[发明专利]一种基于粒子群优化的高光谱图像稀疏分解方法

说明书

本发明公开了一种基于粒子群优化的高光谱图像稀疏分解方法，主要解决现有的正交匹配追踪稀疏分解算法计算复杂度高的问题。其技术关键是借助粒子群优化的思想，对正交匹配追踪算法的匹配过程进行改进，利用粒子表示冗余字典中的原子，依靠粒子群的快速搜索能力，找到能够对图像进行稀疏表示的最优原子，实现图像的稀疏分解。本发明方法能够在保证重构精度的条件下，提高稀疏分解的效率，且算法不需要事先产生冗余字典，减少对存储空间的占用，满足实时性要求。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于粒子群优化的高光谱图像稀疏分解方法。

背景技术

高光谱图像不但包含了被观测目标的空间分布信息，而且图像中的每个像元都有几十个甚至上百个窄波段的丰富光谱信息，具备“图谱合一”的性质。由于高光谱图像可以把反映物质性质的光谱特征和呈现物质几何空间信息的图像信息维系在一起，因此极大地提高了人类认知客观世界的能力，在遥感、军事、农业、医学等领域都被证明有着巨大的应用价值。

因高光谱图像的空间、谱间分辨率高的特点，使其包含了非常丰度的细节信息，导致其数据量巨大，给星载传感系统的传输和存储都带来较大的困难。为了解决这个问题，研究者引入压缩感知理论，对高光谱图像进行压缩处理。压缩感知理论将采样与压缩过程结合，直接采集数据的信息特性，可对稀疏信号进行处理，降低传感器的采样和计算成本。因高光谱图像波段多，图像分辨率高，如何设计计算复杂度低的稀疏分解算法成为研究的关键。

最常用的稀疏分解算法是基于全局搜索的贪婪算法，如正交匹配追踪(Orthogonal Matching Pursuit,OMP)，OMP算法由于其收敛快且精度高被大量采用。但是，匹配追踪算法在处理基于冗余字典的稀疏分解问题时，由于冗余字典中原子过多，而匹配过程需遍历字典中所有原子，计算复杂度高，计算时间在现有计算条件下令人无法忍受。综上所述，现有技术存在的主要问题在于：稀疏分解过程的计算复杂度高，无法应用于高光谱图像的稀疏分解。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于粒子群优化的高光谱图像稀疏分解方法，利用粒子群对正交匹配追踪算法的匹配过程进行优化，快速搜索到最优原子，提高高光谱图像的稀疏分解速度。

为实现上述目的，本发明提供了一种基于粒子群优化的高光谱图像稀疏分解方法，包括以下步骤：

步骤1.高光谱图像总的波段数为J，波段序号为j，对每个波段图像进行分块处理，分块大小为B，分块个数为L，图像块号表示为l，则X_j,l表示第j个波段第l个图像块；设定最优原子个数为K，设定粒子群算法的种群个数为M，最大更新代数为T；

步骤2.令j＝1，l＝1；

步骤3.如果l＞L，则输出并令j＝j+1，l＝1，转入步骤4；否则，转入步骤5；

步骤4.如果j＞J，则稀疏分解过程结束；否则，转入步骤5；

步骤5.设定原子个数为k＝1；初始化残差r₀＝X_j,l，最优原子索引集合为Λ₀＝[]；

步骤6.利用粒子群算法搜索得到最优原子的索引；

步骤7.利用和公式(1)更新最优原子索引集合：

Λ_k＝Λ_k-1YG_best (1)

步骤8.根据公式(2)更新残差：

其中，表示由原子索引集合Λ_k所形成的原子字典；

步骤9.令k＝k+1，如果k＞K，输出并转入步骤10；否则转入步骤6；