CN105354849B - 一种高光谱图像端元提取方法及装置 - Google Patents
一种高光谱图像端元提取方法及装置 Download PDFInfo
- Publication number
- CN105354849B CN105354849B CN201510781702.2A CN201510781702A CN105354849B CN 105354849 B CN105354849 B CN 105354849B CN 201510781702 A CN201510781702 A CN 201510781702A CN 105354849 B CN105354849 B CN 105354849B
- Authority
- CN
- China
- Prior art keywords
- food source
- bee
- end member
- current
- gathering honey
- 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.)
- Active
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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种高光谱图像端元提取方法及装置,将高光谱图像端元提取问题中的优化变量对应人工蜂群算法中的食物源位置,每个食物源的优化由适应度函数决定,采蜜蜂的个数与可行解的个数一致。采蜜蜂对相应食物源的邻域进行一次搜索,并选择当前食物源和搜索到的新食物源中适度值大的替换当前食物源;采蜜蜂将食物源信息给跟随蜂,由跟随蜂对相应食物源的邻域进行第二次搜索,并选择当前食物源和搜索到的新食物源中适度值大的替换当前食物源,利用跟随蜂选取的食物源更新之前获得的最优解,重复上述过程,直至迭代次数达到最大迭代次数,得到端元提取结果。本发明采用人工蜂群算法以连续域为可行解空间搜索端元,可以快速高效的搜索到最优解。
Description
技术领域
本发明涉及高光谱图像技术领域,更具体的说,涉及一种高光谱图像端元提取方法及装置。
背景技术
高光谱图像是一种光谱分辨率在101数量级范围内的光谱图像。由于成像光谱仪空间分辨率的限制,使得混合像元问题在高光谱图像中广泛存在。解决混合像元问题的方法称为混合像元分解,其目的是分析出混合像元中包含哪些物质(称为端元)以及它们所占的比例(称为丰度)。
混合像元分解常用的模型为线性光谱混合模型,以线性光谱混合模型为基础的端元提取方法可以根据设计思路具体分为几何学方法、统计学方法、稀疏表示方法和融合空间信息方法等类型,其中,几何学方法最为常用。采用几何学方法时通常应用纯像元假设,即要求高光谱图像中存在纯像元。但是,在实际情况中,像元集中并不包含全部端元,即某些(甚至全部)端元在高光谱图像中没有对应的纯像元,导致部分像元点会散落在特征空间中单形体外,从而使得包含点云的最小形体和被点云包含的最大单形体都不能很好的还原真实的端元情况。而且,对于噪声较大或高度混合的数据采用纯像元假设很难得到符合要求的端元提取结果。
综上,如何提供一种高光谱图像端元的提取方法及装置以获得符合要求的端元提取结果是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本发明提供一种高光谱图像端元提取方法及装置,以解决利用纯像元假设无法获得符合要求的端元提取结果的问题。
一种高光谱图像端元提取方法,包括:
获取降维后的高光谱图像,并确定适应度函数;
初始化参数,包括,采蜜蜂数量Ne,跟随蜂数量No,最大迭代次数imax和身份转换参数K;
在可行解空间中随机产生Ne个可行解,每一个所述可行解作为一只采蜜蜂对应的食物源;
采蜜蜂在当前第一食物源的邻域内搜寻第一新食物源,利用所述适应度函数计算所述第一新食物源的适应度值,并选择所述当前第一食物源和所述第一新食物源中适应度值大的替换所述当前第一食物源;
采蜜蜂分享食物源信息给跟随蜂,跟随蜂利用所述适应度函数计算所有食物源的适应度值,并根据所述适应度值计算每个食物源对应的选择概率;
跟随蜂按照所述选择概率选择当前第二食物源,并在所述当前第二食物源的邻域内二次搜寻第二新食物源,利用所述适应度函数计算所述第二新食物源的适应度值,并选择所述当前第二食物源和所述第二新食物源中适应度值大的食物源替换所述当前第二食物源;
利用跟随蜂选取的食物源更新之前获得的最优解;
判断Ne个采蜜蜂中是否有连续K次没有更新食物源的采蜜蜂;
如果否,则从所述可行解空间随机产生No个可行解,每一个所述可行解作为一只侦查蜂发现的食物源,并将该侦查蜂转换为采蜜蜂;
如果是,则将连续K次没有更新食物源的采蜜蜂转换为侦查蜂,并继续执行所述从所述可行解空间随机产生No个可行解,每一个所述可行解作为一只侦查蜂发现的食物源,并将该侦查蜂转换为采蜜蜂;
判断当前迭代次数是否达到所述最大迭代次数imax;
