本發(fā)明屬于遙感數(shù)據(jù)處理的
技術領域：
，尤其是是一種基于自適應正則參數(shù)全變分算法的干涉高光譜圖像分解方法。
背景技術：
：干涉高光譜成像技術在航空遙感領域中是很有價值的實用技術，通過這種技術可以獲得觀測目標的光譜信息與空間信息，該技術目前在氣象、軍事、環(huán)境監(jiān)測和地質(zhì)等領域都有較為廣泛的實際應用。干涉高光譜圖像數(shù)據(jù)是由基于推掃式傅里葉變換型成像原理的大孔徑干涉光譜儀(LASIS，LargeApertureStaticImagingSpectrometer)通過衛(wèi)星推掃產(chǎn)生的三維圖像數(shù)據(jù)，分辨率極高，其海量的數(shù)據(jù)對數(shù)據(jù)存儲與有限帶寬信道上的傳輸造成了一定程度的困難，所以針對其數(shù)據(jù)本身特點設計出適用于干涉高光譜數(shù)據(jù)的高效數(shù)據(jù)壓縮方法勢在必行。近幾年來，干涉高光譜遙感圖像的壓縮方法一直被深入研究，干涉高光譜圖像特殊的成像原理，使其幀內(nèi)存在著大幅值且位置固定的干涉條紋，而幀間存在著水平移位的背景圖像，這種特點會嚴重的破壞原始圖像的固有結(jié)構，從而導致新興的壓縮感知理論與傳統(tǒng)壓縮算法的直接應用無法得到理想的效果?，F(xiàn)有算法的缺點：針對干涉高光譜數(shù)據(jù)采用的對應列抽取方式嘗試改變干涉高光譜圖像的數(shù)據(jù)結(jié)構，但干涉條紋始終無法消除；通過更改小波變換順序消除干涉條紋在高頻域影響的思想在2014年被提出，但在低頻域的干涉條紋卻始終無法消除。技術實現(xiàn)要素：本發(fā)明的目的在于克服現(xiàn)有技術的不足，提供針對干涉高光譜數(shù)據(jù)成像原理的固有特征及自身特點，利用改進的自適應正則參數(shù)全變分算法對干涉高光譜數(shù)據(jù)進行圖像分解，從而為新興的壓縮感知理論在干涉高光譜圖像中的進一步應用的一種基于自適應正則參數(shù)全變分算法的干涉高光譜圖像分解方法。本發(fā)明采取的技術方案是：一種基于自適應正則參數(shù)全變分算法的干涉高光譜圖像分解方法，其特征在于：包括以下步驟：⑴讀取一幀待分解的干涉高光譜圖像X，設置正則參數(shù)取值的最小值和最大值；⑵設置XB表示背景層，設置XI表示干涉條紋層，二者與X的關系是：XI＝X-XB；⑶采用遺傳算法來尋找最優(yōu)正則化參數(shù)Opt_β；⑷利用尋求最優(yōu)背景層XB，然后根據(jù)XI＝X-XB得到干涉條紋層；⑸完成圖像分解。而且，步驟⑶所述Opt_β＝GA(β,FitFun(β))，GA為遺傳算法，F(xiàn)itFun為遺傳算法的適應度函數(shù)。而且，所述GA的適應度函數(shù)FitFun的計算包括以下步驟：⑴設置迭代次數(shù)ini_num，且使XB＝X；⑵進行第一次迭代，計算XB=XB-η∂{∫x,y∈X(∂(X(x,y)-XB(x,y))∂y)2+β∫X(∂XB(x,y)∂x)2}∂XB]]>⑶迭代次數(shù)加一，將上一步驟計算出的結(jié)果帶入公式繼續(xù)進行迭代計算；⑷判斷迭代次數(shù)是否達到最大值，如果達到則進入下一步驟，如果未達到則返回上一步驟繼續(xù)迭代計算；⑸計算FitFun＝abs(TVx(XB))+abs(TVy(X-XB))}。