CN103854282B

CN103854282B - 基于修正遗传算法的高光谱亚像元定位方法

Info

Publication number: CN103854282B
Application number: CN201410013042.9A
Authority: CN
Inventors: 赵春晖; 刘务; 马丽娟; 朱海峰; 黄湘松
Original assignee: Harbin Engineering University
Current assignee: Harbin Engineering University
Priority date: 2014-01-13
Filing date: 2014-01-13
Publication date: 2017-02-22
Anticipated expiration: 2034-01-13
Also published as: CN103854282A

Abstract

本发明属于高光谱遥感领域，具体提供了一种基于修正遗传算法的高光谱亚像元定位方法。本发明包括：检测亚像素被分配为地物时受个邻域像素的总的吸引力，计算混合像素中每个亚像素的空间吸引力，地物的吸引力存于矩阵中，矩阵的最小值以及相对应的位置，在原始混合像素中对两相应位置的地物进行交换。利用SPSAM模型的快速定位效果对原始低分辨率图像进行初始化，节省运算时间。利用改进的交叉算子对遗传算法进行改进，利用群智能迭代提高进化效率。利用各项异性模型提取原始地物的先验信息提高定位的效果。

Description

基于修正遗传算法的高光谱亚像元定位方法

技术领域

本发明属于高光谱遥感领域，具体提供了一种基于修正遗传算法的高光谱亚像元定位方法。

背景技术

高光谱遥感的出现是遥感技术的一场革命。随着光谱分辨率的提高，它使原本在多光谱遥感中无法有效探测的地物得以探测，因而得到了广泛的应用，比如：农业，考古学，自然灾害检测，环境监测以及军事领域等。虽然高光谱包含了地物丰富的光谱信息，但是其空间分辨率却很低，混合像素广泛的存在于高光谱遥感图像中。由于混合像素的广泛存在，对高光谱的视觉检测和后处理带来了很大的困难。

针对混合像素的问题，提出了端元提取，光谱解混，亚像元定位等课题。端元提取方法提取该地物中所含有的地物种类（比如A,B,C），光谱解混技术是为解决混合像素中各地物种类在混合像素中所占比例（也就是丰度）而提出的一个课题（即求A%,B%,C%，分别对应地物A,B,C在混合像素中所占的比例）。但是这两个课题没有解决各地物在混合像素中的位置，所以亚像元定位技术应运而生，它先把混合像素分成多个亚像素，然后再根据某种准则把各种地物分配到混合像素的亚像元中。

在H-型分辨率（指的是像素小于感兴趣的目标）中，亚像元定位的目标就是使空间相关性最大化。在遗传算法中，选择相应的适应度函数，通过选择算子，交叉算子，变异算子使种群通过迭代而向有利的方向进化。但是事实证明，用遗传算法处理大数据量时，进化速度相对较慢。

为了更快的实现高光谱遥感图像亚像元定位的目标，本发明提出了一种基于修正遗传算法的高光谱亚像元定位方法。

发明内容

本发明的目的在于提供一种节省运算时间、提高进化效率、提高定位精度的基于修正遗传算法的高光谱亚像元定位方法。

本发明的目的是这样实现的：

（1）检测亚像素p_i,j被分配为地物c时受N个邻域像素P_k的总的吸引力F_c(p_i,j)，

其中，F_c(P_k)为亚像素p_i,j被分配为地物c时受邻域像素P_k的吸引力，d_k是亚像素p_i,j与邻域像素P_k的欧氏距离，p_i,j是混合像素P_a,b中的亚像素，P_a,b的邻域像素为P_k，其中k＝1,…,N，f_c(P_k)为邻域像素P_k中地物种类c的丰度，

（2）计算混合像素中每个亚像素p_i,j的空间吸引力SD_i,j，

w(p_ij,p_n)表示的是亚像素p_ij与亚像素p_n之间的吸引力，

w(p_ij,p_n)＝d(p_ij,p_n)^-1

其中d(p_ij,p_n)是亚像素p_ij与其邻域亚像素p_n之间的距离，

（3）地物的吸引力存于矩阵中，矩阵的最小值以及相对应的位置，在原始混合像素中对两相应位置的地物进行交换。

本方法的有益效果在于：

利用SPSAM模型的快速定位效果对原始低分辨率图像进行初始化，节省运算时间。利用改进的交叉算子对遗传算法进行改进，利用群智能迭代提高进化效率。利用各项异性模型提取原始地物的先验信息提高定位的效果。

