CN1360279A - 高谱图象分析及像素频谱分解方法 - Google Patents

Abstract

一种有效的混合方法来分析高谱图象及分解频谱像素。该混合方法利用遗传算法求解高谱图象立方体的第一像素点的含量矢量。该含量矢量在卡尔曼滤波器中用作为初始状态值来得出下一个像素点的含量估计。鲁棒滤波器的输出再被反馈给遗传算法来导出当前像素点的准确含量估计。在得到准确含量估计后,该方法移到下一像素点。该递推过程一直进行到高谱图象立方体中的最后一个像素点。

Description

高谱图象分析及像素频谱分解方法

本发明涉及一种高谱图象分析及像素频谱分解方法。

高谱数据这个术语有其模糊性。所有高谱数据的共同特征是含有大量特定及窄光谱频段。每个高谱图象的确切频段数差别很大。位于可见光波长范围内的单一波段可在1纳米到几百纳米范围内变化。位于红外热源波长范围内的波段范围可能超过可见光波长范围内的波段。当然，高谱数据是极其有用的，因为利用高谱数据及观测到的物体的极特别特征很容易识别该物体。物体的这些极特别特征涉及到非常窄的频谱波段。这种检测与识别不易用传统方法实现。

与高谱数据相关的缺点是要求处理庞大信息量的能力。特定的元素，物体或目标，或成分，都拥有其特定的频谱特征。鉴别一个特定的频谱特征即可鉴别相对应的元素。现有处理高谱数据的方法包括模式匹配技术。这些技术都依赖模型及最小二乘算法来识别与隔离高谱数据内的元素。这些模式匹配技术因其缺乏鲁棒性而受到限制。其结果也因在时间与空间上的变化而显著下降。它们也不能根据一个组合频谱特征来识别其元素的成分，且计算量庞大。其结果也因传感器及大气变化而显著下降。传统方法也不能处理非线性。当增加在高谱数据中检测的元素数据库时，这些方法效果也不佳。

进化计算技术(EC)非常适合于非线性优化。进化计算技术是近期发展的高级计算领域中进一步发展的结果。高级计算领域包括遗传算法，遗传规划，人工神经网络，及人工生命。这些技术很适合移植到高谱数据及模式匹配。除了匹配数据库内的频谱特征与从高谱图象提取的频谱特征之外，这些进化计算技术也从递推搜寻过程中产生一些特别的方法，这些方法可用于分析高谱数据。这些技术具有“学习”能力。进化算法的原始依据是虚拟物体环境，每个物体都表示用于分析一组数据特定方面的方法。进化算法的描述参考图1。

达尔文关于遗传与进化过程中的“适者生存”的思想是进化算法方法用于优化任务的基石。从解决一特定问题的所有可能方法的集合出发，新一代独特且预期更好(或更适合)的方法将从其父代或原方法的随意配对中产生。一旦父代方法被选出并配对后，它们将相互交换部分各自的方法。方法或染色体的交换称为交配或繁殖。两个单独的原方法从繁殖过程中产生，且父代方法将不再存在。只有其下一代从交配过程生存下来。下一代方法一定能分析其父代能处理的同一方面的数据。变异可能随机出现在每个后续代中以引入必要的多样性。

每个后续代的子方法将进行其处理能力的测试。用户设置一定指标对子方法进行评定。每一代的方法都得到一个分数。依据用户的指标，这些分数用于指出在分析数据中每个方法的适应度，或适合度。低适合度的方法不许配对及繁衍后代，这样它们逐渐灭亡，不再存活。那些具有高适合度分数的方法将允许配对及交配，因而，它们将繁衍自己并延续其种族。这种适者生存进化方法延续特定的，用户选定的代数。这导致分析特定数据集合的优化方法快速收敛。诸如频谱分解，目标检测与识别这类任务极适合这类进化方法。因此，作为以上论述的延续，高谱数据是进化计算技术的一个理想应用对象。

在经历所有允许的代数后，在过程结束时，根据用户指标评判得到的具有最好适合度分数的方法也就是分析给定数据集合的最优方法。一般说来，进化算法给出比传统方法好得多的结果，因为搜索过程具有很多的选择性。进化算法同时在整个候选方法集合中搜寻。进化算法没有任何困难进行多约束的复杂优化任务。对非线性也没有过多的限制什么问题。非线性常常体现在与高谱图象数据相关的大气与传感器约束条件上。与适应度评定相关联的指标函数也反映了这些非线性与约束条件。

图2反映了进化计算技术在高谱数据中的应用。该应用包括一项处理与频谱波长相关的单个像素特征的可靠技术。进化算法技术包括特征预处理以及基于高谱图象数据的模型约束的非参数搜寻。

当应用进化计算技术时，高谱图象的每个像素需要进行成千上万次的递推运算。这个要求导致非常慢的计算过程。一个适当大小的高谱图象需要几百万次的递推运算。因此，需要一个对高谱图象分析和精确分解的快速处理方法。

因此，为达到上述目的，本发明提供一种混合方法，该方法利用鲁棒滤波技术来进行快速高谱图象的像素分解，并利用遗传算法来细化鲁棒滤波器的含量估计。

本发明的另一目标是提供一种混合方法，当鲁棒滤波器的估计误差大于预设时，该方法利用鲁棒滤波技术来进行快速高谱图象的像素分解，并利用遗传算法来得到准确含量估计。

本发明的另一目标是提供一种混合方法，该方法利用鲁棒卡尔曼滤波器来进行快速高谱图象的像素分解，并利用遗传算法来细化鲁棒滤波器的含量估计。

本发明的另一目标是提供一种混合方法，当鲁棒滤波器的估计误差大于预设时，该方法利用鲁棒卡尔曼滤波器来进行快速高谱图象的像素分解，并利用遗传算法来得到准确含量估计。

本发明提供一种有效的混合方法来分析高谱图象及分解频谱像素。该混合方法利用遗传算法求解高谱图象立方体的第一像素点的含量矢量。该含量矢量用作卡尔曼滤波器的初始值，利用卡尔曼滤波器，像素点的含量估计可在卡尔曼滤波过程中得到，且卡尔曼滤波比遗传算法快得多。