如果是,则输出端元提取结果;
如果否,则返回重复执行所述采蜜蜂在当前第一食物源的邻域内搜寻第一新食物源,利用所述适应度函数计算所述第一新食物源的适应度值,并选择所述当前第一食物源和所述第一新食物源中适应度值大的替换所述当前第一食物源。
优选的,所述适应度函数的计算方法为:
式中,fiti为第i个食物源的适应度值,xi为食物源,f(x)为最优化问题的目标函数。
优选的,最优化问题的目标函数f(x)包括:
式中,μV为惩罚系数,为原高光谱图像降维后对应的低维端元,N为像元个数,j为第j个端元,i为第i个像元,E为中元素首尾相接得到的M×(M-1)维向量,即
或,
式中,μR为惩罚系数,为原高光谱图像降维后对应的低维端元,为原高
光谱图像降维得到的端元,N为像元个数,j为第j个端元,i为第i个像元,均方根差为像元,为第j个端元在第i个像元中丰度
的估计值,为第j个低维端元。
一种高光谱图像端元提取装置,包括:
获取单元,用于获取降维后的高光谱图像,并确定适应度函数;
初始化单元,用于初始化参数,包括,采蜜蜂数量Ne,跟随蜂数量No,最大迭代次数imax和身份转换参数K;
食物源选取单元,用于在可行解空间中随机产生Ne个可行解,每一个所述可行解作为一只采蜜蜂对应的食物源;
采蜜蜂执行单元,用于采蜜蜂在当前第一食物源的邻域内搜寻第一新食物源,利用所述适应度函数计算所述第一新食物源的适应度值,并选择所述当前第一食物源和所述第一新食物源中适应度值大的替换所述当前第一食物源;
概率获取单元,用于采蜜蜂分享食物源信息给跟随蜂,跟随蜂利用所述适应度函数计算所有食物源的适应度值,并根据所述适应度值计算每个食物源对应的选择概率;
跟随蜂执行单元,用于跟随蜂按照所述选择概率选择当前第二食物源,并在所述当前第二食物源的邻域内二次搜寻第二新食物源,利用所述适应度函数计算所述第二新食物源的适应度值,并选择所述当前第二食物源和所述第二新食物源中适应度值大的食物源替换所述当前第二食物源;
更新单元,用于利用跟随蜂选取的食物源更新之前获得的最优解;
第一判断单元,用于判断Ne个采蜜蜂中是否有连续K次没有更新食物源的采蜜蜂;
侦查蜂转换单元,用于在所述第一判断单元判断为否的情况下,从所述可行解空间随机产生No个可行解,每一个所述可行解作为一只侦查蜂发现的食物源,并将该侦查蜂转换为采蜜蜂;
采蜜蜂转换单元,用于在所述第一判断单元判断为是的情况下,将连续K次没有更新食物源的采蜜蜂转换为侦查蜂,并继续执行所述侦查蜂转换单元;
第二判断单元,用于判断当前迭代次数是否达到所述最大迭代次数imax;
输出单元,用于在所述第二判断单元判断为是的情况下,输出端元提取结果;
返回单元,用于在所述第二判断单元判断为否的情况下,返回重复执行所述采蜜蜂执行单元。
优选的,所述适应度函数的计算方法为:
式中,fiti为第i个食物源的适应度值,xi为食物源,f(x)为最优化问题的目标函数。
优选的,最优化问题的目标函数f(x)包括:
式中,μV为惩罚系数,为原高光谱图像降维后对应的低维端元,N为像元个数,j为第j个端元,i为第i个像元,E为中元素首尾相接得到的M×(M-1)维向量,即
或,
式中,μR为惩罚系数,为原高光谱图像降维后对应的低维端元,为原高
光谱图像降维得到的端元,N为像元个数,j为第j个端元,i为第i个像元,均方根差为像元,为第j个端元在第i个像元中丰度
的估计值,为第j个低维端元。
从上述的技术方案可以看出,本发明提供了一种高光谱图像端元提取方法及装置,将高光谱图像端元提取问题中的优化变量对应人工蜂群算法中的食物源位置,每个食物源的优化由适应度函数决定,采蜜蜂的个数与可行解的个数一致。先是采蜜蜂对相应食物源的邻域进行一次搜索,并选择当前食物源和搜索到的新食物源中适度值大的替换当前食物源;所有采蜜蜂完成搜索后,将食物源信息给跟随蜂,由跟随蜂对相应食物源的邻域进行第二次搜索,并选择当前食物源和搜索到的新食物源中适度值大的替换当前食物源,然后利用跟随蜂选取的食物源更新之前获得的最优解,重复上述过程,直至迭代次数达到最大迭代次数,得到端元提取结果。可以看出,本发明采用人工蜂群算法以连续域为可行解空间搜索端元,可以快速高效的搜索到最优解,并可避免使用纯像元假设,因此能够获得符合要求的端元提取结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种高光谱图像端元提取方法的方法流程图;
图2为本发明实施例公开的一种高光谱图像端元提取装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种高光谱图像端元提取方法及装置,以解决利用纯像元假设无法获得符合要求的端元提取结果的问题。
人工蜂群算法(Artificial Bee Colony,ABC)通过模拟自然界中蜂群的觅食行为实现最优化问题的求解。对于待求解最优化问题,可行解空间对应蜂群的搜索空间;一个可行解称为一个食物源(food scource);食物源中包含花蜜的数量称为适应度(fitness),与该食物源对应的可行解所产生的目标函数值有关,较好的可行解会产生较高的适应度,也就会吸引更多的蜜蜂来此食物源采蜜。全部蜜蜂被分为三类:采蜜蜂(employed bee)、跟随蜂(onlooker bee)和侦察蜂(scout bee)。三类蜜蜂分别按照各自的策略进行搜索、判断和类型转换。
