CN105787957A - 一种基于量子粒子群算法的高光谱图像端元提取算法 - Google Patents

一种基于量子粒子群算法的高光谱图像端元提取算法 Download PDF

Info

Publication number
CN105787957A
CN105787957A CN201610205990.1A CN201610205990A CN105787957A CN 105787957 A CN105787957 A CN 105787957A CN 201610205990 A CN201610205990 A CN 201610205990A CN 105787957 A CN105787957 A CN 105787957A
Authority
CN
China
Prior art keywords
particle
end member
quanta
swarm optimization
extraction algorithms
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610205990.1A
Other languages
English (en)
Other versions
CN105787957B (zh
Inventor
杜博
刘蓉
张良培
张乐飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201610205990.1A priority Critical patent/CN105787957B/zh
Publication of CN105787957A publication Critical patent/CN105787957A/zh
Application granted granted Critical
Publication of CN105787957B publication Critical patent/CN105787957B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于量子粒子群算法的高光谱图像端元提取算法，使用行列编码方式对粒子进行编码来提高搜索效率，并引入合作机制对粒子的个体最优位置和群体的历史最优位置进行更新，避免“维数灾难”问题。在目标函数的设计方面，巧妙结合最大体积目标函数和最小重构残差目标函数来进行最优端元组合的选取，可以在合理的时间代价下实现对端元的提取，搜索到的最优端元对噪声具有鲁棒性。