而且，對中的XB求導，再使用最速下降法進行迭代計算，求出最優(yōu)解XB，所述最速下降法公式是：XB=XB-η∂{∫x,y∈X(∂(X(x,y)-XB(x,y))∂y)2+Opt_β∫x(∂XB(x,y)∂x)2}∂XB]]>在最速下降法公式中：Opt_β為遺傳算法中計算出的最優(yōu)正則參數(shù)，η為步長，第一次迭代計算時，使XB的取值為X，第二次迭代時將第一次迭代的結(jié)果代入，然后下一次的迭代將上一次迭代的結(jié)果代入進行計算，循環(huán)后得到最優(yōu)背景層XB，然后根據(jù)XI＝X-XB得到干涉條紋層。本發(fā)明的優(yōu)點和積極效果是：本發(fā)明，根據(jù)干涉條紋信息與背景圖像信息分別具有不同的單方向特征這一特點，使用基于自適應正則參數(shù)的全變分算法對干涉高光譜圖像中干涉條紋信息與背景圖像信息進行分離處理。相對于IMCA圖像分解算法與IMT圖像分解算法，分解后的干涉條紋層具有最小的豎直方向全變分值，背景圖像層具有最小的水平方向全變分值，更加接近于理想圖像分解結(jié)果。從而為新興的壓縮感知理論在干涉高光譜圖像中的進一步應用提供了一種很好的解決方案。附圖說明圖1是本發(fā)明的處理過程的示意圖；圖2是任意選取的一副原始干涉高光譜圖像；圖3(a)是MCA圖像分解的背景圖像層；圖3(b)是MCA圖像分解的干涉條紋層；圖3(c)是基于字典學習的全變分圖像分解的背景圖像層；圖3(d)是基于字典學習的全變分圖像分解的干涉條紋層；圖3(e)是本發(fā)明實施例分解的背景圖像層；圖3(f)是本發(fā)明實施例分解的干涉條紋層。具體實施方式下面結(jié)合實施例，對本發(fā)明進一步說明，下述實施例是說明性的，不是限定性的，不能以下述實施例來限定本發(fā)明的保護范圍。一種基于自適應正則參數(shù)全變分算法的干涉高光譜圖像分解方法，如圖1所示，本發(fā)明的創(chuàng)新在于：包括以下步驟：1.讀取一幀待分解的干涉高光譜圖像X，設置正則參數(shù)取值的最小值和最大值；2.設置XB表示背景層，設置XI表示干涉條紋層，二者與X的關系是：XI＝X-XB；3.采用遺傳算法來尋找最優(yōu)正則化參數(shù)Opt_β，具體是：Opt_β＝GA(β,FitFun(β))，GA為遺傳算法，F(xiàn)itFun為遺傳算法的適應度函數(shù)。適應度函數(shù)FitFun的計算包括以下步驟：⑴設置迭代次數(shù)ini_num，且使XB＝X；⑵進行第一次迭代，計算XB=XB-η∂{∫x,y∈X(∂(X(x,y)-XB(x,y))∂y)2+β∫X(∂XB(x,y)∂x)2}∂XB]]>⑶迭代次數(shù)加一，將上一步驟計算出的結(jié)果帶入公式繼續(xù)進行迭代計算；⑷判斷迭代次數(shù)是否達到最大值，如果達到則進入下一步驟，如果未達到則返回上一步驟繼續(xù)迭代計算；⑸計算FitFun＝abs(TVx(XB))+abs(TVy(X-XB))}。4.利用全變分方法尋求最優(yōu)背景層XB，然后根據(jù)XI＝X-XB得到干涉條紋層，公式2的含義是：使干涉條紋層的豎直方向全變分值與背景圖像層水平方向全變分值之和為最小值時的最優(yōu)背景層XB取值。對公式2的XB求導，再使用如公式1所示的最速下降法進行迭代計算，求出最優(yōu)解XB：公式1中：Opt_β為遺傳算法中計算出的最優(yōu)正則參數(shù)，η步長為0.15，第一次迭代計算時，使XB的取值為X，第二次迭代時將第一次迭代的結(jié)果代入，然后下一次的迭代將上一次迭代的結(jié)果代入進行計算，循環(huán)150次得到最優(yōu)背景層XB，然后根據(jù)XI＝X-XB得到干涉條紋層。