本发明将高光谱图像端元提取问题中的优化变量对应人工蜂群算法中的食物源位置,每个食物源的优化由适应度函数决定,采蜜蜂的个数与可行解的个数一致。高光谱图像端元提取过程具体如下:
参见图1,本发明实施例公开的一种高光谱图像端元提取方法的方法流程图,包括步骤:
步骤S11、获取降维后的高光谱图像,并确定适应度函数;
假设包含N个像元的L波段高光谱图像中,每个像元ri∈RL均由M个端元混合而成;
对高光谱图像进行降维,得到降维后的高光谱图像其中,
步骤S12、初始化参数,包括,采蜜蜂数量Ne,跟随蜂数量No,最大迭代次数imax和身份转换参数K;
需要说明的是,初始化参数的数值具体依据实际需要而定,本发明在此不做限定。
步骤S13、在可行解空间中随机产生Ne个可行解,每一个所述可行解作为一只采蜜蜂对应的食物源;
其中,可行解具体为xi为第i个食物源。
步骤S14、采蜜蜂通过搜寻邻域食物源,获得更优食物源;
具体的,采蜜蜂在当前第一食物源的邻域内搜寻第一新食物源,利用所述适应度函数计算所述第一新食物源的适应度值,并选择所述当前第一食物源和所述第一新食物源中适应度值大的替换所述当前第一食物源。
也就是说,每个采蜜蜂对应一个食物源(及其适应度),采蜜蜂可以在该食物源的邻域内进行局部搜索并发现新的食物源,若新的食物源的适应度优于原食物源,则将其对应关系更新为新的食物源(及其适应度),否则放弃新食物源并继续在原食物源的邻域内搜索。
若表示第i个食物源,也就是第i个采蜜蜂的位置,则邻域局部搜索采用公式(1)得到,公式(1)具体如下:
x′ij=xij+φ(xij-xkj) (1),
式中,k是随机选择的不同于i的另一个食物源,j是从{1,2,…,M×(M-1)}中随机选择的一个整数,φ∈(0,1)为随机步长。
步骤S15、采蜜蜂分享食物源信息给跟随蜂,跟随蜂利用所述适应度函数计算所有食物源的适应度值,并根据所述适应度值计算每个食物源对应的选择概率;
其中,跟随蜂挑选第j个食物源的“跟随概率pj”由公式(2)得到,公式(2)具体如下:
式中,fiti表示第i个食物源的适应度,Ne表示食物源的总数量,也就是采蜜蜂的总数量。
步骤S16、跟随蜂通过第二次搜寻邻域食物源,获得更优食物源;
具体的,跟随蜂按照所述选择概率选择当前第二食物源,并在所述当前第二食物源的邻域内二次搜寻第二新食物源,利用所述适应度函数计算所述第二新食物源的适应度值,并选择所述当前第二食物源和所述第二新食物源中适应度值大的食物源替换所述当前第二食物源。
也就是说,每个跟随蜂会根据采蜜蜂获得的所有食物源的适应度,按照一定概率挑选一个食物源(等同于采蜜蜂)并在该食物源的邻域内进行局部搜索,如果发现的新食物源的适应度优于原食物源,则将采蜜蜂对应的食物源更新为新的食物源,否则放弃新食物源。
步骤S17、利用跟随蜂选取的食物源更新之前获得的最优解;
步骤S18、判断Ne个采蜜蜂中是否有连续K次没有更新食物源的采蜜蜂,如果否,则执行步骤S19,否则,执行步骤S20;
步骤S19、从所述可行解空间随机产生No个可行解,每一个所述可行解作为一只侦查蜂发现的食物源,并将该侦查蜂转换为采蜜蜂;
步骤S20、将连续K次没有更新食物源的采蜜蜂转换为侦查蜂,并继续执行步骤S19;
需要说明的是,当采蜜蜂在其对应的食物源邻域内长期搜索不到较当前食物源更优的解时,会放弃该食物源并转换为侦察蜂。侦察蜂在可行解空间中随机寻找一个食物源,计算适应度并重新转换为采蜜蜂。
步骤S21、判断当前迭代次数是否达到所述最大迭代次数imax,如果是,执行步骤S22,否则,返回重复执行步骤S14;
步骤S22、输出端元提取结果。
需要说明的是,在搜索过程中,所有食物源(包括被放弃的)中最优者将被记住,若此食物源长期不被更新,则可认为这个最优的食物源即为最优化问题的最优解。
综上可以看出,本发明提供的高光谱图像端元提取方法,将高光谱图像端元提取问题中的优化变量对应人工蜂群算法中的食物源位置,每个食物源的优化由适应度函数决定,采蜜蜂的个数与可行解的个数一致。先是采蜜蜂对相应食物源的邻域进行一次搜索,并选择当前食物源和搜索到的新食物源中适度值大的替换当前食物源;所有采蜜蜂完成搜索后,将食物源信息给跟随蜂,由跟随蜂对相应食物源的邻域进行第二次搜索,并选择当前食物源和搜索到的新食物源中适度值大的替换当前食物源,然后利用跟随蜂选取的食物源更新之前获得的最优解,重复上述过程,直至迭代次数达到最大迭代次数,得到端元提取结果。可以看出,本发明采用人工蜂群算法以连续域为可行解空间搜索端元,可以快速高效的搜索到最优解,并可避免使用纯像元假设,因此能够获得符合要求的端元提取结果。
其中,上述实施例中,适应度函数由公式(3)得到,公式(3)具体如下:
