一種高光譜遙感影像端元提取方法
【專利摘要】本發(fā)明公開了一種高光譜遙感影像端元提取方法，針對(duì)純凈像元假設(shè)不一定成立的情況，該方法將線性混合模型與粒子群優(yōu)化算法相結(jié)合，配合高維粒子編碼方式，推導(dǎo)出新的有效的粒子進(jìn)化方程。同時(shí)，實(shí)驗(yàn)證明該方法針對(duì)端元提取問題更加有效。
【專利說明】
一種高光譜遙感影像端元提取方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于高光譜遙感影像處理技術(shù)領(lǐng)域，涉及一種高光譜遙感影像端元提取方 法，尤其涉及一種線性混合模型約束的粒子群優(yōu)化的高光譜遙感影像端元提取方法。
【背景技術(shù)】
[0002] 高光譜遙感影像具有光譜分辨率高，圖譜合一的特性。每個(gè)像元可以提供幾乎連 續(xù)的地物光譜曲線，使利用高光譜遙感反演陸地細(xì)節(jié)成為可能。高光譜遙感技術(shù)已經(jīng)成為 當(dāng)前遙感領(lǐng)域的前沿技術(shù)之一。然而，由于高光譜傳感器對(duì)每一個(gè)像元提供很窄的成像波 段，這一波段具有較低的能量，使得只有擴(kuò)大瞬時(shí)視場(chǎng)面積，傳感器才能獲取到有效信息。 因此，高光譜傳感器一般具有較低空間分辨率，在進(jìn)行對(duì)地成像時(shí)，受自然界地物分布復(fù)雜 多樣性的影響，像元很難由單一均勻的地表覆蓋類型組成，因此高光譜遙感影像中存在大 量的混合像元。
[0003] 混合像元分解技術(shù)是解決混合像元問題的有效途徑，該方法主要包括端元提取和 豐度估計(jì)兩個(gè)核心任務(wù)。其中，端元提取是豐度估計(jì)的前提條件。針對(duì)混合像元端元提取問 題，國(guó)內(nèi)外學(xué)者提出了很多方法，傳統(tǒng)的端元提取算法基于純凈像元存在假設(shè)。該類方法認(rèn) 為高光譜圖像中每類地物至少存在一個(gè)純凈的像元。經(jīng)典的端元提取算法包括:純像元指 數(shù)、N-FINDR、正交子空間投影、頂點(diǎn)成分分析等。
[0004] 然而，由于成像條件的影響以及地物的復(fù)雜性，純凈像元存在的假設(shè)往往不成立。 那么傳統(tǒng)的基于純凈像元假設(shè)的算法就失效了，現(xiàn)有的一些端元生成算法發(fā)展還不成熟。 因此，需要發(fā)展一種有效的端元提取算法，適用于純凈像元不存在的情況。

【發(fā)明內(nèi)容】

[0005] 為了解決上述技術(shù)問題，本發(fā)明提供了一種線性混合模型約束的粒子群優(yōu)化算法 用于高光譜遙感影像端元提取方法。
[0006] 本發(fā)明所采用的技術(shù)方案為:一種高光譜遙感影像端元提取方法，其特征在于:將 高光譜遙感影像分別讀入大小為I Xη的矩陣R= {ri,...，rj,...，rn}中，矩陣中每列向量rj = (rij，. . .，rij，. . .，Γυ)τ為像素的光譜輻射值，1為高光譜遙感影像的波段數(shù)，η為遙感影 像的像素?cái)?shù);對(duì)高光譜遙感影像矩陣R進(jìn)行如下操作：
[0007] 步驟 1:初始化種群，Xi(t) = (ei,i(t)，ei,2(t)，· · ·，ei,D(t))i = l，2, · · ·，Μ;其中，t 表示迭代的次數(shù)，初始化過程中令I(lǐng) = O5X1U)表示種群中的一個(gè)粒子;M表示該種群中粒子 的數(shù)目；eij(0)eR，表示初始化過程中第i個(gè)粒子中的第j個(gè)向量;基于純凈像元存在假設(shè)的 頂點(diǎn)成分分析VCA(Vertex Component Analysis)算法提取的結(jié)果作為初始的種群；
[0008] 步驟2:計(jì)算每初始粒子的個(gè)體最優(yōu)位置P1(O)及所有粒子的全局最優(yōu)位置G(O);
