CN102096830A - 一种基于克隆选择的高光谱遥感影像亚像元定位方法 - Google Patents

Abstract

本发明提出了一种基于克隆选择的高光谱遥感影像亚像元定位方法，基于克隆理论和亚相元定位原理，实现高光谱遥感影像的亚相元定位。本发明利用克隆选择优化算法，对遥感影像亚像元定位进行最优化求解，无需任何先验知识，根据输入影像能够直接获得亚像元定位的结果。同时由于克隆选择算法具有自学习、自记忆等优点，因此本发明能够获得全局最优的亚像元定位结果。

Description

一种基于克隆选择的高光谱遥感影像亚像元定位方法

技术领域  

本发明属遥感图像处理领域，特别是涉及一种新的基于克隆选择的高光谱遥感影像亚像元的定位方法。

背景技术  

遥感影像，特别是高光谱遥感影像，由于空间分辨率的影响，普遍存在着混合像元的现象，即一个像元中由多种地物混合而成。混合像元分解技术，能够获取像元中每一个地物类别对应的丰度，获得与类别个数相等的丰度影像，有效地解决了像元混合问题 (张良培和张立福，2005)。然而混合像元分解仅能获取各端元组分的丰度，无法确定各种地物在像元空间中的具体位置，仍然会造成遥感影像空间细节信息的丢失。可参见有关文献：张良培, 张立福. 高光谱遥感[M]. 武汉: 武汉大学出版社, 2005.

针对该问题，1997年Atkinson提出了亚像元定位的概念。亚像元定位是将一个像元根据尺度大小划分成多个亚像元以提高结果分辨率的技术。国内外已经开展了这方面的研究工作。Atkinson（1997，2005）描述了一种经典的理论：距离较近的亚像元和距离较远的亚像元相比，更加可能属于同一种类型，该理论目前已经成为了大多数亚像元定位模型的理论基础；Verhoeye（2002）采用线性最优算法，选择一种亚像元最终的分布方式；另外，为了更加突出表现亚像元定位的空间相关性假设理论，Merten 等（2004）融合小波变换与神经网络模型，神经网络方法被用来从被重构的超分辨率图像中估计小波系数，以构建高分辨率的亚像元定位结果。此外，近几年来随着相关模型的发展，不断有更多新颖的方法被应用。为便于参考起见，以下提供亚像元定位基本原理：

亚像元定位的前提是通过对高光谱影像进行混合像元分解得到不同地物类别在每个像元中所占比例，再根据空间相关性假设理论获得混合像元中不同端元组分的空间分布情况。

空间相关性假设理论认为，距离较近的亚像元和距离较远的亚像元相比，更加可能属于同一种类型，这一理论已经被证实大多数情况下是成立的。例如图2所示：这是一个关于像元空间分布性的简单示意图，包含了两种不同的地物类别，分别用黑点和白点表示出来，亚像元定位的尺度s＝3，即1个像元即将被分成9个亚像元（                                                、

、

、

、

、、

、

、

）。以中间像元

为例，该像元第1类的比例为66.67%，第2类的比例为33.33%，因为共有9个亚像元，因此第1类的亚像元个数为6个，第2类的亚像元定位个数为3个，则亚像元定位问题就是如何确定这6个第1类和3个第2类的亚像元在像元中的位置。图2b、2c分别代表了两种不同的空间分布状态，根据以上提出的理论，图2c的空间相关性要更加大，因此亚像元的分布情况更有可能是图2c。

亚像元定位技术是基于Atkinson提出的空间相关性假设理论。地面物体的空间相关性是指：图像的混合像元或者是不同的像元之间，距离较近的亚像元和距离较远的亚像元相比，更加属于同一类型。依据这个原则，只需要设定一个空间相关性指标（SDI，spatial dependence index），然后利用各种模型来对每个像元中的亚像元分布情况进行估计，获得亚像元最优的分布结果。在这里，我们可以将亚像元定位问题转换成每个像元的相关性指标最优化问题。假设整个影像具有c个端元（类别）或者目标，且每个像元可以分为P个亚像元，则每个亚像元的类别属性可以用变量表示，其定义如下：

                           (1)

其中

，

。

   则每个像元的空间相关性评价指标z可为：

                            (2)

其中：

，                                 (3)

表示某个像元内属于第i类的亚像元个数。

根据空间相关性假设，每个亚像元的空间相关性由其周围的N个邻近像元决定，其空间相关性指标

可以通过下式计算：

                               (4)