公式2中：Opt_β為遺傳算法中計算出的最優(yōu)正則參數(shù)，X-XB表示干涉條紋層，TVy表示豎直方向的全變分，TVx表示水平方向的全變分。5.完成圖像分解。經(jīng)過分析：理想的干涉條紋層具有大量豎直干涉條紋，從而會導致其水平方向梯度值相對較大，而豎直方向梯度值相對較小，所以其全變分的結(jié)果應具有較小的豎直方向梯度值。同理，經(jīng)過對應列抽取后組成的背景圖像層的全變分結(jié)果在水平方向上基本具有相似的像素值，從而導致其豎直方向梯度值相對較大，而水平方向梯度值相對較小，所以其全變分結(jié)果應具有較小的水平方向梯度值。自適應正則參數(shù)，通過全局尋優(yōu)算法尋找最優(yōu)正則參數(shù)，其全局尋優(yōu)算法的適應度函數(shù)為干涉條紋層的豎直方向全變分值與背景圖像層水平方向全變分值之和。在全變分算法對干涉高光譜圖像分解的每次迭代步驟中，利用全局尋優(yōu)算法得到的最優(yōu)正則參數(shù)進行全變分操作，從而得到使干涉條紋層的豎直方向全變分值與背景圖像層水平方向全變分值之和取得最小值的最優(yōu)解，該段文字可以用下述公式進行表述：XB=argminXB{TVy(X-XB)+Opt_β·TVx(XB)}]]>其中：X-XB表示干涉條紋層，TVy表示豎直方向的全變分，TVx表示水平方向的全變分。表示：使大括號中的算式結(jié)果為最小值時的XB的取值。本專利的主要思想是，針對干涉高光譜圖像特殊的成像原理，使其理想的干涉條紋層與背景圖像層分別具有不同的單方向特征：1.通過全局尋優(yōu)算法尋找最優(yōu)正則參數(shù)，其全局尋優(yōu)算法的適應度函數(shù)為干涉條紋層的豎直方向全變分值與背景圖像層水平方向全變分值之和。2.在全變分算法對干涉高光譜圖像分解的每次迭代步驟中，利用全局尋優(yōu)算法得到的最優(yōu)正則參數(shù)進行全變分操作，從而得到使干涉條紋層的豎直方向全變分值與背景圖像層水平方向全變分值之和取得最小值的最優(yōu)解。實施例1.待處理的干涉高光譜圖像如圖2所示：大小為256×256、位數(shù)為12位的一幀圖像，設置正則參數(shù)的取值范圍為β∈[0,3]。2.設置XB表示背景層，設置XI表示干涉條紋層，二者與X的關系是：XI＝X-XB。3.遺傳算法各參數(shù)設置及計算：⑴參數(shù)設置a.遺傳算法GA的適應度函數(shù)FitFun中的步長η取0.15。b.正則參數(shù)的數(shù)值要精確到小數(shù)點后4位，需要把區(qū)間分為3×104以保證精度，而且區(qū)間劃分后位數(shù)在214和215之間，所以遺傳算法中染色體二進制編碼取15位，即二進制串<000000000000000>和<111111111111111>分別表示區(qū)間的兩個端點值0和3，區(qū)間內(nèi)浮點數(shù)按以下計算方式與二進制字符串構成映射：x=(Σi=014bi·2i)·3/(215-1)]]>其中，bi為二進制字符串的i位數(shù)值，x為對應的浮點數(shù)。c.遺傳算法中的交叉概率，變異概率分別取0.9和0.01，終止進化代數(shù)為100，種群規(guī)模為30。⑵遺傳算法計算a.初始化：設置進化代數(shù)計數(shù)器t＝1，設置最大進化代數(shù)T＝100，隨機生成30個個體作為初始群體P(0)。b.開始進行第t代群體P(t)的適應度評價，適應度函數(shù)Fitness的計算包括以下步驟：①設置迭代次數(shù)ini_num的數(shù)值為10，使XB＝X。