卡尔曼滤波器的输出再提供给遗传算法来得出当前像素点的准确含量估计。卡尔曼滤波器的解作为遗传算法的起始点将加快遗传算法的进化。在得到准确含量估计后，移到下一像素点，并利用遗传算法的输出作为前一个状态估计，利用卡尔曼滤波器得出当前点的含量估计。再基于卡尔曼解利用遗传算法得出准确含量估计。依此类推，该递推过程一直进行到高谱图象立方体中的最后一介像素点。

卡尔曼滤波器的思想是相对有效的。第一，假定一个可由其状态矢量x(k)描述的系统。在应用高谱图象分析中，状态矢量即是目标成员含量矢量。状态矢量不能直接观测，但可以得到受噪音污染的观测数据z(k)。该观测数据，即像素点的测量值，通过下列测量方程与系统状态相关联：

                        z(k)＝h(x(k))+v(k)

用索引值k来替代(x，y)以表示在k位置的像素点。在以上方程中，v(k)表示方差为R(k)的测量噪音，h(x)表示矢量函数。该函数描述像素点测量值与含量矢量间的关系。

假定有c种材料和n个频谱波段或通道。通常假定n大于或等于c以满足可辨识性。根据高谱图象的线性模型，h(x)由一个n×c矩阵表示。这样就得到一个线性测量方程：

                           z(k)＝Sx(k)+v(k)

卡尔曼滤波是一个最小均方估计器，且有两个明显特征。第一特征是卡尔曼滤波是基于状态空间概念。该特征允许卡尔曼滤波将系统作为一个整体来处理，而不是当作一组单个的元件。第二个特征是卡尔曼滤波为递推形式。状态估计的更新是根据当前估计和当前输入数据来计算。这个特性使卡尔曼滤波比在滤波过程中的每一步都要整个过去的输入数据来计算估计值要有效的多。

用卡尔曼滤波来分解高谱图象的优点包括：(1)利用相邻像素点间的含量矢量关系来准确估计包含在一个像素点里的材料百分比；(2)仅用一次卡尔曼递推处理一个像素点，这样导致高效地分析高谱图象。

在许多信息提取应用中，根据物理定律，不能由传感器直接测量的内部动态系统状态的传递关系通常用一个非线性连续时间微分方程描述：

x(t)＝f(x(t)+w(t)

其中，x(t)为状态矢量，f(x)为描述系统动力学的非线性矢量函数，w(t)是协方差矩阵为Q(t)的系统噪音。

为对高谱图象分解进行卡尔曼滤波，需要一个状态方程。这个方程必须把当前像素的点的含量矢量x(k)与上一个像素点的含量矢量x(k-1)关联起来。根据前一个方程，这个关系描述如下：

x(K+1)＝Φ(k+1，K)×(k)+w(k)

其中，Φ(k+1，k)是c×c状态转移矩阵，并将在像素点k的系统状态与在像素点k+1的系统状态关联起来。

图1是一个方块图，描述进化计算的方法。

图2是一个方块图，描述进化计算方法用于高谱图象的频谱分解方法。

图3是一个功能方块图，描述该混合方法的优选实施例，依据本发明，该混合方法用于高谱图象分析与像素分解。

图4是一个功能方块图，描述该混合方法的第二优选实施例，依据本发明，该混合方法用于高谱图象分析与像素分解。

图5是一个功能方块图，描述利用鲁棒卡尔量滤波器来进行超级频谱图象像素分解的实施例。

图6是一个功能方块图，描述模糊逻辑模块的实施例。

图7是一个功能方块图，描述于高谱图象像素分解的遗传算法实施例。

参考图3，本发明的高谱图象分解的混合方法由以下步骤构成：

(a)从高谱图象传感器10接收一个高谱图象立方体。该高谱图象立方体以波长及空间位置(x，y)表示一个场景。

(b)在图象登记模块20中，逐个波段登记图象数据。登记操作是“使一个波段的图象转换到另一个波段图象”而不必涉及地图坐标系变换。

这个步骤保证对应在一个波段图象中的一个像素点的物理位置与在另一个波段图象中的像素点的物理位置一致。

(c)发送登记后的高谱图象立方体到大气补偿模块30，在大气补偿模块30内补偿大气效应。

在这一步中，大气校正可用上市软件FLAASH(频谱超级立方体的快速视线大气分析)来完成。FLAASH是一个基于MODTRAN的“大气校正”软件包，由Hanscom空军基地的Air Force Phillips Laboratory与Spectral Sciences，Inc.开发。该软件支持当前和规划的红外线--可见光--紫外线高谱及多频谱传感器。该软件提供了地表及大气特性(诸如，地表反照率，地表高度，水蒸汽，浮质与云层的光学深度，地表与温度)的准确物理学推导。