其中

表示邻近像元对该亚像元的决定权值，该权值可以取值为亚像元到邻近像元的距离的倒数。

表示第k个邻近像元第i端元的丰度值。

根据以上的理论，则将亚像元定位问题转换成使得公式（2）最大化问题。根据免疫系统中的克隆选择算法（CSA，Clonal selection algorithm）是人工免疫系统（AIS，Artificial immune systems）中的重要理论模型，继承了生物免疫系统的众多属性，可以保存各个局部最优解，能快速得到全局最优解。

克隆选择算法（Clonal Selection algorithm，简称CSA), 是受生物免疫系统中的克隆选择理论启发而产生的一种新型的智能计算方法。在过去的几年里, CSA的应用领域逐渐扩展到了信息安全、模式识别、机器学习、数据挖掘等诸多领域，显示出CSA强大的信息处理和问题求解能力以及广阔的研究和应用前景。可以参见有关文献。为便于参考起见，以下提供克隆选择理论基础：

克隆选择原理大致内容为：免疫系统首先通过阴性选择识别自身抗原和外来抗原，只有那些不能与“自我”（即机体本身组织）发生应答的免疫细胞才可以执行免疫应答的任务，从而防止免疫细胞对机体造成错误攻击。该过程称为阴性选择（negative selection），是免疫识别的一种主要方式。淋巴细胞在实现对抗原的识别（即抗体——抗原的亲和度超过一定阈值）后，B细胞被激活并增殖复制产生B细胞克隆，随后克隆细胞经历变异过程，产生对抗原具有特异性的抗体。克隆选择理论描述了适应性免疫的基本特性，并且声明只有成功识别抗原的免疫细胞才得以增殖。经历变异后的免疫细胞分化为浆细胞（抗体效应细胞）和记忆细胞两种。

克隆选择的主要特征是免疫细胞在抗原刺激下产生克隆增殖，随后通过遗传变异分化为多样性效应细胞（如抗体细胞）和记忆细胞。克隆选择对应着一个亲和度成熟的过程，即对抗原亲和度较低的个体在克隆选择机制的作用下，经历增殖复制和变异操作后，其亲和度逐步提高而“成熟”的过程。因此亲和度成熟本质上是一个达尔文式的选择和变异的过程，克隆选择原理是通过采用交叉、变异等遗传算子和相应的群体控制机制来实现的。根据克隆选择原理，提出了克隆选择算法模型，并在模式识别、组合优化和多峰值函数优化中得到了验证。克隆选择原理示意图见附图1。

CSA是一种自适应很强的优化技术，继承了生物免疫系统的众多属性，具有自组织、自学习、自识别、自记忆的能力，因此它能快速提供达到最优解的90% 的搜索范围，从而能较快较准地得到全局最优解，这是其它的优化技术所不及的。应用克隆选择算法, 通过重复的优化过程, 具有高度智能性，不需要任何先验知识，能够很快地自适应得到最优解。因为对于曾经出现过的抗原, 免疫算法产生相应抗体的速度比以前更快。它可以提高亚像元定位准确性、减少算法的运算时间。然而在遥感影像亚像元定位中，CSA还没有得到很好的应用，因此还没有真正意义的克隆选择亚像元定位方法出现。