式中,fiti为第i个食物源的适应度值,xi为食物源,f(x)为最优化问题的目标函数。
需要说明的是,最优化问题的目标函数即端元提取的最优化模型。
本发明以外部最小体积模型为基础,通过允许少量像元点分布在单形体外的方式增强模型的鲁棒性,使得依此模型提取的端元与真实端元更加接近。
判断像元点是否分布在内,可以依据“和为1”最小二乘法反演得到丰度估计值
若像元标示性函数σi为公式(4),
则端元提取可描述成公式(5)所示的最优化模型,公式(5)具体如下:
式中,μV为惩罚系数,为原高光谱图像降维后对应的低维端元,N为像元个数,j为第j个端元,i为第i个像元,E为中元素首尾相接得到的M×(M-1)维向量,即
另外,均方根误差RMSE是评价混合像元分解精度的重要指标,本发明将其定义为公式(6),公式(6)具体如下:
式中,为“全约束”最小二乘法结果。
根据“全约束”最小二乘法的原理,分布在的像元点越多,则RMSE越小,因此,可以用RMSE间接调节内外像元点的数量。
那么,则端元提取可描述成公式(7)所示的最优化模型,公式(7)具体如下:
式中,μR为惩罚系数,为原高光谱图像降维后对应的低维端元,为原高
光谱图像降维得到的端元,N为像元个数,j为第j个端元,i为第i个像元,均方根差为像元,为第j个端元在第i个像元中丰度
的估计值,为第j个低维端元。
其中,μR用来调节对整体目标函数的影响。
需要说明的是,如果进行端元提取的目的是探索地物类型,则公式(3)中的最优化问题的目标函数f(x)选用公式(5);如果进行端元提取的目的是数据压缩并尽可能保留信息,则公式(3)中的最优化问题的目标函数f(x)选用公式(7)。
需要说明的是,步骤S12中,初始化参数还包括:端元数量M和惩罚系数μV(或μR)。
本领域技术人员可以理解的是,本发明采用人工蜂群算法进行高光谱图像端元提取较现有技术而言,具有如下优点:
1、能够在连续域中搜索最优解。
人工蜂群算法在连续域优化方面相对于其他群智能算法更具优势,以连续域为可行解空间搜索端元,可以避免使用纯像元假设。
对于高光谱图像中没有纯像元的情况,本发明仍然适用。
2、能够灵活设计目标函数。
人工蜂群算法对可行解空间是否为凸集、目标函数是否为凸函数均没有特别的要求,通过求解公式(5)和(7)的目标函数,可以使端元提取算法具有更强的鲁棒性。
对于信噪比较低的情况,本发明仍然适用。
与上述方法实施例相对应,本发明还提供了一种高光谱图像端元提取装置。
参见图2,本发明实施例公开的一种高光谱图像端元提取装置的结构示意图,包括:
获取单元21,用于获取降维后的高光谱图像,并确定适应度函数;
假设包含N个像元的L波段高光谱图像中,每个像元ri∈RL均由M个端元混合而成;
对高光谱图像进行降维,得到降维后的高光谱图像其中,
初始化单元22,用于初始化参数,包括,采蜜蜂数量Ne,跟随蜂数量No,最大迭代次数imax、和身份转换参数K;
需要说明的是,初始化参数的数值具体依据实际需要而定,本发明在此不做限定。
食物源选取单元23,用于在可行解空间中随机产生Ne个可行解,每一个所述可行解作为一只采蜜蜂对应的食物源;
采蜜蜂执行单元24,用于采蜜蜂在当前第一食物源的邻域内搜寻第一新食物源,利用所述适应度函数计算所述第一新食物源的适应度值,并选择所述当前第一食物源和所述第一新食物源中适应度值大的替换所述当前第一食物源;
也就是说,每个采蜜蜂对应一个食物源(及其适应度),采蜜蜂可以在该食物源的邻域内进行局部搜索并发现新的食物源,若新的食物源的适应度优于原食物源,则将其对应关系更新为新的食物源(及其适应度),否则放弃新食物源并继续在原食物源的邻域内搜索。
若表示第i个食物源,也就是第i个采蜜蜂的位置,则邻域局部搜索采用公式(1)得到,公式(1)具体如下:
x′ij=xij+φ(xij-xkj) (1),
式中,k是随机选择的不同于i的另一个食物源,j是从{1,2,…,M×(M-1)}中随机选择的一个整数,φ∈(0,1)为随机步长。
概率获取单元25,用于采蜜蜂分享食物源信息给跟随蜂,跟随蜂利用所述适应度函数计算所有食物源的适应度值,并根据所述适应度值计算每个食物源对应的选择概率;
其中,跟随蜂挑选第j个食物源的“跟随概率pj”由公式(2)得到,公式(2)具体如下:
式中,fiti表示第i个食物源的适应度,Ne表示食物源的总数量,也就是采蜜蜂的总数量。
跟随蜂执行单元26,用于跟随蜂按照所述选择概率选择当前第二食物源,并在所述当前第二食物源的邻域内二次搜寻第二新食物源,利用所述适应度函数计算所述第二新食物源的适应度值,并选择所述当前第二食物源和所述第二新食物源中适应度值大的食物源替换所述当前第二食物源;
也就是说,每个跟随蜂会根据采蜜蜂获得的所有食物源的适应度,按照一定概率挑选一个食物源(等同于采蜜蜂)并在该食物源的邻域内进行局部搜索,如果发现的新食物源的适应度优于原食物源,则将采蜜蜂对应的食物源更新为新的食物源,否则放弃新食物源。
更新单元27,用于利用跟随蜂选取的食物源更新之前获得的最优解;
