[发明专利]一种基于记忆性多点交叉引力搜索的特征选择方法

说明书

本发明公开了一种基于记忆性多点交叉引力搜索的特征选择方法，其方法设定每个粒子为一个最优特征子集的备选解，通过波段子集评价函数评估备选解的质量，并引导粒子进行信息交流，完成快速收敛；质量最好的粒子对应的解即为最优光谱特征子集。为了提高算法的自适应性，本发明基于引力搜索算法提出了基于种群进化程度的信息交流机制：勘探阶段基于多点交叉策略充分向种群内其他粒子学习，进行广泛的搜索；开发阶段集中向种群和自己的最优经验学习，保证快速的收敛。本发明能够选出波段数少且可以得到稳定分类结果的最优光谱特征子集，从而解决高光谱遥感影像数据冗余度高导致的计算复杂、分类精度低等问题。

技术领域

本发明属于遥感影像处理技术领域，尤其涉及一种基于记忆性多点交叉引力搜索的特征选择方法。

背景技术

随着传感器技术的发展，高光谱遥感影像在20世纪80年代之后，开始在环境监测、国土资源调查评估、城市规划等领域发挥重要的作用。在此过程中，遥感影像的分类精度直接决定了其应用的有效程度。虽然高光谱遥感影像丰富的光谱特征能够更加精确的描述地面覆盖信息，但是这种海量的光谱信息通常具有很高的冗余性，在分类过程中会造成Hughes现象，并耗费大量的存储与计算空间。因而，如何从高维度的光谱波段中识别最有效的少量波段，并实现较高精度的影像分类，成为高光谱影像应用的一个关键问题。

特征选择法是一种直接有效地波段识别方法。这种方法根据一定的目标函数或评价准则，选择尽可能少的波段组成新的特征子集，使其对如图像分割、分类等数据的分析任务可以达到与特征选择前相当或者更好的效果。这种选择法可以归类为二进制空间的优化算法。早期的研究，穷举搜索法取得了一定的成功，但是该算法的计算复杂度，随着迭代的进行呈指数增加。在实际应用中，由于计算耗时太长，难以满足高光谱遥感影像的要求。为了降低计算复杂度，该领域提出了分支定界、顺序前进、顺序后退等算法，但是这些算法需要人为的预先指定子集的波段数，使得得到的特征子集通常不是最优的子集。

引力搜索算法是Rashedi E.等人在2009年受牛顿万有引力定律启发，提出的一种新型元启发式搜索算法。该算法认为，与宇宙之中物体之间依靠万有引力相互吸引一样，优化算法中可以认为种群中各个粒子之间通过万有引力相互吸引。由于万有引力的大小正比于两个物体的质量，反比于物体之间的距离，质量越大的物体对其他物体的吸引力也就越大。所以，假如将优化算法中适应度最好的粒子赋予最大的质量，其余粒子将遵循牛顿第二定律以一定的加速度向适应度最好的粒子靠近，完成寻优过程。

在过去的几年里，该算法已经被成功的应用到聚类分析、PID(ProportionIntegration Differentiation)参数优化、经济负荷分配、流水线调度、图像多阈值分割等众多优化问题中，显示出其易于应用、全局寻优能力强等一系列优点及广阔的应用前景。相比于传统的穷举搜索等方法，利用引力搜索算法解决特征选择的问题，不必设定波段数，可以根据影像特征自适应的得到最优特征子集，实现较高效率与精度的特征选择。

但是引力搜索算法的学习策略与信息交流方式，还存在一些问题，例如：学习方式单一，所有的粒子与其他粒子交流信息的方式都是通过万有引力，这造成算法的开发能力不足，后期容易出现震荡问题，导致收敛速度变慢；此外，粒子每次完成一次迭代，之前的搜索信息全部丢失，算法不具备向自己经验学习的能力，导致算法容易陷入局部最优，出现早熟收敛等问题。为了更加高效的利用引力搜索算法解决波段选择的问题，需要对算法进行改进与提高。

发明内容

针对遥感影像特征选择的需求与引力搜索算法中存在的不足，本发明的目的在于提供一种基于记忆性多点交叉引力搜索的特征选择方法，通过自适应平衡勘探和开发优化特征子集评价函数，并对全局历史最优进行变异，有效改善引力搜索算法开发能力不足、缺乏记忆性、容易早熟收敛的问题，最终得到波段数少且可以得到稳定分类结果的最优光谱特征子集。

为解决上述问题，本发明采用如下的技术方案：

一种基于记忆性多点交叉引力搜索的特征选择方法包括以下步骤：