发明内容

本发明的目的是在克隆选择的原理基础上提供一种用于遥感影像的特征选择方法。

为实现上述目的，本发明提供遥感影像的克隆选择亚像元定位方法，包括以下步骤：

步骤1，选择所需进行亚像元定位的光谱分解后的遥感影像，并设定定位尺度s和波段数，波段数即为类别数c，每个波段记录的是像元对应于该类别的丰度值；

步骤2，针对遥感影像中任一像元，根据定位尺度s，计算该像元包含的亚像元总个数P=

；同时根据光谱分解后每个类别的丰度值，计算各类别在该像元所占亚像元的个数；

步骤3，根据预设编码规则随机产生N个可能的亚像元定位结果作为抗体，并存入抗体数组ABArray，其中每个抗体的编码长度为P，编码的取值范围为[1, c]；

步骤4，计算抗体数组ABArray中所有抗体的亲和度

； 

步骤5，从抗体数组ABArray中选择n个具有最高亲和度的抗体进行克隆操作，产生一个新的抗体集合

，并记录抗体数组ABArray中亲和度最高的一个抗体为最匹配抗体C_配；

步骤6，对于抗体集合

进行克隆操作获得克隆选择集合C；

步骤7，对克隆选择集合C进行变异操作，产生克隆变异集合C*；

步骤8，计算克隆变异集合C*中所有抗体的亲和度

，从克隆变异集合C*中选择亲和度最高的一个个体作为候选记忆抗体

；

步骤9，从克隆变异集合C*中随机选择d个抗体替换抗体数组ABArray中最低亲和度的d个抗体；

步骤10，如果候选记忆抗体

的亲和度大于最匹配抗体C_配的亲和度，将候选记忆抗体

存入抗体数组ABArray后进行步骤12，否则直接进入步骤12； 

步骤11，迭代次数增加一次，如果本轮所得最匹配抗体C_配与上轮所得最匹配抗体C_配的亲和度差值达到预设阈值，或者当前的迭代次数达到预设值，则本轮所得最匹配抗体C_配作为该像元的最优解，否则返回步骤4循环执行直到获得最优解。

本发明利用克隆选择优化算法，对遥感影像亚像元定位进行最优化求解，无需任何先验知识，根据输入影像能够直接获得亚像元定位的结果。同时由于克隆选择算法具有自学习、自记忆等优点，因此本发明能够获得全局最优的亚像元定位结果。

附图说明

图1克隆选择原理图；

图2亚像元定位基本原理图，其中图2a为类别1分解图，图2b为定位选择结果1，图3为定位选择结果2；

图3 亚像元定位编码图；

图4 本发明实施例的主函数流程图；

图5 本发明实施例的初始化函数流程图；

图6 本发明实施例的克隆选择变异函数流程图；

图7 本发明实施例的抗体种群进化函数流程图。 

具体实施方式

本发明所提供技术方案可以由本领域技术人员采用计算机软件技术手段实现。以下结合附图1说明本发明实施例的实现流程，包括以下步骤：

步骤1，选择所需进行亚像元定位的光谱分解后的遥感影像，并设定定位尺度s和波段数，波段数即为类别数c，每个波段记录的是像元对应于该类别的丰度值。

    具体实施时，一般通过输入影像宽度、高度、波段数和数据类型打开输入遥感影像，输入的是分解的结果影像。实施例在本步骤还预先设定后续步骤需要的一些算法参数，例如克隆率和变异率。

步骤2，针对遥感影像中任一像元，根据定位尺度s，计算该像元包含的亚像元总个数P=；同时根据光谱分解后每个类别的丰度值（即该像元对应于该类别的比例），计算各类别在该像元所占亚像元的个数。

实施例针对遥感影像中任一像元，都从步骤2开始执行相同程序，程序采用人工免疫克隆选择方法对步骤1所选遥感影像的每个像元自动进行亚像元定位，如果到达终止条件则进行亚像元定位完成，否则循环进化直到终止条件满足。实施例通过函数方式执行程序调用，主函数程序流程框图见附图4，由主函数入口进入后，调用克隆选择亚像元定位主函数， 从CSASubpixelMappingMain函数入口开始，首先调用初始化函数Initialization实现步骤3，从而获得初始化的抗体数组ABArray，然后调用克隆选择变异函数CSASPSMAlg实现步骤4-9，调用抗体种群进化函数DevelopABPop实现步骤10，最后判断是否满足迭代终止条件，是则输出亚像元定位结果，否则返回从克隆选择变异函数CSASPSMAlg开始循环迭代过程。

步骤3，根据预设编码规则随机产生N个可能的亚像元定位结果作为抗体，并存入抗体数组ABArray，其中每个抗体的编码长度为P，编码的取值范围为[1, c]。

采用初始化程序随机产生N种亚像元定位结果作为初始抗体群体，存入抗体数组ABArray，每个抗体表示一种可能的亚像元定位结果，采用定位编码方式。

为了方便进行高光谱遥感影像亚像元定位，本发明中的实施例采用定位编码方式，即对亚像元定位结果采用免疫定位编码方式表示。具体实施时，也可以采用现有神经网络等其他方式实现编码，但需要先验知识。

免疫定位编码的实现方式为，设抗体长为特征向量长度P(等于尺度

的平方，即)，编码为

，其中，m的取值范围为[1,N]，N表示抗体数组ABArray中存有抗体的个数，m作为下标标识抗体数组ABArray中第m个抗体。

（j=1，2，…P）的取值范围为[1,c]，即表示第j个亚像元的类别属性，为1表示该像元为第1类，为c表示相应的亚像元定位为第c类。图3表示了初始化的基本过程。

由这些编码组成的空间成为新的抗体空间，该空间与特征向量的对应图如附图3所示。附图3中以一个2类（即c =2，2个波段，每个波段分别表示占像元的比例），定位尺度为4（