第一判断单元28,用于判断Ne个采蜜蜂中是否有连续K次没有更新食物源的采蜜蜂,如果否,则执行侦查蜂转换单元29,如果是,则执行采蜜蜂转换单元30;
侦查蜂转换单元29,用于在第一判断单元28判断为否的情况下,从所述可行解空间随机产生No个可行解,每一个所述可行解作为一只侦查蜂发现的食物源,并将该侦查蜂转换为采蜜蜂;
采蜜蜂转换单元30,用于在第一判断单元28判断为是的情况下,将连续K次没有更新食物源的采蜜蜂转换为侦查蜂,并继续执行侦查蜂转换单元29;
需要说明的是,当采蜜蜂在其对应的食物源邻域内长期搜索不到较当前食物源更优的解时,会放弃该食物源并转换为侦察蜂。侦察蜂在可行解空间中随机寻找一个食物源、计算适应度并重新转换为采蜜蜂。
第二判断单元31,用于判断当前迭代次数是否达到所述最大迭代次数imax,如果是,则执行输出单元32,否则,执行返回单元33;
输出单元32,用于在第二判断单元31判断为是的情况下,输出端元提取结果;
返回单元33,用于在第二判断单元32判断为否的情况下,返回重复执行采蜜蜂执行单元24。
需要说明的是,在搜索过程中,所有食物源(包括被放弃的)中最优者将被记住,若此食物源长期不被更新,则可认为这个最优的食物源即为最优化问题的最优解。
综上可以看出,本发明提供的高光谱图像端元提取装置,将高光谱图像端元提取问题中的优化变量对应人工蜂群算法中的食物源位置,每个食物源的优化由适应度函数决定,采蜜蜂的个数与可行解的个数一致。先是采蜜蜂对相应食物源的邻域进行一次搜索,并选择当前食物源和搜索到的新食物源中适度值大的替换当前食物源;所有采蜜蜂完成搜索后,将食物源信息给跟随蜂,由跟随蜂对相应食物源的邻域进行第二次搜索,并选择当前食物源和搜索到的新食物源中适度值大的替换当前食物源,然后利用跟随蜂选取的食物源更新之前获得的最优解,重复上述过程,直至迭代次数达到最大迭代次数,得到端元提取结果。可以看出,本发明采用人工蜂群算法以连续域为可行解空间搜索端元,可以快速高效的搜索到最优解,并可避免使用纯像元假设,因此能够获得符合要求的端元提取结果。
其中,上述实施例中,适应度函数由公式(3)得到,公式(3)具体如下:
式中,fiti为第i个食物源的适应度值,xi为食物源,f(x)为最优化问题的目标函数。
需要说明的是,最优化问题的目标函数即端元提取的最优化模型。
如果进行端元提取的目的是探索地物类型,则公式(3)中的最优化问题的目标函数f(x)选用公式(5);如果进行端元提取的目的是数据压缩并尽可能保留信息,则公式(3)中的最优化问题的目标函数f(x)选用公式(7)。
需要说明的是初始化参数还包括:端元数量M和惩罚系数μV(或μR)。
本领域技术人员可以理解的是,本发明采用人工蜂群算法进行高光谱图像端元提取较现有技术而言,具有如下优点:
1、能够在连续域中搜索最优解。
人工蜂群算法在连续域优化方面相对于其他群智能算法更具优势,以连续域为可行解空间搜索端元,可以避免使用纯像元假设。
对于高光谱图像中没有纯像元的情况,本发明仍然适用。
2、能够灵活设计目标函数。
人工蜂群算法对可行解空间是否为凸集、目标函数是否为凸函数均没有特别的要求,通过求解公式(5)和(7)的目标函数,可以使端元提取算法具有更强的鲁棒性。
对于信噪比较低的情况,本发明仍然适用。
其中,目标函数包括公式(5)和公式(7)的具体推导过程请参见方法实施例对应部分。
需要说明的是,装置实施例中各组成部分的工作原理请参见对应方法实施例部分,此处不再赘述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (2)
1.一种高光谱图像端元提取方法,其特征在于,包括:
获取降维后的高光谱图像,并确定适应度函数;
初始化参数,包括,采蜜蜂数量Ne,跟随蜂数量No,最大迭代次数imax和身份转换参数K;
在可行解空间中随机产生Ne个可行解,每一个所述可行解作为一只采蜜蜂对应的食物源;
采蜜蜂在当前第一食物源的邻域内搜寻第一新食物源,利用所述适应度函数计算所述第一新食物源的适应度值,并选择所述当前第一食物源和所述第一新食物源中适应度值大的替换所述当前第一食物源;
采蜜蜂分享食物源信息给跟随蜂,跟随蜂利用所述适应度函数计算所有食物源的适应度值,并根据所述适应度值计算每个食物源对应的选择概率;
跟随蜂按照所述选择概率选择当前第二食物源,并在所述当前第二食物源的邻域内二次搜寻第二新食物源,利用所述适应度函数计算所述第二新食物源的适应度值,并选择所述当前第二食物源和所述第二新食物源中适应度值大的食物源替换所述当前第二食物源;
利用跟随蜂替换后的当前第二食物源更新采蜜蜂替换后的当前第一食物源;
判断Ne个采蜜蜂中是否有连续K次没有更新食物源的采蜜蜂;
如果否,则从所述可行解空间随机产生No个可行解,每一个所述可行解作为一只侦查蜂发现的食物源,并将该侦查蜂转换为采蜜蜂;
如果是,则将连续K次没有更新食物源的采蜜蜂转换为侦查蜂,并继续执行所述从所述可行解空间随机产生No个可行解,每一个所述可行解作为一只侦查蜂发现的食物源,并将该侦查蜂转换为采蜜蜂;
