[发明专利]基于交叉双粒子群优化的高光谱图像解混方法

说明书

本发明基于交叉双粒子群优化的高光谱图像解混方法，由于高光谱图像解混问题本身具有高维度，强非线性等很高的计算复杂度，基本的粒子群优化算法等无法有效完成此类问题的求解。因此，本发明适应性的提出了交叉双粒子群合作优化的丰度估计方法。其中，两个种群分别定义为：swarm_P和swarm_S，种群数量分别记为N_P和N_S。在优化求解目标函数时，两个种群个体需要在搜索空间中匹配位置与估计参数的关系。该方法基于多线性混合模型，将重构误差用作为解混的目标函数，进而将非线性解混问题转化为优化问题。

技术领域

本发明涉及高光谱遥感领域，更具体的说，是涉及一种基于交叉双粒子群优化的高光谱图像解混方法。

背景技术

遥感技术的发展经历了从全色、彩色成像阶段到多光谱和高光谱的高精细化成像阶段。在高光谱遥感中，由于拍摄有利用价值的高光谱图像时，光谱维与空间维之间的相互制约，导致光谱维分的很细的同时，空间分辨率却很低。因此，在高光谱遥感图像中，普遍存在混合像元，即不同成分的物质存在于同一像元中。这严重制约了利用高光谱图像进行目标识别与探测、地物精细化分类以及矿物勘探等的精度。为解决这一普遍性的问题，众多的研究主要集中在对拍摄的高光谱遥感图像进行处理，即对其混合像元进行分解，得到每个像元的成分及其含量。这一技术被称为高光谱解混(Hyperspectral Unmixing,HU)，主要包括两个方面的任务：第一是要确定图像中存在的所有组成成分，称为端元提取(EndmemberExtraction,EE)；另外一方面便是确定组成成分在每个像元中具体的比例，称为丰度估计(Abundance Estimation,AE)。

要实现高光谱解混，首先需要建立恰当的光谱混合模型。由于高光谱图像拍摄视场角、地物空间分布和光照度等的不确定性，都会导致地物光谱混合方式以及解混所需模型与方法的不同。常用线性混合模型(Linear Mixing Model,LMM)和非线性混合模型(Nonlinear Mixing Model，NLMM)进行解混。

仿生智能优化方法是人工智能方法中的一种，多以模拟自然界中生物种群的觅食等智慧而被设计出来的一类求解全局最优化问题的方法。该类方法在解决非凸优化、高维等问题上具有很好的鲁棒性，已经在实际问题中得到广泛的应用。但是对于如何利用仿生智能优化方法在非线性混合模型下实现高光谱图像解混，存在非线性混合模型的复杂引起过拟合以及陷入局部最优值等问题。

高光谱图像解混是遥感图像处理中十分关键的一步，旨在获取图像中所含地物成分以及其在像元中所占的比例。广泛存在的非线性效应给丰度估计带来了巨大的挑战。

发明内容

为了解决上述技术问题，本发明提供了一种基于交叉双粒子群优化(CrossoverDouble Particle Swarms Optimization,CDPSO)的高光谱图像解混的方法。本发明基于多线性混合模型，将重构误差用作为解混的目标函数，进而将非线性解混问题转化为优化问题。

本发明的具体过程为目标函数和约束条件的确定，交叉粒子群优化方法解混框架和解混流程。

1.目标函数和约束条件

根据Heylen等提出了一种高阶线性光谱混合，高光谱图像的观测光谱向量模型可以被进一步表示为：

其中，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；表示不考虑噪声影响的线性光谱混合模型；R是端元数量；M＝[m₁,m₂,L,m_R]表示端元矩阵；a_i表示第i个像元所对应的丰度。

然后分析上式，可以得到公式：y＝((1-P)x+(1-P)Px²)。因此公式(1)可以进一步表示为：