[发明专利]一种基于量子粒子群算法的高光谱图像端元提取方法

说明书

技术领域

本发明属于遥感图像处理技术领域，尤其涉及高光谱图像混合像元分解算法，尤其涉及一种基于量子粒子群算法的高光谱图像端元提取方法。

背景技术

高光谱图像由于其具有很高的光谱分辨率，丰富的光谱信息可以为地物识别提供精细的信息，已被广泛应用于各个领域。然而，由于高光谱图像空间分辨率的限制，被观测到的像元值通常是由多种纯净物质的光谱混合得到的，我们把这些纯净物质称为端元，由端元混合得到的像元称为混合像元。尽管随着高光谱成像技术的成熟和成本的降低，高光谱图像被越来越多的使用，但是高光谱图像的解译仍然存在一些限制条件。

1)混合像元的存在使得对像元的精确解译成为一个难点，因为我们无法确定这个像元到底属于哪种物质；

2)若知道端元光谱，就可以利用获取的图像和端元光谱来求取每个端元占像元的面积百分含量，从亚像元的层面上解译图像。但是端元光谱的获取是个难点；

3)一些算法假设高光谱数据在特征空间中呈凸几何结构，在图像中搜寻位于凸几何顶点的像元作为端元。但是这些方法对噪声和异常点很敏感。有学者利用智能优化算法来进行端元提取，对噪声和异常点具有鲁棒性，但是由于算法本身寻优性能的限制，往往容易陷入局部最优解。

因此，需要一种既能对噪声和异常点具有鲁棒性，又有优异的寻优性能的方法来进行最优端元的选取。

发明内容

为了解决上述技术问题，本发明提供了一种既能搜索到最优解、又能对噪声和异常点具有鲁棒性的基于量子粒子群算法的高光谱图像端元提取方法。

本发明所采用的技术方案是：一种基于量子粒子群算法的高光谱图像端元提取方法，其特征在于，包括以下步骤：

步骤1：估计高光谱图像的端元数P；

步骤2：使用行列编码方式初始化粒子的位置。粒子群中每个粒子的位置是维度为2*P的向量，前P维的值表示初始化的每个端元在图像中的行号，后P维的值表示初始化的每个端元在图像中的列号。初始化值是随机选取的；

步骤3：计算粒子的适应度函数值；

步骤4：更新粒子的个体最优位置和群体的历史最优位置；

步骤5：更新粒子的位置；

步骤6：判断迭代是否收敛；

若是，则继续执行下述步骤7；

若否，则回转执行步骤3；

步骤7：计算粒子的适应度函数值；

步骤8：更新粒子的个体最优位置和群体的历史最优位置；

步骤9：更新粒子的位置；

步骤10：判断迭代是否收敛；

若是，则结束优化过程；

若否，则回转执行步骤7。

作为优选，步骤3中是使用最大体积目标函数计算粒子的适应度函数值。

作为优选，步骤4中是使用合作机制更新粒子的个体最优位置和群体的历史最优位置，对粒子的每一维分别进行适应度函数评价，使每一维分别对最优解的选取做出贡献，不会因为维数增多而加大寻优的难度。

作为优选，步骤6中判断迭代是否收敛，若粒子都聚集到相同的位置或达到设置的最大迭代次数，则迭代收敛。

作为优选，步骤7中是使用最小重构残差目标函数计算粒子的适应度函数值。

作为优选，步骤8中是使用合作机制更新粒子的个体最优位置和群体的历史最优位置。

作为优选，步骤10中判断迭代是否收敛，若粒子都聚集到相同的位置或达到设置的最大迭代次数，则迭代收敛。

相对于现有技术，本发明的有益效果为：

1、引入量子粒子群算法，量子粒子群算法是一种将量子机制引入普通粒子群搜索策略的算法。具有量子行为的粒子可以出现在搜索空间的任意位置，因此可以保证搜索到最优解；

2、引入行列编码方式对粒子进行编码。粒子的量子搜索行为决定它下一时刻可能出现在搜索空间的任意位置，但是以较大的概率出现在离吸引子较近的位置，而吸引子是根据当前最优解位置确定的。由地物分布的连续性可以得出，一般最优解是在局部最优解附近的，所以如果以像元所在图像空间位置的行列号进行编码，粒子下一时刻能以较高的概率出现在局部最优解附近，即能以较高的概率找到全局最优解；

3、引入合作机制对粒子的个体最优位置和群体最优位置进行更新。对于多维搜索问题，如果同时更新粒子的所有维度，不易搜索到最优解。合作机制对粒子的每一维分别进行适应度函数评价，这样可以使每一维分别对最优解的选取做出贡献，不会因为维数增多而加大寻优的难度；