判断当前迭代次数是否达到所述最大迭代次数imax;
如果是,则输出端元提取结果;
如果否,则返回重复执行所述采蜜蜂在当前第一食物源的邻域内搜寻第一新食物源,利用所述适应度函数计算所述第一新食物源的适应度值,并选择所述当前第一食物源和所述第一新食物源中适应度值大的替换所述当前第一食物源;
其中,所述适应度函数的计算方法为:
式中,fiti为第i个食物源的适应度值,xi为食物源,f(x)为最优化问题的目标函数;
当进行端元提取的目的为探索地物类型时,最优化问题的目标函数f(x)包括:
式中,μV为惩罚系数,为原高光谱图像降维后对应的低维端元,M为端元数量,为由M行M-1列的正实数构成的矩阵集合,为常规数学符号,σi为标示性函数,为降维后的低维端元构成的单形体体积,N为像元个数,j为第j个端元,i为第i个像元,E为中元素首尾相接得到的M×(M-1)维向量,即
当进行端元提取的目的是数据压缩并保留信息时,最优化问题的目标函数f(x)包括:
式中,μR为惩罚系数,为原高光谱图像降维后对应的低维端元,为原高光谱图像降维得到的端元,M为端元数量,为由M行M-1列的正实数构成的矩阵集合,为常规数学符号,为降维后的低维端元构成的单形体体积,N为像元个数,j为第j个端元,i为第i个像元,均方根差 为像元,为第j个端元在第i个像元中丰度的估计值,为第j个低维端元。
2.一种高光谱图像端元提取装置,其特征在于,包括:
获取单元,用于获取降维后的高光谱图像,并确定适应度函数;
初始化单元,用于初始化参数,包括,采蜜蜂数量Ne,跟随蜂数量No,最大迭代次数imax和身份转换参数K;
食物源选取单元,用于在可行解空间中随机产生Ne个可行解,每一个所述可行解作为一只采蜜蜂对应的食物源;
采蜜蜂执行单元,用于采蜜蜂在当前第一食物源的邻域内搜寻第一新食物源,利用所述适应度函数计算所述第一新食物源的适应度值,并选择所述当前第一食物源和所述第一新食物源中适应度值大的替换所述当前第一食物源;
概率获取单元,用于采蜜蜂分享食物源信息给跟随蜂,跟随蜂利用所述适应度函数计算所有食物源的适应度值,并根据所述适应度值计算每个食物源对应的选择概率;
跟随蜂执行单元,用于跟随蜂按照所述选择概率选择当前第二食物源,并在所述当前第二食物源的邻域内二次搜寻第二新食物源,利用所述适应度函数计算所述第二新食物源的适应度值,并选择所述当前第二食物源和所述第二新食物源中适应度值大的食物源替换所述当前第二食物源;
更新单元,用于利用跟随蜂替换后的当前第二食物源更新采蜜蜂替换后的当前第一食物源;
第一判断单元,用于判断Ne个采蜜蜂中是否有连续K次没有更新食物源的采蜜蜂;
侦查蜂转换单元,用于在所述第一判断单元判断为否的情况下,从所述可行解空间随机产生No个可行解,每一个所述可行解作为一只侦查蜂发现的食物源,并将该侦查蜂转换为采蜜蜂;
采蜜蜂转换单元,用于在所述第一判断单元判断为是的情况下,将连续K次没有更新食物源的采蜜蜂转换为侦查蜂,并继续执行所述侦查蜂转换单元;
第二判断单元,用于判断当前迭代次数是否达到所述最大迭代次数imax;
输出单元,用于在所述第二判断单元判断为是的情况下,输出端元提取结果;
返回单元,用于在所述第二判断单元判断为否的情况下,返回重复执行所述采蜜蜂执行单元;
其中,所述适应度函数的计算方法为:
式中,fiti为第i个食物源的适应度值,xi为食物源,f(x)为最优化问题的目标函数;
当进行端元提取的目的为探索地物类型时,最优化问题的目标函数f(x)包括:
式中,μV为惩罚系数,为原高光谱图像降维后对应的低维端元,M为端元数量,为由M行M-1列的正实数构成的矩阵集合,为常规数学符号,σi为标示性函数,为降维后的低维端元构成的单形体体积,N为像元个数,j为第j个端元,i为第i个像元,E为中元素首尾相接得到的M×(M-1)维向量,即
当进行端元提取的目的是数据压缩并保留信息时,最优化问题的目标函数f(x)包括:
式中,μR为惩罚系数,为原高光谱图像降维后对应的低维端元,为原高光谱图像降维得到的端元,M为端元数量,为由M行M-1列的正实数构成的矩阵集合,为常规数学符号,为降维后的低维端元构成的单形体体积,N为像元个数,j为第j个端元,i为第i个像元,均方根差 为像元,为第j个端元在第i个像元中丰度的估计值,为第j个低维端元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510781702.2A CN105354849B (zh) | 2015-11-13 | 2015-11-13 | 一种高光谱图像端元提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510781702.2A CN105354849B (zh) | 2015-11-13 | 2015-11-13 | 一种高光谱图像端元提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105354849A CN105354849A (zh) | 2016-02-24 |