[0009] Pi(O)=Xi(O)
[0010] (?：(0) = ai-gmiri/(^(〇))
[0011]
[0012] 其中，f( ·)表示適應(yīng)度函數(shù);VOl(X1U))表示求解X1U)所構(gòu)成的單形體的體積； 豐度aid (t)滿，
f表示兩個(gè)約束之間的比例系數(shù)。
[0013] 步驟3:粒子進(jìn)化;粒子進(jìn)化方程為：
[0014] Xi,j(t+l) = (pi,j(t)-aj(t) · (pi(t)*Pj(t)))/(l-aj(t))
[0015] ρ,Χ?^φΧ?γΡ,,Χ? + ^-φ^-Ο^?) 9j{t)~U{Q,\)
[0016] 其中，aj(t)為一個(gè)隨機(jī)生成數(shù)，表示圖像的混合程度;&(t)是一個(gè)隨機(jī)的豐度向 量，需要滿足的條件是:該向量中的第j個(gè)元素是〇,且滿足和為一條件;A⑴表示的是一個(gè)〇 ~1的隨機(jī)生成數(shù)；
[0017] 步驟4:更新粒子的個(gè)體最優(yōu)位置及所有粒子的全局最優(yōu)位置；
[0018] 粒子個(gè)體最優(yōu)位置：
[0019]
[0020] 其中，{xKthx^U+iM表示的是X1U)粒子的第j個(gè)列向量已經(jīng)更新;f( x)表示適 應(yīng)度函數(shù)；
[0021] 所有粒子的全局最優(yōu)位置：
[0022] G(t+1) = argmm/(/^(ti-l)).
[0023] 步驟5:判斷是否達(dá)到循環(huán)終止條件；
[0024]如果否，重新執(zhí)行第3步；
[0025] 如果是，則循環(huán)終止，輸出最終的結(jié)果G(t)。
[0026] 作為優(yōu)選，步驟1中所述基于純凈像元存在假設(shè)的VCA算法，其具體實(shí)現(xiàn)過程是： (1)選擇適當(dāng)?shù)某矫?，將影像中的像元?shù)據(jù)投影到選擇的超平面上得到投影后的數(shù)據(jù)，后 續(xù)的步驟在投影后的像元數(shù)據(jù)上操作；（2)將像元數(shù)據(jù)投影到隨機(jī)方向，并將具有最大投影 的像元作為第一個(gè)端元；（3)通過迭代地將數(shù)據(jù)投影到與由已提取端元構(gòu)成的子空間正交 的方向上的方法來提取其余端元，被極限投影所對(duì)應(yīng)的像元作為新的端元，直到所有的像 元被提取出來。
[0027] 作為優(yōu)選，步驟3中所述aj(t)選擇aj(t)~U(-0.01，0.01)。
[0028]作為優(yōu)選，步驟5中所述循環(huán)終止條件是X(t)收斂或達(dá)到最大迭代次數(shù)。
[0029]作為優(yōu)選，所述方法還包括對(duì)最后的輸出結(jié)果進(jìn)行校正，校正公式為：
[0030]
[0031]
[0032] 其中，SVCAeRlwSVCA方法提取的端元結(jié)果，認(rèn)為是混合像元;Slmmc- PSQeRM為線性 混合模型約束的粒子群優(yōu)化算法端元提取的結(jié)果，認(rèn)為是純凈像元;funmixing是豐度估計(jì)的 函數(shù)，選擇無約束的最小二乘方法;Ανω是采用純凈像元Slmmopsq求解混合像元Svca得到的豐 度;校正之后的端元光譜曲線& 11131為最終的結(jié)果。
[0033] 本發(fā)明具有以下優(yōu)點(diǎn)和積極效果：
[0034] (1)創(chuàng)造性的提出線性混合模型約束的粒子群優(yōu)化算法，該方法沒有速度更新公 式，根據(jù)端元提取問題，利用線性混合模型更新粒子位置。
[0035] (2)保持了高光譜圖像光譜特征物理意義。
[0036] (3)本發(fā)明模型簡(jiǎn)單，參數(shù)少，易于實(shí)現(xiàn)。
【附圖說明】
[0037]圖1是本發(fā)明實(shí)施例的流程不意圖。
[0038] 圖2是本發(fā)明實(shí)施例的實(shí)驗(yàn)結(jié)果示意圖。