Description

一种基于量子粒子群算法的高光谱图像端元提取算法
技术领域
本发明属于遥感图像处理技术领域，尤其涉及高光谱图像混合像元分解算法，尤其涉及一种基于量子粒子群算法的高光谱图像端元提取算法。
背景技术
高光谱图像由于其具有很高的光谱分辨率，丰富的光谱信息可以为地物识别提供精细的信息，已被广泛应用于各个领域。然而，由于高光谱图像空间分辨率的限制，被观测到的像元值通常是由多种纯净物质的光谱混合得到的，我们把这些纯净物质称为端元，由端元混合得到的像元称为混合像元。尽管随着高光谱成像技术的成熟和成本的降低，高光谱图像被越来越多的使用，但是高光谱图像的解译仍然存在一些限制条件。
1)混合像元的存在使得对像元的精确解译成为一个难点，因为我们无法确定这个像元到底属于哪种物质；
2)若知道端元光谱，就可以利用获取的图像和端元光谱来求取每个端元占像元的面积百分含量，从亚像元的层面上解译图像。但是端元光谱的获取是个难点；
3)一些算法假设高光谱数据在特征空间中呈凸几何结构，在图像中搜寻位于凸几何顶点的像元作为端元。但是这些方法对噪声和异常点很敏感。有学者利用智能优化算法来进行端元提取，对噪声和异常点具有鲁棒性，但是由于算法本身寻优性能的限制，往往容易陷入局部最优解。
因此，需要一种既能对噪声和异常点具有鲁棒性，又有优异的寻优性能的方法来进行最优端元的选取。
发明内容
为了解决上述技术问题，本发明提供了一种既能搜索到最优解、又能对噪声和异常点具有鲁棒性的基于量子粒子群算法的高光谱图像端元提取算法。
本发明所采用的技术方案是：一种基于量子粒子群算法的高光谱图像端元提取算法，其特征在于，包括以下步骤：
步骤1：估计高光谱图像的端元数P；
步骤2：使用行列编码方式初始化粒子的位置。粒子群中每个粒子的位置是维度为2*P的向量，前P维的值表示初始化的每个端元在图像中的行号，后P维的值表示初始化的每个端元在图像中的列号。初始化值是随机选取的；
步骤3：计算粒子的适应度函数值；
步骤4：更新粒子的个体最优位置和群体的历史最优位置；
步骤5：更新粒子的位置；
步骤6：判断迭代是否收敛；
若是，则继续执行下述步骤7；
若否，则回转执行步骤3；
步骤7：计算粒子的适应度函数值；
步骤8：更新粒子的个体最优位置和群体的历史最优位置；
步骤9：更新粒子的位置；
步骤10：判断迭代是否收敛；
若是，则结束优化过程；
若否，则回转执行步骤7。
作为优选，步骤3中是使用最大体积目标函数计算粒子的适应度函数值。
作为优选，步骤4中是使用合作机制更新粒子的个体最优位置和群体的历史最优位置，对粒子的每一维分别进行适应度函数评价，使每一维分别对最优解的选取做出贡献，不会因为维数增多而加大寻优的难度。
作为优选，步骤6中判断迭代是否收敛，若粒子都聚集到相同的位置或达到设置的最大迭代次数，则迭代收敛。
作为优选，步骤7中是使用最小重构残差目标函数计算粒子的适应度函数值。
作为优选，步骤8中是使用合作机制更新粒子的个体最优位置和群体的历史最优位置。
作为优选，步骤10中判断迭代是否收敛，若粒子都聚集到相同的位置或达到设置的最大迭代次数，则迭代收敛。
相对于现有技术，本发明的有益效果为：
1、引入量子粒子群算法，量子粒子群算法是一种将量子机制引入普通粒子群搜索策略的算法。具有量子行为的粒子可以出现在搜索空间的任意位置，因此可以保证搜索到最优解；
2、引入行列编码方式对粒子进行编码。粒子的量子搜索行为决定它下一时刻可能出现在搜索空间的任意位置，但是以较大的概率出现在离吸引子较近的位置，而吸引子是根据当前最优解位置确定的。由地物分布的连续性可以得出，一般最优解是在局部最优解附近的，所以如果以像元所在图像空间位置的行列号进行编码，粒子下一时刻能以较高的概率出现在局部最优解附近，即能以较高的概率找到全局最优解；
3、引入合作机制对粒子的个体最优位置和群体最优位置进行更新。对于多维搜索问题，如果同时更新粒子的所有维度，不易搜索到最优解。合作机制对粒子的每一维分别进行适应度函数评价，这样可以使每一维分别对最优解的选取做出贡献，不会因为维数增多而加大寻优的难度；
4、巧妙结合最大体积目标函数和最小重构残差目标函数来进行最优端元组合的选取。最大体积目标函数计算效率快，但是对噪声和异常点比较敏感；最小重构残差目标函数计算效率慢，但是对噪声和异常点有鲁棒性。所以采取在寻优的第一阶段使用最大体积目标函数，求得初始解，然后在寻优的第二阶段使用最小重构残差为目标函数，排除噪声和异常点的影响；
5、实现了鲁棒性地搜寻最优端元组合。
附图说明
图1：为本发明实施例的流程图。
图2：为本发明涉实施例的行列编码原理示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
请见图1，本发明提供的一种基于量子粒子群算法的高光谱图像端元提取算法，包括以下步骤：
步骤1：估计高光谱图像的端元数P；
步骤2：使用行列编码方式初始化粒子的位置。粒子群中每个粒子的位置是维度为2*P的向量，前P维的值表示初始化的每个端元在图像中的行号，后P维的值表示初始化的每个端元在图像中的列号。初始化值是随机选取的；
步骤3：使用最大体积目标函数计算粒子的适应度函数值；
步骤4：使用合作机制更新粒子的个体最优位置和群体的历史最优位置，对粒子的每一维分别进行适应度函数评价，使每一维分别对最优解的选取做出贡献，不会因为维数增多而加大寻优的难度；
步骤5：更新粒子的位置；
步骤6：判断迭代是否收敛；若粒子都聚集到相同的位置或达到设置的最大迭代次数，则迭代收敛。
若是，则继续执行下述步骤7；
若否，则回转执行步骤3；
步骤7：使用最小重构残差目标函数计算粒子的适应度函数值；
步骤8：使用合作机制更新粒子的个体最优位置和群体的历史最优位置；
步骤9：更新粒子的位置；
步骤10：判断迭代是否收敛；若粒子都聚集到相同的位置或达到设置的最大迭代次数，则迭代收敛。
若是，则结束优化过程；
若否，则回转执行步骤7。
本实施例的端元提取分为两个阶段进行，第一阶段的目标函数采用最大体积进行计算；第二阶段的目标函数采用最小重构残差进行计算。其中粒子的编码采用行列编码方式，即用像元所在图像中的行列号进行编码。粒子个体最优位置和群体最优位置都用合作机制进行更新。
请见图2，本实施例假设有三个端元，类别1，类别2和类别3所属区域的像元分别表示由这三种端元占主要成分的像元，pi1,pi2,pi3分别表示粒子在三个维度的吸引子，它们是由粒子的个体最优位置和群体最优位置联合求得的。星号表示每种端元的最优值。根据粒子的量子寻优机制，下一刻粒子可能出现在搜索空间的任意位置，但是离吸引子越近，出现的概率越高。因此根据地物分布的连续性，行列编码方式可以使得粒子下一时刻以较大的概率出现在最优位置，因此可以加快寻优进程。
本实施例通过量子粒子群优化算法、行列编码方式、合作机制和两种目标函数相结合的引入，可以在较合理的时间代价下，提取对噪声和异常点具有鲁棒性的最优端元集合。
在具体实现的时候还有以下注意事项：
在对两个寻优阶段的最大迭代次数设置方面，由于第一阶段的初始值是随机设置的，所以可能需要较多的迭代来寻找到最大体积的最优解；而第二阶段的初始值采用的是第一阶段的寻优结果，本发明的目的只是为了避免这一寻优结果受异常点和噪声的影响，所以只需设置较小的最大迭代次数即可。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (7)