CN105354849B true CN105354849B (zh) | 2018-10-12 |
Family
ID=55330816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510781702.2A Active CN105354849B (zh) | 2015-11-13 | 2015-11-13 | 一种高光谱图像端元提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105354849B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844620B (zh) * | 2016-03-18 | 2018-06-19 | 武汉大学 | 一种基于量子粒子群的高光谱遥感影像端元提取方法 |
CN105976357B (zh) * | 2016-04-26 | 2019-05-03 | 中国科学院遥感与数字地球研究所 | 一种高光谱图像端元提取方法及系统 |
CN108985154B (zh) * | 2018-06-06 | 2020-10-27 | 中国农业科学院农业资源与农业区划研究所 | 基于影像聚集度的小尺寸地物亚像元定位方法和系统 |
CN109299691B (zh) * | 2018-09-25 | 2022-02-18 | 路庄 | 一种失火发生情况分析方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101030299A (zh) * | 2007-03-29 | 2007-09-05 | 复旦大学 | 一种基于数据空间正交基的遥感图像混合像元分解方法 |
CN101540049A (zh) * | 2009-04-29 | 2009-09-23 | 北京师范大学 | 一种高光谱图像的端元提取方法 |
CN101853506A (zh) * | 2010-05-27 | 2010-10-06 | 西北工业大学 | 一种基于优化搜索策略的高光谱图像端元提取方法 |
CN103208118A (zh) * | 2013-03-25 | 2013-07-17 | 河海大学 | 一种高光谱遥感影像端元提取方法 |
-
2015
- 2015-11-13 CN CN201510781702.2A patent/CN105354849B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101030299A (zh) * | 2007-03-29 | 2007-09-05 | 复旦大学 | 一种基于数据空间正交基的遥感图像混合像元分解方法 |
CN101540049A (zh) * | 2009-04-29 | 2009-09-23 | 北京师范大学 | 一种高光谱图像的端元提取方法 |
CN101853506A (zh) * | 2010-05-27 | 2010-10-06 | 西北工业大学 | 一种基于优化搜索策略的高光谱图像端元提取方法 |
CN103208118A (zh) * | 2013-03-25 | 2013-07-17 | 河海大学 | 一种高光谱遥感影像端元提取方法 |
Non-Patent Citations (2)
Title |
---|
An Agent-Based Artificial Bee Colony (ABC) Algorithm for Hyperspectral Image Endmember Extraction in Parallel;Lina Yang et al;《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;20151031;第8卷(第10期);正文第Ⅱ部分 * |
人工蜂群算法研究综述;秦全德 等;《智能系统学报》;20140430;第9卷(第2期);正文第1.2、1.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN105354849A (zh) | 2016-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Suresh et al. | An efficient cuckoo search algorithm based multilevel thresholding for segmentation of satellite images using different objective functions | |
