最优位置。
[0044]请见图1，本发明提供的一种基于量子粒子群的高光谱遥感影像端元提取方法，将 高光谱遥感影像分别读入大小为I Xη的矩阵R= {ri,...，rj,...，rn}中，矩阵中每列向量rj = (ru，. . .，ru，. . .，Γυ)τ为像素的光谱辐射值，1为高光谱遥感影像的波段数，η为遥感影 像的像素数;对高光谱遥感影像矩阵R进行如下操作：
[0045] 步骤1:获得高光谱遥感影像中的端元数目D;采用端元估计方法获得端元数目；
[0046] 步骤2:随机初始化种群，Xi(t) = (ei,i(t)，ei,2(t)，· · ·，ei,D(t))i = l，2, · · ·，Μ;其 中，t表示迭代的次数，初始化过程中令I = O5X1U)表示种群中的一个粒子;M表示该种群中 粒子的数目；eij(0)eR，表示初始化过程中第i个粒子中的第j个向量；
[0047] 步骤3:计算每初始粒子的个体最优位置P1(O)及所有粒子的全局最优位置G(O);
[0048]
[0049]
[0050]
[0051] 其中，f( ·)表示的是适应度函数，采用端元光谱所构成的单形体的体积作为适应 度函数;D表示端元的数目；匕小)... 表示第i粒子中的D个向量的前D- 1个主成分组成的矩
[0052]步骤4:判断粒子X1U)在下一时刻是否变异；
[0053] 若否，则执行下述步骤5;
[0054] 若是，则执行下述步骤6;
[0055] 步骤5:粒子进化并映射到高光谱图像中；
[0056] 粒子进化方程为：
[0057]
[0058]
[0059]
[0060]其中，α表示收缩膨胀系数;P^(t)为粒子个体最优位置;GKt)为所有粒子的最优 位置;m, j(t)为一个0~1的随机数A W也是一个0~1的随机数；
[0061] 将进化得到的粒子位置映射到图像中，映射过程为:在图像中寻找与进化得到的 粒子距离最接近的像素光谱进行替换；
[0062] 步骤6:接受变异，初始化种群粒子位置X1U);
[0063] 步骤7:更新粒子的个体最优位置及所有粒子的全局最优位置。
[0064] 粒子个体最优位置：
[幽增⑴、if/W./(冲-1))
[0066] 所有粒子的全局最优位置：
[0067] G(i) = argmin/(^(t)) .
[0068] 步骤8:判断种群X(t)是否收敛或达到最大迭代次数；
[0069] 如果否，重新执行第4步；
[0070] 如果是，则循环终止，输出最终的结果G(t)。
[0071] 本实施例需要进一步说明的几点：
[0072] (1)端元数目的估计方法同为本技术领域的公知技术，在此也不作赘述。
[0073] (2)粒子的定义:采用高维编码方式，每个粒子为一个矩阵而不是一个向量，粒子 中的每个列向量代表一条待定的端元光谱曲线，这样的定义方式更符合问题的物理意义。
[0074] (3)自适应度函数f的选择。自适应度函数可以选择为解混的误差或者体积，又或 者二者的综合。其中，解混误差越小越好，体积越大越好。
(1)
[0075]
[0076] ⑵
[0077] 其中，％为解混丰度。
[0078] 考率到全约束最小二乘的时间消耗较大，所以在本发明中，采用体积作为适应度 函数。
[0079] (4)判断是否发生变异:首先确定一个变异概率pp，然后生成一个0~1之前的随机 数，如果随机数小于PP，那么意味着发证变异，否则不发生变异。
[0080] (5)量子粒子群优化算法的进化公式是通过一系列严密的理论的推导得到的，在 此不作赘述。
[0081]以下通过对比试验来验证本发明的有益效果。
[0082] 本试验采用的数据为AVIRIS矿区数据，共50个波段，光谱覆盖范围为：2.0-2.48μ m，影像尺寸350像素 Χ400像素。分别采用经典的N-FINDR(方法1)、顶点成分分析法(方法 2 )、离散粒子群优化方法(方法3)和本发明方法进行端元提取。