附图说明

图1是各向异性指数距离衰减模型。

图2中（a）是参考的高分辨率图像，（b）是退化得到的低分辨图像，（c）是SPSAM定位结果，（d）是遗传算法处理的结果，（e）是本专利中算法得到的结果。（f）是（a）中方框的放大图，（g）是（c）中方框的放大图，（h）是（d）中方框的放大图，（i）是（e）中方框的放大图。

具体实施方式

下面结合附图1-2e对本发明做更详细地描述：

本发明的目的在于遥感图像中具有分段线性空间分布的亚像元定位方法。在本方法中，我们利用各向异性模型结合通过解混得到的丰度图像估计各类地物延伸的方向，再利用遗传算法的群体智能进化思想进行迭代优化，使其空间相关性达到最大。通过遗传算法的选择算子可以使种群的总体适应度增强，而通过交叉算子增加单个个体的适应度。我们定义遗传算法的适应度函数为空间相关性。

为实现上述的发明目的，本发明采用下述的技术方案：

由于遗传算法对初始化种群很敏感，随机的初始分布容易使遗传迭代时到达局部最优，所以先用亚像素与像素的空间吸引力模型（SPSAM）对其种群进行初始化，具体的步骤如下所示：

（1）假设混合像素为P_a,b，p_i,j是像素P_a,b中的亚像素，P_a,b的邻域像素设为P_k，其中k＝1,…,N，一般情况下我们令N＝8。假设f_c(P_k)为邻域像素P_k中地物种类c的丰度，F_c(P_k)为亚像素p_i,j被分配为地物c时受邻域像素P_k的吸引力，其计算式如（1）所示：

其中d_k是亚像素p_i,j与邻域像素P_k的欧氏距离，其计算式如（2）所示：

假设F_c(p_i,j)是亚像素p_i,j被分配为地物c时受N个邻域像素P_k的总的吸引力，计算式如下（3）所示：

（2）当F_c(p_i,j)(i,j＝1,2,…,S、c＝1,2,,…C)都计算完之后，根据事先定义的种类分配顺序，按照如下原则进行分配：先对具有最大吸引力值的亚像素进行定位。

对于具有分段线性空间分布的地物特征，由于没有考虑到其线性分布特征，这样的定位方法是很粗糙的，其精度必然很低，所以本发明中利用各向异性模型来提取各地物的先验信息。

通过一个移动的窗口作用于解混得到的丰度图像，被处理的混合像素作为该窗口的中心，丰度之和最大的直线上方向就是被提取的方向。

图1为各向异性指数距离衰减窗口示意图，该图为一个5×5的窗口，该窗口可以估计8个方向，0°，22.5°，45°，67.5°，90°，112.5°，135°，157.5°和180°（也就是0°）。

遗传算法是一个基于自然选择和遗传的优化算法，该算法具有自动搜索最优解的功能，它包含三个算子：选择算子，交叉算子，变异算子。在本发明中，把一个混合像素的多种定位实现作为一个种群的初始解，混合像素的单个实现作为种群的单个个体，选择算子就是选择该种群中群体适应度强的个体代替群体适应度弱的个体，使整个种群的适应度增强。交叉算子使个体之间进行基因交叉，从而产生新的个体，是遗传算法中必不可少的一部分。由于每个混合像素中的各种地物所占的比例是固定的，变异算子会改变各地物在混合像素中的丰度，所以变异算子在亚像元定位中是不允许的。

对于数据量小的图像来说遗传算法可以搜索到最优解，但是当尺度因子足够大或者处理的数据足够大时，计算机处理的时间很长，导致遗传算法的效率很低，例如在交叉算子中，如果再一次交叉变换中所交叉的两个基因是相同的，或者在一次交叉变换中交叉完之后个体的空间相关性降低，则这次遗传迭代对整个算法是没有任何贡献的，所以在本专利中采用改进的遗传算法，主要是对其交叉算子进行改进，具体的改进方式如下所示（以两种地物class1,class2为例进行阐述）：

（1）计算混合像素中每个亚像素p_i,j的空间吸引力SD_i,j，计算式如（4）所示：

其中：

w(p_ij,p_n)表示的是亚像素p_ij与亚像素p_n之间的吸引力，有两种计算方法，分别如等式（6）和（7）所示：

w(p_ij,p_n)＝d(p_ij,p_n)^-1 （6）

等式（6）是亚像素p_ij与亚像素p_n之间欧式距离的倒数，而等式（7）是指数距离衰减模型，其中d(p_ij,p_n)是亚像素p_ij与其邻域亚像素p_n之间的距离，计算式如下（8）式所示：