Teluguntla et al. | A 30-m landsat-derived cropland extent product of Australia and China using random forest machine learning algorithm on Google Earth Engine cloud computing platform | |
CN105354849B (zh) | 一种高光谱图像端元提取方法及装置 | |
Hadfield et al. | A tale of two phylogenies: comparative analyses of ecological interactions | |
CN107358293B (zh) | 一种神经网络训练方法及装置 | |
Canard et al. | Empirical evaluation of neutral interactions in host-parasite networks | |
Engelhard et al. | Prioritising seascape connectivity in conservation using network analysis | |
Beger et al. | Demystifying ecological connectivity for actionable spatial conservation planning | |
Mertens et al. | Using genetic algorithms in sub-pixel mapping | |
Escalante et al. | Barley yield and fertilization analysis from UAV imagery: a deep learning approach | |
Bencherif et al. | Fusion of extreme learning machine and graph-based optimization methods for active classification of remote sensing images | |
CN108319957A (zh) | 一种基于超点图的大规模点云语义分割方法 | |
CN107968962A (zh) | 一种基于深度学习的两帧不相邻图像的视频生成方法 | |
Bejinariu et al. | Nature-inspired algorithms based multispectral image fusion | |
Leroux et al. | Structural uncertainty in models projecting the consequences of habitat loss and fragmentation on biodiversity | |
Friedman et al. | Divergent processes drive parallel evolution in marine and freshwater fishes | |
Stefanovič et al. | Influence of learning rates and neighboring functions on self-organizing maps | |
CN105976357B (zh) | 一种高光谱图像端元提取方法及系统 | |
Shi et al. | A hyperspectral band selection based on game theory and differential evolution algorithm | |
Gianini | Statistical aspects of space sampling in retinex models | |
JP6059686B2 (ja) | 画像分類前処理装置、画像分類装置、画像分類前処理方法、画像分類方法及びプログラム | |
Mallik et al. | Scientometric analysis of research advancement in graph theory and its applications | |
Ge et al. | MPS-based information extraction method for remotely sensed imagery: a comparison of fusion methods | |
Gusnanto et al. | Sparse alternatives to ridge regression: a random effects approach | |
Ghasabeh et al. | Community detection in social networks using a hybrid swarm intelligence approach |
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 |