(d)接收来自频谱库50的感光趣材料的频谱特征，并在特征预处理模块40预处理这些特征。

频谱库是一个已知材料与物体的数据库，并提供其特征。这些从实验室得到的特征是对应单个材料相对波长的反射率。

来自频谱库的特征在特征预处理模块40中进行正交归一化处理。该过程将特征空间分解成一组正交矢量集合。它们是已知材料或物体的线性组合。

(e)第一像素点含量估计模块90接收来自特征预处理模块40的正交特征以及来自大气补偿模块30的第一像素点测量数据，并计算第一像素点的含量矢量。

第一像素点的含量估计将被用作鲁棒滤波器60的初始值。除第一像素点以外的像素点，第一像素点含量估计模块90则绕过来自大气补偿模块30的测量数据。

有不同的算法可用于估计第一像素点的含量矢量。可先用的算法包括最小二乘(LS)估计器，最大似然法(ML)，及进化算法(EA)。

(f)鲁棒滤波器接收来自特征预处理模块40的正交特征，来自大气补偿模块30的当前像素点测量数据，以及来自第一像素点的含量矢量估计模块90的含量估计，并利用卡尔曼滤波技术进行当前像素点的频谱分解。鲁棒滤波器60输出当前像素点的含量估计给遗传算法分解模块70。

(g)遗传算法分解模块70接收特征预处理模块40的正交特征，来自大气补偿模块30的当前像素点测量值，以及来自鲁棒滤波器60的当前像素点的含量估计，并利用遗传算法进行当前像素点的准确频谱分解以得出准确含量估计。

该准确含量值估计即为系统输出。同时，该值也反馈到鲁棒滤波器60在鲁棒滤波器中作为对下一个像素点的含量估计的新初始值。

在这一步中，鲁棒滤波器60的输出用作遗传算法分解模块70的起始点，以加速遗传算法的进化过程。

(h)移到下一个像素点，鲁棒滤波器60接收来自特征预处理模块40的正交特征，来自大气补偿模块30的当前像素点测量值，以及来自遗传分解模块70的前一个像素点的含量估计，并利用卡尔曼滤波技术对当前像素点进行频谱分解。在这一步中，来自遗传算法分解模块70的准确含量估计在鲁棒滤波器60中用作为前一个像素点的含量估计以便准确估计当前像素点的含量矢量。

(i)回到步骤(g)，在高谱特性立方体内重复递推步骤(g)与(h)直到最后一个像素点。

值得指出的是鲁棒滤波器60与遗传算法可以以并行方式运行。

如图4所示，在步骤(d)之后，加入了另一个步骤，即利用人工神经网络模块80进行材料分类选择。这一步可减少含量矢量的元素以达到加速高谱特性分析。因此，在步骤(d)之后，本发明的方法由以下步骤组成。

(e′)人工神经网络80接收来自特征预处理模块40的正交特征以及来自大气补偿模块30的当前像素点测量数据，并进行材料分类选择。分类数据送给遗传算法分解模块70和鲁棒滤波器60。第一像素点的分类数据也送给第一像素点含量估计模块90。同时，人工神经网络80也绕过从大气补偿模块30到后续模块的测量数据。

来自特征预处理模块40的正交矢量(幅值为一)称之为分类，并被人工神经网络80用于校正传感器数据。来自当前补偿模块30的校正后的像素点输入数据由人工神经网络处理以便估计输入特征与频谱库的已知分类特征之间的相关性程度。

在模糊神经网络中，所有神经元的输出用于评估以确定是否有神经元的响应超过预设值，比如0.5(神经元的输出范围：0.0～1.0)。如果在神经网络中有一个或多个神经元的响应超过预设值，对应该神经元的分类被选作用于后续处理的候选方法。分类选择的优点是只有与当前像素点相关的材料含量材在卡尔曼滤波器和遗传算法中用作为状态矢量的元素。这一步可减少含量矢量的元素个数，达到加速处理。

(f′)第一像素点含量估计模块90接收来自特征预处理模块的正交特征，来自大气补偿模块30的第一像素点的测量数据，以及来自人工神经网络80的对第一像素点的分类数据，并计算第一像素点的含量矢量。第一像素点的含量估计值用作为鲁棒滤波器60的初始值。对于除去第一像素点以外的像素点，第一像素点含量估计模块90仅仅将绕过来自人工神经网络80的测量数据。

有不同的算法可用于第一像素点的含量矢量估计。可选用的算法包括最小二乘(LS)估计器，最大似然法(ML)，及进化算法(EA)。

(g′)鲁棒滤波器60接收特征预处理模块40的正交特征，大气补偿模块30的当前像素点的测量数据，人工神经网络80的分类数据，第一像素点含量估计模块90的第一像素点含量估计，并利用卡尔曼滤波技术对当前像素点进行频谱分解。鲁棒滤波器60输出当前像素点的含量估计给遗传算法分解模块70。

(h′)遗传算法分解模块70接收特征预处理模块40的正交特征，大气补偿模块30的当前像素点的测量数据，人工神经网络80的分类数据，第一像素点含量估计模块90的第一像素点含量估计，并利用遗传算法对当前像素点进行准确频谱分解从而得出准确含量估计。该准确含量估计值即为系统输出。同时，该准确含量估计值也反馈到鲁棒滤波器60，在鲁棒滤波器中用作为下一个像素点含量估计的新初始值。在这一步，鲁棒滤波器60的输出被用作为遗传算法分解模块的起始点，以便加速遗传算法的进化。

(i′)移到下一个像素点，鲁棒滤波器60接收来自特征预处理模块40的正交特征，来自大气补偿模块30的当前像素点测量值，人工神经网络80的分类，以及来自遗传分解模块70的前一个像素点的含量估计，并利用卡尔曼滤波技术对当前像素点进行频谱分解。在这一步中，来自遗传算法分解模块70的准确含量估计在鲁棒滤波器60中用作前一个像素点的含量估计以便准确估计当前像素点的含量矢量。