[0083]试验采用的定量评价指标为光谱角距离，比较所提取的端元光谱与真实参考光谱 的光谱角距离，光谱角距离越小，说明该方法的效果越好。实验结果见表1。
[0084] 表1对比试验结果 L〇〇86」说明：*表示小能提取出该物质。
[0087] 从表1可见，本发明方法虽然平均的SAD值略高于方法3，但是方法3忽略的地物类 型较多，不能提取完整的地物光谱。本发明方法提取的地物光谱完整，且大部分更接近于真 实的参考值。整体来说，本发明方法具有更强的端元提取能力。由此可得出结论，与传统端 元提取方法相比，本发明方法拥有更好的端元提取能力。
[0088] 应当理解的是，本说明书未详细阐述的部分均属于现有技术。
[0089] 应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本 发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权 利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发 明的请求保护范围应以所附权利要求为准。
【主权项】
1. 一种基于量子粒子群的高光谱遥感影像端元提取方法，其特征在于:将高光谱遥感 影像分别读入大小为1乂〇的矩阵1?={町...，化...，扣}中，矩阵中每列向量^=(町，...， rij，...，ru)T为像素的光谱福射值，1为高光谱遥感影像的波段数，η为遥感影像的像素数； 对高光谱遥感影像矩阵R进行如下操作： 步骤1:获得高光谱遥感影像中的端元数目D;采用端元估计方法获得端元数目； 步骤2:随机初始化种群,Xi(t) = (ei,i(t) ,ei,2(t), . . . ,ei,D(t))i = l ,2, . . . ,Μ;其中，t 表示迭代的次数，首次初始化过程中令t = 0;Xi(t)表示种群中的一个粒子;Μ表示该种群中 粒子的数目；eu(0)eR，表示初始化过程中第i个粒子中的第j个向量； 步骤3:计算每初始粒子的个体最优位置Pi(0)及所有粒子的全局最优位置G(0);其中，f( ·)表示的是适应度函数，采用端元光谱所构成的单形体的体积作为适应度函 数;D表示端元的数目屯.1(0 g.:(〇…马。(咱ei?'。-。'。表示第i粒子中的D个向量的前D-1个 主成分组成的矩阵步骤4:判断粒子Xi(t)在下一时刻是否变异； 若否，则执行下述步骤5; 若是，则执行下述步骤6; 步骤5:粒子进化并映射到高光谱图像中； 粒子进化方程为：其中，α表示收缩膨胀系数;Pi, ^t)为粒子个体最优位置;G^t)为所有粒子的最优位置； 为一个0~1的随机数;巧-W也是一个0~1的随机数； 将进化得到的粒子位置映射到图像中，映射过程为:在图像中寻找与进化得到的粒子 距离最接近的像素光谱进行替换； 步骤6:接受变异，初始化种群粒子位置Xi (t); 步骤7:更新粒子的个体最优位置及所有粒子的全局最优位置； 粒子个体最优位置：所有粒子的全局最优位置：步骤8:判断是否达到循环终止条件； 如果否，重新执行第4步； 如果是，则循环终止，输出最终的结果G(t)。2. 根据权利要求1所述的基于量子粒子群的高光谱遥感影像端元提取方法，其特征在 于:步骤3中所述判断粒子Xi(t)在下一时刻是否变异的原则是，首先确定一个变异概率PP， 然后生成一个0~1之前的随机数，如果随机数小于PP，那么意味着发证变异，否则不发生变 异。3. 根据权利要求1所述的基于量子粒子群的高光谱遥感影像端元提取方法，其特征在 于:步骤8中所述循环终止条件是种群X( t)收敛或达到最大迭代次数。
【文档编号】G06T7/40GK105844620SQ201610157103
【公开日】2016年8月10日
【申请日】2016年3月18日
【发明人】许明明, 杜博, 张良培
【申请人】武汉大学