[发明专利]基于交叉双粒子群优化的高光谱图像解混方法

权利要求书

1.基于交叉双粒子群优化的高光谱图像解混方法，其特征是，按照下述步骤进行：

步骤1：使用最小体积单形体分析(MVSA)端元提取方法提取高光谱图像中的端元光谱曲线；

步骤2：依据高光谱图像中的端元数目，确定搜索空间的维数，随机产生双种群swarm_P和swarm_S，并设定其他参数完成初始化；

步骤3：根据目标函数计算各粒子的适应度值，并找到当前双种群中的个体最优位置p_i和全局最优位置p_g，目标函数被定义为：

其中，y_j为原始的光谱向量；为估计的光谱向量；||·||表示向量的范数操作；a_j＝[a_1,j,a_2,j,…,a_R,j]表示估计得到的第j个像元的丰度向量；R是端元数量；P是光线在返回高光谱成像仪前，每一次折射与其他地物发生相互作用的概率；

步骤4：更新swarm_P的粒子速度，速度更新公式为：

其中，λ为约束因子；

如果f_P(a_g,P_g)＞f_S(a_g,P_g),更新swarm_S的粒子速度，速度更新公式为：

其中，和分别为swarm_P和swarm_S在第j维的全局最优位置；c₁₁，c₁₂和c₁₃是学习因子，用来权衡个体最优位置和全局最优位置和分别表示种群swarm_S和swarm_P优化的目标函数；当swarm_S的粒子最优适应度值优于swarm_P时，swarm_S中的粒子速度由原来的根据个体最优位置和历史全局最优位置进行寻优；否则，改为按照和三个方向进行优化求解；否则按照公式2更新速度；

步骤5：按照公式5更新双种群中所有粒子的位置，其速度和位置的更新如下：

其中，c₁和c₂为学习因子，也称为加速系数，用来权衡个体极值和全局极值r₁和r₂为取值[0,1]范围内的均匀随机数；ω为惯性权重，当ω值较大时算法的全局收敛能力强，否则局部收敛能力更强；

步骤6：N_t为在[0,1]之间的随机数；P_c为双种群交叉概率；如果N_t＜P_c，则按照适应度值大小分别将双种群中粒子进行排序；计算交叉粒子的数量N_c，然后将swarm_S中前N_c个最优粒子进行种群交叉，并将swarm_P中适应度值最差的相同数量的粒子交叉给swarm_S；同时，计算swarm_S中重构粒子的数量N_r，进行种群重构；否则，继续按照公式2继续更新双种群的粒子速度；

步骤7：如果已经达到最大进化代数，则输出当前搜索群体中全局最优解P_best：否则，转到步骤3继续迭代求解；

步骤8：如果已经对高光谱图像中的所有像元进行了解混，则停止计算；否则，返回步骤2，对高光谱图像中的下一个像元进行解混。

2.根据权利要求1所述的基于交叉双粒子群优化的高光谱图像解混，其特征在于：步骤6中所述种群重构是根据当前取得全局最优值的粒子与前30次迭代时最优粒子的丰度变化量计算出当前的重构半径：

其中，为第t次迭代时求解的丰度值；为第t-30次迭代时求解的丰度值；为对应的变化量；R_min和R_max分别为最小和最大重构半径；表示丰度的全局变化量。