用于高光谱图像目标检测的群体智能优化波段选择方法

本发明涉及遥感图像处理领域，具体涉及一种用于高光谱图像目标检测的群体智能优化波段选择方法。

背景技术：

1、高光谱遥感图像通常包含电磁波谱的紫外、可见光、近红外和中红外在内的数百个连续窄带波段，提供丰富的空间和光谱分辨率，使其可以用来准确判断地物类别。然而，高光谱图像的高维及冗余特性，也为其后续的处理和分析造成了困难。波段选择作为高光谱数据降维的有效手段之一，旨在从原始数据中选择少量信息量丰富、代表性强的波段，保留了数据的原始物理意义，因而受到广泛关注。

2、目前，有关高光谱图像波段选择方法的研究通常存在以下几个问题：首先，大多数方法基于单一评价准则衡量波段，导致对波段的评估不全面，在后续应用中对不同场景或不同数据集的泛化能力较弱。其次，现有的研究通常基于单波段图像的数字统计特征对波段质量进行评估，例如基于熵和信噪比的方法。而针对目标检测任务，以上方法对待测目标特征的忽略使其所选波段缺乏针对性。此外，有关波段相似性的评估也是降低高光谱数据冗余的关键步骤，传统方法通常着重于波段间的光谱相似性而忽略了其空间位置分布的相似性，对波段的局部邻域信息利用不充分。因此，如何兼顾多个评价指标并引入目标表征能力度量，如何全面评估波段间的谱-空相似性，以得到全面的波段评估并提高波段选择方法针对后续目标检测任务的针对性，是波段选择方法研究中亟待解决的关键问题。

技术实现思路

1、鉴于现有技术的不足，本发明提供一种用于高光谱图像目标检测的群体智能优化波段选择方法。本发明克服了单一准则方法的波段评估片面性问题，可以实现对高光谱图像的有效降维；使用联合谱-空相似度有助于充分挖掘波段间的光谱相似程度与空间邻近关系；设计cem误差度量和引入最优/次优比准则均有利于提高所选波段子集的目标表征能力，解决了传统波段选择方法对于高光谱图像目标检测任务缺乏针对性的问题，具有重要的应用价值。

2、本发明采用的技术手段如下：

3、一种用于高光谱图像目标检测的群体智能优化波段选择方法，包括以下步骤：

4、s1：读取高光谱图像数据x、目标信号d，及所需要选择的波段数目k；

5、s2：基于信息熵、联合谱-空相似度和cem误差建立多目标优化模型，以全面衡量波段的信息量、冗余度和目标表征能力；利用波段索引编码表示波段，初始化包含k个波段的初始种群p1并计算每个个体的适应度，根据pareto支配关系选出当前种群中的非支配个体并放入非劣解集；

6、s3：开始迭代，在第t次迭代中根据多目标优化模型的目标函数值，采用轮盘赌算子策略从非劣解集rep中确定全局最优解gbest，并根据占优关系计算得到个体最优解pbest，并在全局和个体最优解的引导下更新种群中每个个体的位置和速度；

7、s4：对种群中的每个个体进行交叉和变异操作，进化产生新种群pt+1；

8、s5：计算种群pt+1中每个个体的适应度，根据占优关系更新非劣解集，如非劣解集数目达到最大值，采用轮盘赌算子策略删除多余解，若达到最大迭代次数，则转到s6继续执行，否则返回s3，迭代次数t＝t+1；

9、s6：非劣解集rep被视为优化问题的pareto前沿，对于非劣解集rep对应的n个波段子集，采用最优/次优比准则进行评估，选出最佳波段子集。

10、本发明提供了一种用于高光谱图像目标检测的群体智能优化波段选择方法，该方法同时兼顾信息量、冗余度和目标表征能力三个波段评估指标，将高光谱波段选择问题转化为多目标优化问题，将波段抽象成多目标优化问题中种群个体，在全局最优个体和局部最优个体的指导下寻找优化问题的非劣解集，设计交叉、变异等遗传操作避免陷入局部最优，利用最优/次优比准则选择在pareto前沿上筛选最优解，最终获得高信息量、低冗余度、目标表征能力强的最佳波段子集。

11、与现有技术相比，本发明的优点和积极效果是：提出cem误差作为评估波段目标表征能力的指标，提升波段选择方法对目标检测任务的针对性，使所选波段子集更好地适应目标检测任务；利用联合谱空相似度代替传统的欧氏距离，同时兼顾光谱特征和空间特征，更有效地降低波段冗余度；提出改进的群体智能优化算法，将高光谱波段选择问题转化为多目标优化问题，获得更全面的波段评价，提升所选波段对不同场景的泛化能力；同时设计交叉、变异等遗传操作，有效避免优化算法陷入局部最优。

12、本发明从一定程度上解决了传统高光谱图像波段选择方法评价标准单一、通用准则不能很好地适应目标检测任务以及优化过程容易陷入局部最优的问题，在高光谱图像目标检测方面具有重要的应用价值。

技术特征：

1.一种用于高光谱图像目标检测的群体智能优化波段选择方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种用于高光谱图像目标检测的群体智能优化波段选择方法，其特征在于，基于信息熵、联合谱-空相似度和cem误差建立的多目标优化模型为：

3.根据权利要求1所述的一种用于高光谱图像目标检测的群体智能优化波段选择方法，其特征在于，根据pareto支配关系选出当前种群中的非支配个体并放入非劣解集，包括将支配关系被定义为：

4.根据权利要求1所述的一种用于高光谱图像目标检测的群体智能优化波段选择方法，其特征在于，在全局和个体最优解的引导下更新种群中每个个体的位置和速度，包括：

5.根据权利要求1所述的一种用于高光谱图像目标检测的群体智能优化波段选择方法，其特征在于，根据自适应的交叉率和变异率，对种群中个体进行交叉和变异的遗传操作，协同进化产生新种群pt+1，包括：

6.根据权利要求1所述的一种用于高光谱图像目标检测的群体智能优化波段选择方法，其特征在于，对于非劣解集rep对应的n个波段子集，采用最优/次优比准则进行评估，选出最佳波段子集，包括：

技术总结
本发明公开了一种用于高光谱图像目标检测的群体智能优化波段选择方法，包括以下步骤：S1：读取高光谱图像数据X、目标信号d，及所需要选择的波段数目K；S2：基于信息熵、联合谱‑空相似度和CEM误差建立多目标优化模型；S3：开始迭代，采用轮盘赌算子策略从非劣解集rep中确定全局最优解gbest，并计算得到个体最优解pbest，更新种群中每个个体的位置和速度；S4：对种群中的每个个体进行交叉和变异操作；S5：计算种群P<subgt;t+1</subgt;中每个个体的适应度，更新非劣解集；S6：采用最优/次优比准则进行评估，选出最佳波段子集。本发明克服了单一准则方法的波段评估片面性问题，可以实现对高光谱图像的有效降维。

技术研发人员：付先平,孙旭东,庞惠娟,张军
受保护的技术使用者：大连海事大学
技术研发日：
技术公布日：2024/1/16