(j′)回到步骤(h′)，在高谱特性立方体内重复递推步骤(h′)与(i′)直到最后一个像素点。

在某些应用中，处理速度最为重要，而含量估计准确性则是次要的，那么，步骤(g)可由以下过程替代：

评估当前像素点的含量估计误差。如果估计误差大于预设值，那么执行步骤(g)，其中估计误差由鲁棒滤波器的协方差矩阵给出。否则，遗传算法分解模块70仅仅绕过鲁棒滤波器60的解。

类似地，步骤(h′)可由以下过程替代：

评估当前像素点的含量矢量估计误差。如果该估计误差大于预设值，那么执行步骤(h′)，其中估计误差由鲁棒滤波器的协方差矩阵给出。否则，遗传算法分解模块70仅仅绕过鲁棒滤波器60的解。

参考图7，遗传算法分解模块70的遗传算法分解过程进一步由以下步骤组成：

(1)编码模块76随机生成一组二进制字符串77。这组二进制字符串代表高谱图象立方体的一个像素点的含量矢量。遗传算法对这组二进制字符串进行操作，而不是对含量矢量本身进行操作。二进制字符串送到解码模块72。

(2)解码模块72对这组二进制字符串77进行解码。解码模块的输出是关于超级频谱图象立方体像素点的含量矢量集合。这组含量矢量集合被送到适合度计算模块71。含量矢量给出了该像素点中所包含的每个感兴趣材料的百分比。

(3)适合度计算模块71计算每个含量矢量的适合度值。在适合度计算模块中，指标函数取一个二进制字符串，并返回一个值。该二进制字符串也称之为称之为染色体。然后把指标函数的值映射为适合度以适应遗传算法。适合度值是基于由该字符串代表的所有可能解的性能的回答。编码字符串(染色体)的解(含量矢量)越好，适合度值越高。适合度值再送到繁殖模块73。

(4)在繁殖模块73中，基于来自适合度计算模块71的适合度输出，进行繁殖。繁殖是基于适者生存的规律。这些具有高适合度值的字符串在新一代中被大量复制。一旦这些字符串被繁殖或复制作为下一代使用，它们将在配对集合中进行另外两类操作，即交配与变异，从而繁殖。

(5)在交配模块74中，通过交换字符串(染色体)的头和尾来形成子字符串集合。交配为二进制字符串提供了一种机制通过随机过程来混合和匹配其期望的品质。首先，从繁殖模块73形成的匹配集合中选出两个新生成的字符串。第二，沿这两个字符串一致地随机选择一个交换位置。第三，交换该交换位置以后的所有字符。尽管交配使用随机选择，但不能将此看作是在搜寻空间随机漫步。当与繁殖过程相结合时，这是一种交换信息并形成高质量解的有效手段。

(6)在变异模块75中，偶而改变在一个特定字符串位置上的值。这个步骤增强遗传算法找到一个近似最优解的能力。变异是对任何简单位的恒久损失的一种保险措施。变异的发生概率极低，以至在字符串集合中平均只有一个字符串发生变异。

(7)将新的二进制字符串集合送到解码模块72，然后按(2)，(3)，(4)，(5)，(6)，以及(7)步骤执行。

在步骤(3)中，执行甄别过程以确定是否终止进化。甄别指标定义为总进化代数。当遗传算法递推到总进化代数时，选择一个具有最大适合度值的二进制字符串作为解。其相应的含量矢量就是该像素的含量估计。也可通过评价字符串间的差别来进行甄别。如果字符串间的差别小于一个预设值，则退出进化。同样，选择一个具有最大适合度值的二进制字符串作为解。

因为卡尔曼滤波器根据定义好的统计特性产生最优估计，估计值是无偏差的，且在线性无偏差估计中具有最小方差。然而，其估计质量仅仅在数字模型成立的假设下得到保证。模型中的任何误差都可能使滤波结果无效，因而，基于该结果的任何结论同样都无效。

在本发明的混合方法中，对于高谱分解，鲁棒滤波器的另一个选择是万能鲁棒卡尔曼滤波器。该万能鲁棒卡尔曼滤波器能在多个动态环境/系统下稳定运行。

参考图5，高谱分解的万能鲁棒滤波方法由以下步骤组成：

(f.1)接收来自大气补偿模块30的像素点测量数据。

(f.2)在模糊逻辑模块61中，利用模糊逻辑推理方法检验测量数据。在此，模糊逻辑推理方法依据模糊逻辑规则确定拒绝或校正测量数据，或承认该测量数据。

(f.3)输出正确的测量数据或错误标志到预处理模块62，在此，预处理模块62执行状态转移矩阵和测量矩阵的计算。

(f.4)将计算好的状态转移矩阵从预处理模块62送到状态矢量预测模块66，将前一个状态矢量从状态矢量更新模块68送到状态矢量预测模块66，在此，状态矢量预测模块66进行状态矢量预测，也就是下一个像素点的含量矢量。

(f.5)将计算好的状态转移矩阵从预处理模块62送到协方差传播模块63，在此，协方差传播模块63计算当前会计误差的协方差。

(f.6)将测量矩阵及当前测量矢量从预处理模块62送到测量残差计算模块67，在此，测量残差计算模块67接收来自状矢量预测模块66的状态矢量预测值，并通过从当前测量矢量是减去测量矩阵与状态矢量预测值的乘积来计算测量残差。

(f.7)将当前估计误差的协方差从协方差传播模块63送到最优增益计算模块64，在此，最优增益计算模块64执行最优增益计算。

(f.8)将最优增益从最优增益计算模块64送到协方差更新模块65，在此，协方差更新模块64更新估计误差的协方差。

(f.9)将估计误差的协方差更新值从协方差更新模块65送到协方差传播模块63。

(f.10)将最优增益从最优增益计算模块64送到状态矢量更新模块68，在此，状态矢量更新模块68接收来自测量残差计算模块66的测量残差，并进行状态矢量更新，也即，下一介像素点的含量矢量。

(f.2-1)将测量数据送到模糊化模块611，在此，模糊器执行标量映射，也就是把测量范围转换到一个相应的论域，并进行模糊化，也就是把测量数据变换成适当的语义值。这些语义值被标为模糊集合，并对所得的模糊输入用模糊集合及其隶属函数([0，1])解释确定的测量数据。

(f.2-2)将模糊输入从模糊器模块611送到模糊推理机构612。在此，模糊推理机构612本质上模仿人类的决策机理，并利用模糊推理规则推出模糊输出。

来自模糊规则库613的模糊逻辑推理规则借助一组语义规则归纳了专家的目标和策略。模糊规则库由应用域知识及目标组成。

(f.2-3)将模糊输出从模糊推理机构612送到模糊还原模块614，在此，模糊还原模块614生成一个确定的测量数据，该数据最好地表达了推理模糊输出的可能分布。

Claims (40)

1.一种高谱图象分析及像素点频谱分解方法，由以下步骤组成：

(a)接收来自一高谱图象传感器的一个高谱图象立方体；该高谱图象立方体以波长及空间位置表示一个场景；

(b)在一图象登记模块中，进行逐个波段图象登记；该图象登记是使一个波段的图象转换到另一个波段图象而不必涉及地图坐标系变换，以保证对应在一个波段图象中的一个像素点的物理位置与在另一个波段图象中的像素点的物理位置一致；

(c)发送在该图象登记模块中登记后的高谱图象立方体到大气补偿模块，在该大气补偿模块内补偿大气效应；

(d)利用遗传算法与鲁棒卡尔曼滤波技术以逐个像素点方式分解高谱图象数据，直到完成该高谱图象立方体。

2.如权利要求1所述的一种高谱图象分析及像素点频谱分解方法，其中在步骤(c)中，大气校正可用上市软件FLAASH(频谱超级立方体的快速视线大气分析)来完成。

3.如权利要求1所述的一种高谱图象分析及像素点频谱分解方法，其中步骤(d)进一步由以下步骤构成：

(d-1)接收来自频谱库的感兴趣材料的频谱特征，并在特征预处理模块预处理这些特征；来自该频谱库的这些频谱特征在该特征预处理模块中进行正交归一化，从而将该特征空间分解成一组正交特征集合；

(d-2)第一像素点含量估计模块接收来自该特征预处理模块的这些正交特征以及来自该大气补偿模块的一组第一像素点测量数据，并计算该第一像素点的含量矢量；除该第一像素点以外的像素点，该第一像素点含量估计模块仅仅绕过来自该大气补偿模块的这些测量数据；

(d-3)卡尔曼滤波器接收来自该特征处理模块的这些正交特征，来自该大气补偿模块的当前像素点测量数据，以及该第一像素点含量矢量估计模块的含量估计，并用卡尔曼滤波技术进行当前像素点的频谱分解；该第一像素点的含量估计用作为该卡尔曼滤波器的初始值；该卡尔曼滤波器输出该当前像素的含量估计；

(d-4)遗传算法分解模块接收该特征预处理模块的正交特征，来自该大气补偿模块的该当前像素点测量值，以及来自该卡尔曼滤波器的当前像素点的含量估计，并利用该遗传算法对该当前像素点进行准确频谱分解以得出准确含量估计；

(d-5)移到下一个像素点，该卡尔曼滤波器接收来自该特征预处理模块的正交特征，来自该大气补偿模块的当前像素点测量值，以及来自该遗传分解模块的前一个像素点的含量估计，并利用卡尔曼滤波技术对该当前像素点进行频谱分解。

4.如权利要求3所述的一种高谱图象分析及像素点频谱分解方法，其中在步骤(d-4)中，

该准确含量估计是系统输出，且该当前像素点的准确含量估计被反馈给该卡尔曼滤波器，在该卡尔曼滤波器中，用作为下一个像素点的另一个含量估计的初始值；该卡尔曼滤波器的输出用作为该遗传算法分解模块的起始点以便加速遗传算法的进化。

5.如权利要求4所述的一种高谱图象分析及像素点频谱分解方法，其中在步骤(d-5)中，该遗传算法分解模块的该准确含量估计在该卡尔曼滤波器中用作为该前一个像素点的含量估计以便准确估计该当前像素点的含量矢量。

6.如权利要求5所述的一种高谱图象分析及像素点频谱分解方法，其中在步骤(d-2)中，计算该第一像素点的含量估计的参数估计器是一个最小二乘(LS)估计器。

7.如权利要求5所述的一种高谱图象分析及像素点频谱分解方法，其中在步骤(d-2)中，计算该第一像素点的含量估计的参数估计器是一个最大似然(ML)估计器。

8.如权利要求5所述的一种高谱图象分析及像素点频谱分解方法，其中在步骤(d-2)中，计算该第一像素点的含量估计的参数估计器是一个进化算法。

9.如权利要求1所述的一种高谱图象分析及像素点频谱分解方法，其中步骤(d)由以下步骤构成：

(d-1)接收来自频谱库的感兴趣材料的频谱特征，并在特征预处理模块预处理这些特征；来自该频谱库的这些频谱特征在该特征预处理模块中进行正交归一化，从而将该特征空间分解成一组正交特征集合；

(d-2)人工神经网络接收来自该特征预处理模块的这些正交特征以及来自该大气补偿模块的一组第一像素点测量数据，并进行材料分类选择；该人工神经网络绕过从该大气补偿模块到后续模块的这些测量数据；

(d-3)第一像素点含量估计模块接收来自该特征预处理模块的这些正交特征，来自该大气补偿模块的一组第一像素点测量数据，以及来自该人工神经网络的第一像素点的分类数据，并利用一个参数估计器计算该第一像素点的含量矢量；该第一像素点的含量估计用作为卡尔曼滤波器的初始值；除该第一像素点以外的像素点，该第一像素点含量估计模块仅仅绕过来自该人工神经网络模块的这些测量数据；

(d-4)该卡尔曼滤波器接收来自该特征预处理模块的这些正交特征，来自该大气补偿模块的当前像素点测量数据，来自该人工神经网络的分类数据，以及该第一像素点的含量矢量估计模块的含量估计，并用卡尔曼滤波技术进行当前像素点的频谱分解；该卡尔曼滤波器输出该当前像素点的含量估计；

(d-5)遗传算法分解模块接收该特征预处理模块的正交待征，来自该大气补偿模块的该当前像素点测量值，来自该人工神经网络的分类数据，以及来自该卡尔曼滤波器的当前像素点的含量估计，并利用该遗传算法对该当前像素点进行准确频谱分解以得出准确含量估计；该卡尔曼滤波器输出用作为该遗传算法分解模块的起始点以便加速遗传算法的进化；该准确含量估计反馈到该卡尔曼滤波器，在该卡尔曼滤波器中，用作为下一个像素点含量估计的新初始值；

(d-6)移到下一个像素点，该卡尔曼滤波器接收来自该特征预处理模块的正交特征，来自该大气补偿模块的当前像素点测量值，来自该人工神经网络的分类数据，以及来自该遗传算法分解模块的前一个像素点的含量估计，并利用卡尔曼滤波技术对该当前像素点进行频谱分解；来自该遗传算法分解模块的准确含量估计在该卡尔曼滤波器中用作为前一个橡素点的含量估计，以便准确估计该当前点的含量矢量；

(d-7)回到步骤(d-5)，在该高谱特性立方体内重复递推步骤(d-5)与(d-6)直到最后一个像素点。

10.如权利要求9所述的一种高谱图象分析及像素点频谱分解方法，其中在步骤(d-3)中，计算该第一像素点的含量估计的参数估计器是一个最小二乘(LS)估计器。

11.如权利要求9所述的一种高谱图象分析及像素点频谱分解方法，其中在步骤(d-3)中，计算该第一像素点的含量估计的参数估计器是一个最大似然(ML)估计器。

12.如权利要求9所述的一种高谱图象分析及像素点频谱分解方法，其中在步骤(d-3)中，计算该第一像素点的含量估计的参数估计器是一个进化算法。

13.如权利要求1所述的一种高谱图象分析及像素点频谱分解方法，其中步骤(d)由以下步骤构成：

(d-1)接收来自频谱库的感兴趣材料的频谱特征，并在特征预处理模块预处理这些特征：来自该频谱库的这些频谱特征在该特征预处理模块中进行正交归一化，从而将该特征空间分解成一组正交特征集合；

(d-2)第一像素点含量估计模块接收来自该特征预处理模块的这些正交特征，以及自该大气补偿模块的一组第一像素点测量数据，并利用一个参数估计器计算该第一像素点的含量估计；除该第一像素点以外的像素点，该第一像素点含量估计模块仅仅绕过来自该大气补偿模块的这些测量数据；

(d-3)该卡尔曼滤波器接收来自该特征预处理模块的这些正交特征，来自该大气补偿模块的当前像素点测量数据，以及该第一像素点的含量估计，并用卡尔曼滤波技术进行当前像素点的频谱分解；该第一像素点的含量估计用作为该卡尔曼滤波器的初始值，该卡尔曼滤波器输出该当前像素点的含量估计到遗传算法分解模块；

(d-4)评价该当前像素点的含量估计值的估计误差，当该估计误差大于预设值时，转到步骤(d-5)，其中估计误差由卡尔曼滤波器的协方差矩阵给出；否则，转到步骤(d-6)，该遗传算法分解模块仅仅绕过由卡尔曼滤波器得到的含量估计；

(d-5)该遗传算法分解模块接收该特征预处理模块的正交特征，来自该大气补偿模块的该当前像素点测量值，以及来自该卡尔曼滤波器的当前像素点的含量估计，并利用该遗传算法对该当前像素点进行准确频谱分解以得出准确含量估计；该准确含量估计为系统输出；该当前像素点的准确含量估计反馈到该卡尔曼滤波器，在该卡尔曼滤波器中，用作为下一个像素点含量估计的新初始值；该卡尔曼滤波器的输出用作为该遗传算法分解模块的起始点以便加速遗传算法的进化；

(d-6)移到下一个像素点，该卡尔曼滤波器接收来自该特征预处理模块的正交特征，来自该大气补偿模块的当前像素点测量值，以及来自该遗传算法分解模块的前一个像素点的含量估计，并利用卡尔曼滤波技术对该当前像素点进行频谱分解；来自该遗传算法分解模块的准确含量估计在该卡尔曼滤波器中用作为前一个像素点的含量估计，以便准确估计该当前点的含量矢量；

