[发明专利]基于进化多目标优化的高光谱遥感影像的端元提取方法

说明书

一种基于进化多目标优化的高光谱遥感影像的端元提取方法，属于高光谱图像处理领域，通过将端元数作为多目标优化的一个目标函数，采用单次运行算法得到不同数目的端元提取结果，加快算法的执行速度，提高精度；将高光谱遥感影像端元提取看作是一个多目标问题，利用离散粒子群优化方法同时优化两个目标函数，单次运行可以得到用不同端元数的，即得到最优化端元；克服了现有技术中需要多次单次运行算法而的得到具有不同数目的端元结果。采用了逆向生长的leader选择策略，不需要搜索所有的端元，减小了计算复杂度。

技术领域

本发明属于高光谱图像处理领域，涉及到高光谱图像的线性光谱解混法，具体是基于进化多目标优化的高光谱遥感影像的端元提取方法。

背景技术

20世纪80年代遥感技术的最大成就之一就是高光谱遥感的兴起。高光谱遥感器有能力捕获数百个连续谱带可以用来提高识别不同地物的类。高光谱图像由于其丰富的光谱信息得到越来越广泛的应用，例如在矿产勘查，环境监测和军事监视等方面。混合像素分解问题是限制高光谱遥感影像发展的一个重要问题，这个问题能通过光谱解混技术解决。一般，高光谱遥感影像的像素是混合像素而不是纯像素。超过一种类型的物质呈现在混合像素中。因此，几个地面覆盖的光谱被称为端元混合在单个像素的测量光谱。

端元提取是光谱解混的一个重要步骤。由于高光谱成像传感器提高了高空间和光谱分辨率，端元提取在高光谱图像分析变得越来越重要。一个端元是一个理想的纯特征类。许多端元提取方法是基于线性光谱混合模型和假定纯像素存在在高光谱图像中，包括像元纯度指数(PPI)、内部最大体积法(N-FINDR)、定点成分分析(VCA)、凸锥分析(CCA)、单形体增长算法(SGA)等。

这些算法有低的计算复杂度和精确的提取结果。然而，它们有一些缺点。一个是提取精度将降低，如果真实的数据不满足单纯性结构。另一个是缺乏反馈机制的信息和端元数依靠谱带数。因此这些算法随机产生初始端元，它不是一个有效的初始化将花费很长时间找到希望的结果。为了解决这些问题，提出了一些基于进化的新方法，列如离散粒子群优化，蚁群优化(ACO)和自适应差分进化(ADDE)。该方法将端元提取问题的转换为一个最优化问题和建立一个可行的解空间去评价目标函数。

然而，这些算法的实施存在一些缺点。在许多端元提取算法中没有指导去确定产生多少端元。虚拟维度(VD)信号子空间估计(SSE)是应用最广泛的两种端元数目估计的方法，已成功地应用于许多的端元提取算法。然而，很明显，端元提取是不适定的，还没有令人满意的解决这个问题。换句话说，固定端元个数这是不恰当的。在许多文献中，对于不同数目的端元提取结果。然而，大多数这些算法通过执行一系列单独的运行得到不同的结果，这是非常耗时的。

发明内容

针对现有技术中存在的问题，本发明提供一种基于进化多目标优化的高光谱遥感影像的端元提取方法，速度快，精度高，通过单次运行就能够得到用不同端元数的非支配解。

本发明是通过以下技术方案来实现：

基于进化多目标群优化的高光谱遥感影像的端元提取方法，包括如下步骤：

步骤1，确定需要处理的高光谱遥感图像I作为原始图像；

步骤2，使用线性光谱混合模型对高光谱遥感图像I进行光谱分解，用于端元提取；

令表示L个波带n个像素的高光谱遥感图像，r_i是表示第i个像素的光谱列矢量，则线性光谱混合模型LSMM定义为，

上式中，m是端元数,表示端元集合,是第j个端元在第i个像素中的丰度，ε_i表示第i个波段的误差项，端元丰度需要满足两个约束条件：