【具體實(shí)施方式】
[0039] 為了便于本領(lǐng)域普通技術(shù)人員理解和實(shí)施本發(fā)明，下面結(jié)合附圖及實(shí)施例對(duì)本發(fā) 明作進(jìn)一步的詳細(xì)描述，應(yīng)當(dāng)理解，此處所描述的實(shí)施示例僅用于說明和解釋本發(fā)明，并不 用于限定本發(fā)明。
[0040] 本發(fā)明需要解決的問題包括：（1)在純凈像元不存在的情況下，粒子群優(yōu)化算法不 能直接應(yīng)用于端元提取問題；（2)高光譜圖像光譜特征物理意義的保持。
[0041] 本發(fā)明關(guān)鍵發(fā)明點(diǎn)為創(chuàng)造性提出線性混合模型約束的粒子群優(yōu)化算法，并由于解 決純凈像元不存在情況下的端元提取問題。
[0042] 請(qǐng)見圖1，本發(fā)明提供的一種高光譜遙感影像端元提取方法，將高光譜遙感影像分 別讀入大小為1\11的矩陣1?={>1，...，；1^，...，1' 11}中，矩陣中每列向量；1^=(1'1」，...， ...，ru)TS像素的光譜輻射值，1為高光譜遙感影像的波段數(shù)，η為遙感影像的像素?cái)?shù)； 對(duì)高光譜遙感影像矩陣R進(jìn)行如下操作：
[0043] 步驟 1:初始化種群，Xi(t) = (ei,i(t)，ei,2(t)，· · ·，ei,D(t))i = l，2, · · ·，Μ;其中，t 表示迭代的次數(shù)，初始化過程中令I(lǐng) = O5X1U)表示種群中的一個(gè)粒子;M表示該種群中粒子 的數(shù)目；eij(0)eR，表示初始化過程中第i個(gè)粒子中的第j個(gè)向量;基于純凈像元存在假設(shè)的 頂點(diǎn)成分分析VCA(Vertex Component Analysis)算法提取的結(jié)果作為初始的種群；
[0044] VCA算法是比較成熟的、效果較好的端元提取算法，簡(jiǎn)單的操作步驟為：（1)選擇適 當(dāng)?shù)某矫妫瑢⒂跋裰械南裨獢?shù)據(jù)投影到選擇的超平面上得到投影后的數(shù)據(jù)，后續(xù)的步驟 在投影后的像元數(shù)據(jù)上操作；（2)將像元數(shù)據(jù)投影到隨機(jī)方向，并將具有最大投影的像元作 為第一個(gè)端元；（3)通過迭代地將數(shù)據(jù)投影到與由已提取端元構(gòu)成的子空間正交的方向上 的方法來提取其余端元，被極限投影所對(duì)應(yīng)的像元作為新的端元，直到所有的像元被提取 出來。
[0045] 步驟2:計(jì)算每初始粒子的個(gè)體最優(yōu)位置P1(O)及所有粒子的全局最優(yōu)位置G(O);
[0049] 共屮·；衣不;Ui膽皮圓雙；衣不水胛AUt斤平形體的體積；
[0046]
[0047]
[0048] 豐度ai,j( $系數(shù)。
[0050]
[0051]
[0052]
[0053] 其中，aj(t)為一個(gè)隨機(jī)生成數(shù)，表示圖像的混合程度，在算法中選擇q(t) ~U(_ 0.01，0.01) 是一個(gè)隨機(jī)的豐度向量，需要滿足的條件是:該向量中的第j個(gè)元素是0， 且滿足和為一條件;灼⑴表示的是一個(gè)〇~1的隨機(jī)生成數(shù)；
[0054] 步驟4:更新粒子的個(gè)體最優(yōu)位置及所有粒子的全局最優(yōu)位置；
[0055] 由于本發(fā)明所用的高維編碼方式，粒子的每個(gè)列向量都是一個(gè)端元光譜曲線，每 個(gè)列向量的進(jìn)化都會(huì)引起適應(yīng)度函數(shù)的變化。為了避免每個(gè)列向量同時(shí)變化帶來的疊加結(jié) 果的影響，在本發(fā)明中，采用每個(gè)粒子的每個(gè)列向量更新的同時(shí)更新粒子的個(gè)體最優(yōu)以及 所有粒子的全局最優(yōu)位置。
[0056] 蛉早個(gè)優(yōu)晶優(yōu)仿罟.