1.一种基于量子粒子群算法的高光谱图像端元提取算法，其特征在于，包括以下步骤：
步骤1：估计高光谱图像的端元数P；
步骤2：使用行列编码方式初始化粒子的位置；粒子群中每个粒子的位置是维度为2*P的向量，前P维的值表示初始化的每个端元在图像中的行号，后P维的值表示初始化的每个端元在图像中的列号；初始化值随机选取；
步骤3：计算粒子的适应度函数值；
步骤4：更新粒子的个体最优位置和群体的历史最优位置；
步骤5：更新粒子的位置；
步骤6：判断迭代是否收敛；
若是，则继续执行下述步骤7；
若否，则回转执行步骤3；
步骤7：计算粒子的适应度函数值；
步骤8：更新粒子的个体最优位置和群体的历史最优位置；
步骤9：更新粒子的位置；
步骤10：判断迭代是否收敛；
若是，则结束优化过程；
若否，则回转执行步骤7。
2.根据权利要求1所述的基于量子粒子群算法的高光谱图像端元提取算法，其特征在于：步骤3中是使用最大体积目标函数计算粒子的适应度函数值。
3.根据权利要求1所述的基于量子粒子群算法的高光谱图像端元提取算法，其特征在于：步骤4中是使用合作机制更新粒子的个体最优位置和群体的历史最优位置，对粒子的每一维分别进行适应度函数评价，使每一维分别对最优解的选取做出贡献，不会因为维数增多而加大寻优的难度。
4.根据权利要求1所述的基于量子粒子群算法的高光谱图像端元提取算法，其特征在于：步骤6中判断迭代是否收敛，若粒子都聚集到相同的位置或达到设置的最大迭代次数，则迭代收敛。
5.根据权利要求1所述的基于量子粒子群算法的高光谱图像端元提取算法，其特征在于：步骤7中是使用最小重构残差目标函数计算粒子的适应度函数值。
6.根据权利要求1所述的基于量子粒子群算法的高光谱图像端元提取算法，其特征在于：步骤8中是使用合作机制更新粒子的个体最优位置和群体的历史最优位置。
7.根据权利要求1所述的基于量子粒子群算法的高光谱图像端元提取算法，其特征在于：步骤10中判断迭代是否收敛，若粒子都聚集到相同的位置或达到设置的最大迭代次数，则迭代收敛。
CN201610205990.1A 2016-04-05 2016-04-05 一种基于量子粒子群算法的高光谱图像端元提取方法 Active CN105787957B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610205990.1A CN105787957B (zh) 2016-04-05 2016-04-05 一种基于量子粒子群算法的高光谱图像端元提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610205990.1A CN105787957B (zh) 2016-04-05 2016-04-05 一种基于量子粒子群算法的高光谱图像端元提取方法

Publications (2)

Publication Number Publication Date
CN105787957A true CN105787957A (zh) 2016-07-20
CN105787957B CN105787957B (zh) 2018-03-02