（2）计算完混合像素中每个亚像素的空间吸引力之后，地物class1的吸引力存于矩阵A₁中，地物class2的吸引力存于矩阵A₂中，分别找出两矩阵的最小值以及相对应的位置。

（3）在原始混合像素中对两相应位置的地物进行交换。

基于修正遗传算法的高光谱亚像元定位方法。在H-型分辨率情况下，亚像元定位的目的就是使其空间相关性达到最大，而遗传算法可以通过其选择，交叉，变异算子（在亚像元定位中，变异是不允许的，会改变其光谱解混得到的丰度）迭代计算使高光谱图像的空间相关性达到最大，从而达到亚像元定位的目的。本专利中通过改进遗传算法中的交叉算子，使其具有更快的进化速度。

改进遗传算法中的交叉算子，具体如下：在原有的遗传算法中，交叉算子是随机交叉两染色体的基因使其达到进化的目的，如果所交叉的基因是相同的或者交叉完之后起到退化的作用，那么此次迭代运算对亚像元定位是没有贡献的，特别对于所处理的是大数据量的时候很浪费时间。所以在本专利中提出了一种修正的遗产算法：（1）交叉算子作用的一个染色体，也就是说交换一个染色体上的两个基因，使其达到进化的目的，使算法的复杂度降低。（2）修正交叉算子，使其每次迭代都向有利的方向发展。具体过程如下：通过在每次迭代交叉之前计算混合像素中每个亚像素的空间相关性（即对应遗传算法中适应度函数），并把计算所得的空间相关性分别存储在N（N是所含地物的种类数）个矩阵中，分别找出每种地物类型所含有空间相关性的最小值，再用交叉算子交换对应位置的亚像素，其空间相关性必然会增大，增加遗传算法的效率。

图2a是一幅真实的遥感图像，它包含有124×124个像素。该遥感图像覆盖着三种地物类型，分别是河流，干地和湿地，分别对应于遥感图像的黑色区域，白色区域，灰色区域。为了避免配准和软分类所带来的误差，在本实验中，我们通过直接退化高分辨率参考图像得到低分辨率源数据。假设放大因子S＝4,得到的低分辨率源数据包含有31×31个像素，如图2b所示。图2c至图2e分别是三种算法得到的结果。为了更加明显的区别三个算法，在图2a，图2c，图2d，图2e四个相同位置的区域标注方框，把方框进行放大，分别对应于图2f，图2g，图2h，图2i。很明显，本发明得到的结果要好。

表1是各算法精度对比。

表1

上述为本发明特举之实施例，并非用以限定本发明。本发明提供的基于修正遗传算法的亚像元定位同样适用于具有相同空间分布特征的遥感图像亚像元定位。在不脱离本发明的实质和范围内，可做些许的调整和优化，以本发明的保护范围以权利要求为准。

Claims

1.一种基于修正遗传算法的高光谱亚像元定位方法，其特征在于：

(1)检测亚像素p_i,j被分配为地物c时受N个邻域像素P_k的总的吸引力F_c(p_i,j)，

F_{c} (p_{i, j}) = Σ_{k = 1}^{N} F_{c} (P_{k})

(2)计算混合像素中每个亚像素p_i,j的空间吸引力SD_i,j，

{SD}_{i j} = Σ_{n = 1}^{N} X (p_{i j}, p_{n}) \times w (p_{i j}, p_{n}),

w(p_ij,p_n)表示的是亚像素p_ij与亚像素p_n之间的吸引力，有两种计算方法

w(p_ij,p_n)＝d(p_ij,p_n)^-1

w (p_{i j}, p_{n}) = \frac{1}{W} \exp (\frac{- d (p_{i j}, p_{n})}{w})

其中d(p_ij,p_n)是亚像素p_ij与其邻域亚像素p_n之间的距离，

d (p_{i j}, p_{n}) = \sqrt{{(x_{i j} - x_{n})}^{2} + {(y_{i j} - y_{n})}^{2}}

(3)地物的吸引力存于矩阵中，分别找出两矩阵的最小值以及相对应的位置，在原始混合像素中对两相应位置的地物进行交换。