[0057]
[0058]其中，{XdthX^U+l)}表示的是X1⑴粒子的第j個(gè)列向量已經(jīng)更新;f(x)表示適 應(yīng)度函數(shù)，步驟2已經(jīng)給出定義；
[0059]所有粒子的全局最優(yōu)位置：
[0060] G(t+1) = arg^min /(f (1+1))
[0061] 步驟5:判斷X(t)是否收斂或達(dá)到最大迭代次數(shù)；
[0062]如果否，重新執(zhí)行第3步；
[0063] 如果是，則循環(huán)終止，輸出最終的結(jié)果G(t)。
[0064] 在上述過程中，無法保證高光譜圖像光譜特征物理意義，因此會(huì)出現(xiàn)光譜曲線光 滑性很差的現(xiàn)象。后處理主要是是根據(jù)高光譜成像的物理機(jī)制，也就是線性混合模型對(duì)上 述的結(jié)果進(jìn)行校正，校正公式為：
[0065]
[0066]
[0067] 其中，SvcaEIT^VCA方法提取的端元結(jié)果，認(rèn)為是混合像元;Slmmc-psoER1?為線性 混合模型約束的粒子群優(yōu)化算法端元提取的結(jié)果，認(rèn)為是純凈像元;funmixing是豐度估計(jì)的 函數(shù)，選擇無約束的最小二乘方法;Ανω是采用純凈像元Slmmopsq求解混合像元Svca得到的豐 度;校正之后的端元光譜曲線& 11131為最終的結(jié)果。
[0068]校正之后的端元光譜曲線就是最終的結(jié)果。
[0069] 基于矩陣R，對(duì)高光譜遙感影像進(jìn)行端元提取，在具體實(shí)現(xiàn)的時(shí)候還有以下注意事 項(xiàng)：
[0070] (1)粒子的定義:采用高維編碼方式，每個(gè)粒子為一個(gè)矩陣而不是一個(gè)向量，粒子 中的每個(gè)列向量代表一條待定的端元光譜曲線，這樣的定義方式更符合問題的物理意義。
[0071] (2)自適應(yīng)度函數(shù)f的選擇。自適應(yīng)度函數(shù)包括兩個(gè)部分:一個(gè)部分是體積，負(fù)責(zé)粒 子向著單形體的內(nèi)內(nèi)部移動(dòng)，避免單形體的體積過大，另外一個(gè)部分是豐度約束，負(fù)責(zé)粒子 向著單形體的外部移動(dòng)，避免單形體的體積過小。
[0072]
[0073]其中，au為解混豐度，γ為比例系數(shù)，兩個(gè)約束條件的比例。
[0074]以下通過對(duì)比試驗(yàn)來驗(yàn)證本發(fā)明的有益效果。
[0075] 本試驗(yàn)采用的數(shù)據(jù)為仿真數(shù)據(jù)，共224個(gè)波段，光譜覆蓋范圍為:0.38-2.5μπι，影像 尺寸64像素\64像素。分別采用￥04、1^-匪？、1^4、1^3、31341^和本發(fā)明方法進(jìn)行端元提 取。
[0076] 試驗(yàn)采用的定量評(píng)價(jià)指標(biāo)為光譜角距離，比較所提取的端元光譜與真實(shí)參考光譜 的光譜角距離，光譜角距離越小，說明該方法的效果越好。每個(gè)方法運(yùn)行10次，取統(tǒng)計(jì)結(jié)果， 實(shí)驗(yàn)結(jié)果見附圖2。從試驗(yàn)結(jié)果上看，我們的方法效果明顯優(yōu)于對(duì)比算法。
[0077] 應(yīng)當(dāng)理解的是，本說明書未詳細(xì)闡述的部分均屬于現(xiàn)有技術(shù)。
[0078] 應(yīng)當(dāng)理解的是，上述針對(duì)較佳實(shí)施例的描述較為詳細(xì)，并不能因此而認(rèn)為是對(duì)本 發(fā)明專利保護(hù)范圍的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明權(quán) 利要求所保護(hù)的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護(hù)范圍之內(nèi)，本發(fā) 明的請(qǐng)求保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。
【主權(quán)項(xiàng)】