②進行第一次迭代，計算XB=XB-η∂{∫x,y∈X(∂(X(x,y)-XB(x,y))∂y)2+β∫X(∂XB(x,y)∂x)2}∂XB]]>③迭代次數(shù)加一，將上一步驟計算出的結(jié)果帶入公式繼續(xù)進行迭代計算。④判斷迭代次數(shù)是否達到最大值，如果達到則進入下一步驟，如果未達到則返回上一步驟繼續(xù)迭代計算。⑤計算Fitness＝abs(TVx(XB))+abs(TVy(X-XB))}。c.選擇運算：將適應度值由小至大進行排序，選擇適應度值為前10的個體(此處即適應度值較小的前10個個體)。d.交叉運算：以交叉概率為0.9進行單點交叉操作。e.變異運算：以變異概率為0.1進行單點變異操作。步驟c選取的10個個體交叉變異操作生成20個體，將這30個個體作為下一代群體。f.終止條件判斷：若t<T，則將t＝t+1，回到步驟b進行下一代群體的適應度評價；若t＝T,則以進化過程中所得到的具有最大適應度個體作為最優(yōu)解輸出，終止計算。4.利用全變分方法尋求最優(yōu)背景層XB，然后根據(jù)XI＝X-XB得到干涉條紋層，公式2的含義是：使干涉條紋層的豎直方向全變分值與背景圖像層水平方向全變分值之和為最小值時的最優(yōu)背景層XB取值。對公式2的XB求導，再使用如公式1所示的最速下降法進行迭代計算，求出最優(yōu)解XB：公式1中：Opt_β為遺傳算法中計算出的最優(yōu)正則參數(shù)，η步長為0.15，第一次迭代計算時，使XB的取值為X，第二次迭代時將第一次迭代的結(jié)果代入，然后下一次的迭代將上一次迭代的結(jié)果代入進行計算，循環(huán)150次得到最優(yōu)背景層XB，然后根據(jù)XI＝X-XB得到干涉條紋層。公式2中：Opt_β為遺傳算法中計算出的最優(yōu)正則參數(shù)，X-XB表示干涉條紋層，TVy表示豎直方向的全變分，TVx表示水平方向的全變分。5.完成圖像分解。分解后的圖像如圖3(e)、(f)所示，前者為背景層，后者為干涉條紋層，由兩個圖可以明顯看出，本發(fā)明提出的方法相對于已有圖像分解算法獲得的干涉條紋層更加平滑，獲得的背景圖像層中的干涉條紋幾乎被完全去除。采用多組干涉高光譜LSMIS數(shù)據(jù)進行試驗，具體數(shù)值結(jié)果如表1、2所示：表1中橫向的單元格表示水平方向的全變分(TVx)，表2中橫向的單元格表示豎直方向的全變分(TVy)。表1:背景圖像層水平方向全變分值LSMISdata1LSMISdata2LSMISdata3IMCA3.1996e+063.3472e+061.4566e+06IMT1.9654e+062.5673e+061.1255e+06本發(fā)明3.1854e+054.1784e+053.5364e+05表2：干涉條紋層的豎直方向全變分值表1、2說明了本發(fā)明提出的方法，相對于IMCA算法和IMT算法，背景層中的水平方向的全變分值與干涉條紋層中的豎直方向全變分值均達到最小，從而使干涉條紋層的豎直方向全變分值與背景圖像層水平方向全變分值之和取得最小值，更大程度的去除了背景層中的干涉條紋，從而得到更好的分離效果。本發(fā)明，根據(jù)干涉條紋信息與背景圖像信息分別具有不同的單方向特征這一特點，使用基于自適應正則參數(shù)的全變分算法對干涉高光譜圖像中干涉條紋信息與背景圖像信息進行分離處理。相對于IMCA圖像分解算法與IMT圖像分解算法，分解后的干涉條紋層具有最小的豎直方向全變分值，背景圖像層具有最小的水平方向全變分值，更加接近于理想圖像分解結(jié)果。從而為新興的壓縮感知理論在干涉高光譜圖像中的進一步應用提供了一種很好的解決方案。當前第1頁1 2 3