Family

ID=56395788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610205990.1A Active CN105787957B (zh) 2016-04-05 2016-04-05 一种基于量子粒子群算法的高光谱图像端元提取方法

Country Status (1)

Country Link
CN (1) CN105787957B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107658573A (zh) * 2017-08-22 2018-02-02 哈尔滨工程大学 一种基于量子搜寻者搜索机制的圆环阵方向图综合方法
CN112395803A (zh) * 2020-09-11 2021-02-23 北京工商大学 基于粒子群算法的icp-aes多峰谱线分离方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542288A (zh) * 2011-11-28 2012-07-04 北京航空航天大学 一种高光谱数据多特征空间构建与融合分类方法
CN102592134A (zh) * 2011-11-28 2012-07-18 北京航空航天大学 一种高光谱与红外数据多级决策融合分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542288A (zh) * 2011-11-28 2012-07-04 北京航空航天大学 一种高光谱数据多特征空间构建与融合分类方法
CN102592134A (zh) * 2011-11-28 2012-07-18 北京航空航天大学 一种高光谱与红外数据多级决策融合分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨可明 等: "光谱最小信息熵的高光谱影像端元提取算法", 《光谱学与光谱分析》 *
石茜 等: "一种基于局部判别正切空间排列的高光谱遥感影像降维方法", 《测绘学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107658573A (zh) * 2017-08-22 2018-02-02 哈尔滨工程大学 一种基于量子搜寻者搜索机制的圆环阵方向图综合方法
CN107658573B (zh) * 2017-08-22 2020-07-28 哈尔滨工程大学 一种基于量子搜寻者搜索机制的圆环阵方向图综合方法
CN112395803A (zh) * 2020-09-11 2021-02-23 北京工商大学 基于粒子群算法的icp-aes多峰谱线分离方法
CN112395803B (zh) * 2020-09-11 2023-10-13 北京工商大学 基于粒子群算法的icp-aes多峰谱线分离方法

Also Published As

Publication number Publication date
CN105787957B (zh) 2018-03-02

Similar Documents

Publication Publication Date Title
Sukawattanavijit et al. GA-SVM algorithm for improving land-cover classification using SAR and optical remote sensing data
Rezende et al. Malicious software classification using transfer learning of resnet-50 deep neural network
Weinmann et al. Contextual classification of point cloud data by exploiting individual 3D neigbourhoods
Lempitsky et al. Learning to count objects in images
Chen Deep transfer learning for static malware classification
Maitra et al. A hybrid cooperative–comprehensive learning based PSO algorithm for image segmentation using multilevel thresholding
Yan et al. Beyond spatial pyramids: A new feature extraction framework with dense spatial sampling for image classification
KR20080021592A (ko) 메트릭 임베딩에 의한 이미지 비교
Zhang et al. A method for organs classification and fruit counting on pomegranate trees based on multi-features fusion and support vector machine by 3D point cloud
Wu et al. Genetic algorithm with multiple fitness functions for generating adversarial examples
宋荣杰 et al. Kiwifruit orchard mapping based on wavelet textures and random forest
CN105787957A (zh) 一种基于量子粒子群算法的高光谱图像端元提取算法
Wang et al. Generative adversarial network based on resnet for conditional image restoration
Bhanu et al. Evolutionary synthesis of pattern recognition systems
Kagan Image-based jet analysis
Blanchet et al. Automated annotation of corals in natural scene images using multiple texture representations
CN112560949B (zh) 基于多级统计学特征提取的高光谱分类方法
Chu et al. Application of genetic algorithm and support vector machine in classification of multisource remote sensing data
Al-Sahaf et al. Binary image classification using genetic programming based on local binary patterns
CN113869454A (zh) 一种基于快速嵌入式谱分析的高光谱图像稀疏特征选择方法
Liu et al. Remote sensing image classification based on random projection super-pixel segmentation
Liu et al. A multiobjective immune clustering ensemble technique applied to unsupervised SAR image segmentation
Wen et al. Sparse subspace clustering for incomplete images
CN113553936A (zh) 一种基于改进型YOLOv3的口罩佩戴检测方法
Xu et al. Gradient type methods for linear hyperspectral unmixing

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant