[发明专利]一种基于离散变量的改进型高光谱端元提取方法

说明书

本发明公开了一种基于离散变量的改进型高光谱端元提取方法，首先以解混后的光谱数据与原始光谱数据之间的均方根误差最小为目标函数，结合约束条件建立端元提取优化模型；基于人工蜂群算法计算食物源信息，选取NP个食物源信息作为初始解输入遗传算法中；最后基于遗传算法得到端元提取优化模型的最优解。本发明将基于离散人工蜂群算法与遗传算法运用于高光谱端元提取中，实现高光谱图像中端元提取精度的优化，解决了传统端元提取方法精度低以及线性约束模型容易失效的问题。

技术领域

本发明属于高光谱图像技术领域，具体涉及一种基于离散变量的改进型高光谱端元提取方法。

背景技术

高光谱遥感实现了遥感数据图像维与光谱维信息的有机融合，在光谱分辨率上有巨大优势，是遥感发展的里程碑。随着高光谱遥感技术的日趋成熟，其应用领域也日益广泛，已渗透到国民经济的各个领域，如环境监测、资源调查、工程建设等，对于推动经济建设、社会进步、环境的改善和国防建设起到了重大的作用。高光谱遥感技术已在植被生态、大气环境、地质矿产，海洋军事等领域得到了广泛的应用。

高光谱端元提取问题基于线性光谱混合模型，该模型对于理想高光谱数据具有很好的约束效果，但对于实际采集的高光谱数据该模型的约束则比较容易失效。此外，传统的端元提取算法缺少信息反馈的机制，这将导致算法无法跳出局部最优解。近年来，启发式算法已被广泛应用于解决高光谱图像处理问题，启发式算法主要包括遗传算法、蚁群算法、粒子群算法和人工蜂群算法等，上述群体智能算法高效且易于使用。

人工蜂群算法是一种新的群体智能优化算法，由于具有全局收敛性强、鲁棒性好等优点，人工蜂群算法被广泛应用于通信领域、信号与图像处理、控制领域和电力系统领域等。与其他智能算法不同的是，人工蜂群算法定义了食物源以及三种蜂：雇佣蜂、观察蜂和侦查蜂，食物源代表一个解向量，其好坏表征着对应的目标函数值高低，而三种蜂的作用则是使局部寻优的次数增多，范围更广，从而使该算法具有很强的全局搜索能力。但与此同时人工蜂群算法也存在着收敛速度过慢，搜索精度不高的缺点。

遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，它以群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作。但与此同时遗传算法也存在着全局搜索能力较差，搜索精度较低的缺点。

发明内容

为解决上述问题，本发明提出一种基于离散变量的改进型高光谱端元提取方法，实现高光谱图像中端元提取精度的优化，解决了传统端元提取方法精度低以及线性约束模型容易失效的问题。

本发明采用如下技术方案，一种基于离散变量的改进型高光谱端元提取方法，具体步骤如下：

(1)以解混后的光谱数据与原始光谱数据之间的均方根误差最小为目标函数，结合约束条件建立端元提取优化模型；

(2)基于人工蜂群算法计算食物源信息，选取NP个食物源信息作为初始解输入遗传算法中；

(3)基于遗传算法得到端元提取优化模型的最优解。

优选地，步骤(1)所述的以解混后的光谱数据与原始光谱数据之间的均方根误差RMSE最小为目标函数：

其中i＝1，2，…，N，N为光谱图像中的像素数目；其中r_i为原始光谱图像，为解混后的光谱图像，r_i(k)表示原始光谱图像中对应的第k波段的图像，表示解混后的光谱图像中对应的第k波段的图像，L表示光谱图像的波段数，E＝[e₁，e₂，…，e_p]为端元矩阵，S＝[s₁，s₂，…，s_P]∈R^N×P为丰度矩阵，P为待提取的端元数目；