(d-7)回到步骤(d-4)，在该高谱特性立方体内重复递推步骤(d-4)，(d-5)与(d-6)直到最后一个像素点。

14.如权利要求13所述的一种高谱图象分析及像素点频谱分解方法，其中在步骤(d-2)中，计算该第一像素点的含量估计的参数估计器是一个最小二乘(LS)估计器。

15.如权利要求13所述的一种高谱图象分析及像素点频谱分解方法，其中在步骤(d-2)中，计算该第一像素点的含量估计的参数估计器是一个最大似然(ML)估计器。

16.如权利要求13所述的一种高谱图象分析及像素点频谱分解方法，其中在步骤(d-2)中，计算该第一像素点的含量估计的参数估计器是一个进化算法。

17.如权利要求1所述的一种高谱图象分析及像素点频谱分解方法，其中步骤(d)由以下步骤构成：

(d-1)接收来自频谱库的感兴趣材料的频谱特征，并在特征预处理模块中预处理这些特征；来自该频谱库的这些频谱特征在该特征预处理模块中进行正交归一化，从而将该特征空间分解成一组正交特征集合；

(d-2)人工神经网络接收来自该特征预处理模块的这些正交特征以及来自该大气补偿模块的一组第一像素点测量数据，并进行材料分类选择；该人工神经网络绕过从该大气补偿模块到后续模块的这些测量数据；

(d-3)第一像素点含量估计模块接收来自该特征预处理模块的这些正交特征，来自该大气补偿模块的第一像素点测量数据，以及来自该人工神经网络的第一像素点的分类数据，并利用一个参数估计器计算该第一像素点的含量矢量；该第一像素点的含量估计用作为卡尔曼滤波器的初始值；对于除了该第一像素点以外的像素点，该第一像素点含量估计模块仅仅绕过来自该人工神经网络模块的这些测量数据；

(d-4)该卡尔曼滤波器接收来自该特征预处理模块的这些正交特征，来自该大气补偿模块的当前像素点测量数据，来自在该人工神经网络的分类数据，以及该第一像素点的含量矢量估计模块的含量估计，并用卡尔曼滤波技术进行当前像素点的频谱分解；该卡尔曼滤波器输出该当前象素点的含量估计到遗传算法分解模块；

(d-5)评价该当前像素点的含量估计值的估计误差；当该估计误差大于预设值时，转到步骤(d-6)，其中估计误差由卡尔曼滤波器的协方差矩阵给出；否则，转到步骤(d-7)；该遗传算法分解模块仅仅绕过由卡尔曼滤波器得到的含量估计；

(d-6)遗传算法分解模块接收该特征预处理模块的正交特征，来自该大气补偿模块的该当前像素点测量值，来自该人工神经网络的分类数据，以及来自该卡尔曼滤波器的当前像素点的含量估计，并利用该遗传算法对该当前像素点进行准确频谱分解以得出准确含量估计；该卡尔曼滤波器输出用作为该遗传算法分解模块的起始点以便加速遗传算法的进化；该准确含量估计反馈到该卡尔曼滤波器，在该卡尔曼滤波器中，用作为下一个像素点含量估计的新初始值；

(d-7)移到下一个像素点，该卡尔曼滤波器接收来自该特征预处理模块的正交特征，来自该大气补偿模块的当前像素点测量值，来自该人工神经网络的分类数据，以及来自该遗传算法分解模块的前一个像素点的含量估计，并利用卡尔曼滤波技术对该当前像素点进行频谱分解；来自该遗传算法分解模块的准确含量会计在该卡尔曼滤波器中用作为前一个像素点的含量估计，以便准确估计该当前点的含量矢量，

(d-8)回到步骤(d-5)，在该高谱特性立方体内重复递推步骤(d-5)与(d-6)直到最后一个像素点。

18.如权利要求17所述的一种高谱图象分析及像素点频谱分解方法，其中在步骤(d-3)中，计算该第一像素点的含量估计的参数估计器是一个最小二乘(LS)估计器。

19.如权利要求17所述的一种高谱图象分析及像素点频谱分解方法，其中在步骤(d-3)中，计算该第一像素点的含量估计的参数估计是一个最大似然(ML)估计器。

20.如权利要求17所述的一种高谱图象分析及像素点频谱分解方法，其中在步骤(d-3)中，计算该第一像素点的含量估计的参数估计器是一个进化算法。

21.如权利要求3所述的一种高谱图象分析及像素点频说分解方法，其中该卡尔曼滤波器是一个万能鲁棒卡尔曼滤波器。

22.如权利要求21所述的一种高谱图象分析及像素点频谱分解方法，其中该万能鲁棒滤波器由以下步骤组成：

(f.1)接收来自该大气补偿模块的该像素点的该测量数据；

(f.2)在模糊逻辑模块中，利用模糊逻辑推理方法检验该测量数据；在此，该模糊逻辑推理方法依据丰富的模糊逻辑规则有选择地决定拒绝该测量数据或校正该测量数据，或承认该测量数据；

(f.3)输出该校正后的测量数据或错误标志到预处理模块；在此，该预处理模块执行状态转移矩阵和测量矩阵的计算；

(f.4)将该状态转移矩阵从该预处理模块送到状戍磁量预测模块，将前一个状态矢量从状态矢量更新模块送到该状态矢量预测模块；在此，该状态矢量预测模块进行状态矢量预测，即该下一个像素点的含量估计；

(f.5)将该状态转移矩阵从该预处理模块送到协方差传播模块；在此，该协方差传播模块计算当前估计误差的协方差；

(f.6)将该测量矩阵及当前测量矢量从该预处理模块送到测量残差计算模块；在此，该测量残差计算模块接收来自该状态矢量预测模块的该状态矢量预测值，并通过从该当前测量矢量中减去该测量矩阵与该状态矢量预测值的乘积来计算测量残差；