1. 一種高光譜遙感影像端元提取方法，其特征在于:將高光譜遙感影像分別讀入大小 為1><11的矩陣1?={1'1,...,;^,...,1'。}中，矩陣中每列向重:^ = (1'川...，1'山...，1'^)了為像 素的光譜福射值，1為高光譜遙感影像的波段數(shù)，η為遙感影像的像素?cái)?shù);對(duì)高光譜遙感影像 矩陣R進(jìn)行如下操作： 步驟 1:初始化種群,Xi(t) = (ei,i(t) ,ei,2(t), . . . ,ei,D(t))i = l ,2, . . . ,Μ;其中，t表不 迭代的次數(shù)，初始化過程中令t = 0;Xi(t)表示種群中的一個(gè)粒子;Μ表示該種群中粒子的數(shù) 目；eu(0)eR，表示初始化過程中第i個(gè)粒子中的第j個(gè)向量;基于純凈像元存在假設(shè)的頂點(diǎn) 成分分析VCA算法提取的結(jié)果作為初始的種群； 步驟2:計(jì)算每初始粒子的個(gè)體最優(yōu)位置Pi(0)及所有粒子的全局最優(yōu)位置G(0);其中，f( ·)表示適應(yīng)度函數(shù);vol(Xi(t))表示求解Xi(t)所構(gòu)成的單形體的體積;豐度 ai, J (t)滿巧丫表示兩個(gè)約束之間的比例系數(shù)； 步驟3:粒子進(jìn)化;粒子進(jìn)化方程為： Xi,j(t+l) = (pi,j(t)-aj(t) · (pi(t)*0j(t)))/(l-aj(t)) iU')=巧(Ο'巧(Ο + [1-A (坤G,' W W ~1/化4 其中，a^t)為一個(gè)隨機(jī)生成數(shù)，表示圖像的混合程度;是一個(gè)隨機(jī)的豐度向量，需 要滿足的條件是:該向量中的第j個(gè)元素是0,且滿足和為一條件;巧(0表示的是一個(gè)0~1的 隨機(jī)生成數(shù)； 步驟4:更新粒子的個(gè)體最優(yōu)位置及所有粒子的全局最優(yōu)位置； 粒子個(gè)體最優(yōu)位置：其中，|Xi(t)，Xi,j(t+l)}表示 的是Xi(t)粒子的第j個(gè)列向量已經(jīng)更新;f(x)表示適應(yīng)度函數(shù)； 所有粒子的全局最優(yōu)位置：步驟5:判斷是否達(dá)到循環(huán)終止條件； 如果否，重新執(zhí)行第3步； 如果是，則循環(huán)終止，輸出最終的結(jié)果G(t)。2. 根據(jù)權(quán)利要求1所述的高光譜遙感影像端元提取方法，其特征在于:步驟1中所述基 于純凈像元存在假設(shè)的VCA算法，其具體實(shí)現(xiàn)過程是：（1)選擇適當(dāng)?shù)某矫?，將影像中的?元數(shù)據(jù)投影到選擇的超平面上得到投影后的數(shù)據(jù)，后續(xù)的步驟在投影后的像元數(shù)據(jù)上操 作；（2)將像元數(shù)據(jù)投影到隨機(jī)方向，并將具有最大投影的像元作為第一個(gè)端元；（3)通過迭 代地將數(shù)據(jù)投影到與由已提取端元構(gòu)成的子空間正交的方向上的方法來提取其余端元，被 極限投影所對(duì)應(yīng)的像元作為新的端元，直到所有的像元被提取出來。3. 根據(jù)權(quán)利要求1所述的高光譜遙感影像端元提取方法，其特征在于：步驟3中所述aj (t)選擇 aj(t)~υ(-Ο.ΟΙ,Ο.ΟΙ)。4. 根據(jù)權(quán)利要求1所述的高光譜遙感影像端元提取方法，其特征在于:步驟5中所述循 環(huán)終止條件是Χ( t)收斂或達(dá)到最大迭代次數(shù)。5. 根據(jù)權(quán)利要求1所述的高光譜遙感影像端元提取方法，其特征在于:所述方法還包括 對(duì)最后的輸出結(jié)果進(jìn)行校正，校正公式為：其中，SvcaER1*e為VCA方法提取的端元結(jié)果，認(rèn)為是混合像元;Slmmc-psoERW為線性混合 模型約束的粒子群優(yōu)化算法端元提取的結(jié)果，認(rèn)為是純凈像元;fun^ixing是豐度估計(jì)的函數(shù)， 選擇無約束的最小二乘方法;Avca是采用純凈像元Slmmc-ps冰解混合像元SVCA得到的豐度;校 正之后的端元光譜曲線Sfinal為最終的結(jié)果。
【文檔編號(hào)】G06T7/00GK105844619SQ201610156222
【公開日】2016年8月10日
【申請(qǐng)日】2016年3月18日
【發(fā)明人】杜博, 許明明, 張良培, 張樂飛
【申請(qǐng)人】武漢大學(xué)