=4）的像元为例，该空间进入二进制空间后变为P=4*4=16维子集空间。需要定位16个亚像元，其中第1类的比例为25%，第2类的比例为75%，即

。

因此第1类的亚像元个数为16*0.25=4个，第2类的亚像元个数为16*0.75=12个。以

={1,1,1,1,1,2,1,2,2,1,2,1,1,1,1,1}为例，对该抗体进行变异。即对选择抗体个体按给定的变异率进行变异操作，由于总个数不变，因此这里采用互换变异，即随机选择位置，然后交换其位置。其过程如下所示。 

                                    变异             

A  1, 1 ,1,1,1,2,1, 2 ,2,1,2,1,1,1,1,1                   B  1, 2 ,1,1,1,2,1, 1 ,2,1,2,1,1,1,1,1

如上所示，经过变异后前代A的第2位与第8位进行互换变异，即得到了变异后抗体B。

实施例的初始化程序流程框图见附图5，初始化程序采用函数方式提供调用：初始化函数Initialization从函数入口开始，首先从抗体数组ABArray的第1个抗体开始，即m=1；对ABArray中第m个抗体ab_m的第j位进行初始化编码，即

，表示第m个抗体ab_m的第j位在1到c之间随机取值，其中j取值为[1,s ²],s为定位尺度，最开始取j=1，然后j加1后对下一位编码；当j增大到大于亚像元总个数s ^2，，说明第m个抗体ab_m编码完成，将初始抗体ab_m存入抗体数组ABArray； 然后m加1对下一个抗体编码，直到m 大于抗体数组ABArray的抗体总数N，说明抗体数组ABArray已存有

这N个抗体，输出抗体数组ABArray作为初始抗体种群。

步骤4，计算抗体数组ABArray中所有抗体的亲和度。

实施例计算抗体数组ABArray中的所有抗体

（m的取值范围为[1,N]）各自的亲和度

时，采用空间相关性指标。其计算公式如下：

。

每个像元的空间相关性评价指标z可为：

                        

其中：

，

                             

表示某个像元内属于第i类的亚像元个数。空间相关性指标

参见背景技术中公式（4）。

步骤5，从抗体数组ABArray中选择n个具有最高亲和度的抗体进行克隆操作，产生一个新的抗体集合，并记录抗体数组ABArray中亲和度最高的一个抗体为最匹配抗体C_配。

实施例中，根据亲和度从大到小对抗体数组ABArray中所有抗体ab排序，选择前n个具有最高亲和度的抗体进行克隆操作，产生一个新的抗体集合；选择第一个抗体最匹配抗体C_配，

。

步骤6，对于抗体集合

进行克隆操作获得克隆选择集合C。

实施例对n个被选择出的抗体按一定的克隆率进行克隆操作，产生克隆集合

。可以设定其中亲和度越高的抗体，克隆数目越高。所有n个被选择出的抗体克隆总数，即克隆选择集合C所含抗体数N_c为：

其中b为克隆的倍数，即在步骤1预设的克隆率。N为抗体数组ABArray内所含抗体总数，函数round()表示取整。 

步骤7，对克隆选择集合C进行变异操作，产生克隆变异集合C*。

实施例克隆选择集合C进行变异操作，产生克隆变异集合C*时，设定其中亲和度越大，抗体变异机会越小。该步骤可以用到在步骤1预设的变异率，记为Q。

步骤8，计算克隆变异集合C*中所有抗体的亲和度

，从克隆变异集合C*中选择亲和度最高的一个个体作为候选记忆抗体

。

步骤9，从克隆变异集合C*中随机选择d个抗体替换抗体数组ABArray中最低亲和度的d个抗体。

为了增加抗体的多样性，从克隆变异集合C*选出d个变异抗体替换抗体数组ABArray中亲和度最小的d个原始抗体。

 为便于实施参考起见，提供实施例的克隆选择变异函数CSASPSMAlg流程参见附图6：首先进入CSASPSMAlg函数入口，对抗体数组ABArray中的各抗体计算亲和度F，选择其中n个最优抗体，得到新抗体集合AB_{n}和最匹配抗体C_配，然后通过克隆抗体集合AB_{n}得到克隆选择集合C，然后调用变异函数mutate得到克隆变异集合C^*，计算克隆变异集合C^*中各抗体的亲和度F^*，选择候选记忆抗体C_候，从克隆变异集合C*中随机选择d个抗体替换抗体数组ABArray中抗体，完成后调用抗体种群进化函数DevelopABPop。其中变异函数mutate的流程为，mutate函数入口，输入克隆抗体数组C；先令变量j=1，随机选择两个数n1 = random()，n2 = random()；取随机数nrand = random()，如果变异率Q大于 nrand，通过Exchange(n1,n2)函数调换克隆选择集合C中第i个抗体

编码中第n1和第n2位的数值，然后i加1（变量i初始值设为1），直到i大于亚像元数s ^2，，变异后的抗体存入克隆变异集合C^*，j加1，当j > Nc时，输出克隆变异集合C^*，即克隆选择集合C所含抗体数与克隆变异集合C^*所含抗体数相当。

步骤10，如果候选记忆抗体

的亲和度大于最匹配抗体C_配亲和度，将候选记忆抗体

存入抗体数组ABArray后进行步骤11，否则直接进入步骤11。 

实施例判断和

的刺激水平，如果候选记忆抗体

的亲和度大

大于最匹配抗体C_配亲和度

，则将

存入抗体数组ABArray中，抗体种群进化函数DevelopABPop流程见附图7：从DevelopABPop函数入口开始，设变量CandF =  

，变量MatchF = ，当CandF大于时MatchF，将候选记忆抗体

存入抗体数组ABArray，说明记忆库进化完成，然后进入步骤11进行终止条件判断。

步骤11，迭代次数增加一次，如果本轮所得最匹配抗体C_配与上轮所得最匹配抗体C_配的亲和度差值达到预设阈值，或者当前的迭代次数达到预设值，则本轮所得最匹配抗体C_配作为该像元的最优解，否则返回步骤4循环执行直到获得最优解。

具体实施时，也可以设定其他迭代结束条件，例如通过判断抗体数组ABArray的整体亲和度是否达到预设阈值，代替判断两代最匹配抗体C_配的亲和度差值。这属于等同替换手段，也应当在本发明保护范围内。

当对遥感影像的每个像元执行步骤2-11得到最优解后，即可得到本发明需要的高光谱遥感影像亚像元定位结果。

Claims (1)

1.一种基于克隆选择的高光谱遥感影像亚像元定位方法，其特征是：包括以下步骤，

步骤1，选择所需进行亚像元定位的光谱分解后的遥感影像，并设定定位尺度s和波段数，波段数即为类别数c，每个波段记录的是像元对应于该类别的丰度值；

步骤2，针对遥感影像中任一像元，根据定位尺度s，计算该像元包含的亚像元总个数P=                                                

；同时根据光谱分解后每个类别的丰度值，计算各类别在该像元所占亚像元的个数；

步骤3，根据预设编码规则随机产生N个可能的亚像元定位结果作为抗体，并存入抗体数组ABArray，其中每个抗体的编码长度为P，编码的取值范围为[1, c]；

步骤4，计算抗体数组ABArray中所有抗体的亲和度； 

步骤5，从抗体数组ABArray中选择n个具有最高亲和度的抗体进行克隆操作，产生一个新的抗体集合

，并记录抗体数组ABArray中亲和度最高的一个抗体为最匹配抗体C_配；

步骤6，对于抗体集合

进行克隆操作获得克隆选择集合C；

步骤7，对克隆选择集合C进行变异操作，产生克隆变异集合C*；

步骤8，计算克隆变异集合C*中所有抗体的亲和度

，从克隆变异集合C*中选择亲和度最高的一个个体作为候选记忆抗体

；

步骤9，从克隆变异集合C*中随机选择d个抗体替换抗体数组ABArray中最低亲和度的d个抗体；

步骤10，如果候选记忆抗体

的亲和度大于最匹配抗体C_配的亲和度，将候选记忆抗体

存入抗体数组ABArray后进行步骤11，否则直接进入步骤11； 

步骤11，迭代次数增加一次，如果本轮所得最匹配抗体C_配与上轮所得最匹配抗体C_配的亲和度差值达到预设阈值，或者当前的迭代次数达到预设值，则本轮所得最匹配抗体C_配作为该像元的最优解，否则返回步骤4循环执行直到获得最优解。

Images