(f.7)将该当前估计误差的协方差从该协方差传播模块送到最优增益计算模块；在此，该最优增益计算模块计算最优增益；

(f.8)将该最优增益从该最优增益计算模块送到协方差更新模块；在此，该协方差更新模块更新该估计误差的协方差；

(f.9)将该估计误差的协方差更新值从该协方差更新模块送到协方差传播模块；以及

(f.10)将该最优增益从该最优增益计算模块送到该状态矢量更新模块；在此，该状态矢量更新模块接收来自该测量残差计算模块的该测量残差，并进行状态矢量更新，也即，该下一个像素点的含量估计。

23.如权利要求22所述的一种高谱图象分析及像素点频谱分解方法，其中步骤(f.2)由以下步骤组成：

(f.2-1)将该测量数据送到一个模糊器模块；在此，该模糊器执行标量映射，也就是把该测量数据的范围转换到一个相应的论域，并进行模糊化，也就是把该测量数据变换成适当的语义值；这些语义值被标为模糊集合，并对所得的模糊输入用模糊集合及其隶属函数([0，1])解释确定的测量数据；

(f.2-2)将该模糊输入从该模糊器模块送到一个模糊推理机构；在此，该模糊推理机构本质上模仿人类的决策机理，并利用模糊推理规则推出模糊输出；来自模糊规则库的该模糊逻辑推理规则借助一组语义规则归纳了专家的目标和策略；该模糊规则库由应用域知识及目标组成；以及

(f.2-3)将该模糊输出从该模糊推理机构送到一个模糊还原模块；在此，模糊还原模块生成一个确定的有效测量数据，该数据最好地表达了推理模糊输出的可能分布。

24.如权利要求5所述的一种高谱图象分析及像素点频谱分解方法，其中该卡尔曼滤波器是一万能鲁棒滤波器。

25.如权利要求24所述的一种高谱图象分析及像素点频谱分解方法，其中该万能鲁棒滤波器由以下步骤组成：

(f.1)接收来自该大气补偿模块的该像素点的该测量数据；

(f.2)在模糊逻辑模块中，利用模糊逻辑推理方法检验该测量数据；在此，该模糊逻辑推理方法依据丰富的模糊逻辑规则有选择地决定拒绝该测量数据或校正该测量数据，或承认该测量数据；

(f.3)输出该校正后的测量数据或错误标志到预处理模块；在此，该预处理模块执行状态转移矩阵和测量矩阵的计算；

(f.4)将该状态转移矩阵从该预处理模块送到状态矢量预测模块，将前一个状态矢量从状态矢量更新模块送到该状态矢量预测模块；在此，该状态矢量预测模块进行状态矢量预测，即该下一个像素点的含量估计；

(f.5)将该状态转移矩阵从该预处理模块送到协方差传播模块；在此，该协方差传播模块计算当前估计误差的协方差；

(f.6)将该测量矩阵及当前测量矢量从该预处理模块送到测量残差计算模块；在此，该测量残差计算模块接收来自该状态矢量预测模块的该状态矢量预测值，并通过从该当前测量矢量中减去该测量矩阵与该状态矢量预测值的乘积来计算测量残差；

(f.7)将该当前估计误差的协方差从该协方差传播模块送到最优增益计算模块；在此，该最优增益计算模块计算最优增益；

(f.8)将该最优增益从该最优增益计算模块送到协方差更新模块；在此，该协方差更新模块更新该估计误差的协方差；

(f.9)将该估计误差的协方差更新值从该协方差更新模块送到协方差传播模块；以及

(f.10)将该最优增益从该最优增益计算模块送到该状态矢量更新模块；在此，该状态矢量更新模块接收来自该测量残差计算模块的该测量残差，并进行状态矢量更新，也即，该下一个像素点的含量估计。

26.如权利要求25所述的一种高谱图象分析及像素点频谱分解方法，其中步骤(f.2)由以下步骤组成：

(f.2-1)将该测量数据送到一个模糊器模块；在此，该模糊器执行标量映射，也就是把该测量数据的范围转换到一个相应的论域，并进行模糊化，也就是把该测量数据变换成适当的语义值；这些语义值被标为模糊集合，并对所得的模糊输入用模糊集合及其隶属函数([0，1])解释确定的测量数据；

(f.2-2)将该模糊输入从该模糊器模块送到一个模糊推理机构；在此，该模糊推理机构本质上模仿人类的决策机理，并利用模糊推理规则推出模糊输出；来自模糊规则库的该模糊逻辑推理规则借助一组语义规则归纳了专家的目标和策略；该模糊规则库由应用域知识及目标组成；以及

(f.2-3)将该模糊输出从该模糊推理机构送到一个模糊还原模块；在此，模糊还原模块生成一个确定的有效测量数据，该数据最好地表达了推理模糊输出的可能分布。

27.如权利要求9所述的一种高谱图象分析及像素点频谱分解方法，其中该卡尔曼滤波器是一万能鲁棒滤波器。

28.如权利要求27所述的一种高谱图象分析及像素点频谱分解方法，其中该万能鲁棒滤波器由以下步骤组成：

(f.1)接收来自该大气补偿模块的该像素点的该测量数据；

(f.2)在模糊逻辑模块中，利用模糊逻辑推理方法检验该测量数据；在此，该模糊逻辑推是方法依据丰富的模糊逻辑规则有选择地决定拒绝该测量数据或校正该测量数据，或承认该测量数据；

(f.3)输出该校正后的测量数据或错误标志到预处理模块；在此，该预处理模块执行状态转移矩阵和测量矩阵的计算；

(f.4)将该状态转移矩阵从该预处理模块送到状态矢量预测模块，将前一个状态矢量从状态矢量更新模块送到该状态矢量预测模块；在此，该状态矢量预测模块进行状态矢量预测，即该下一个像素点的含量估计；

(f.5)将该状态转移矩阵从该预处理模块送到协方差传播模块；在此，该协方差传播模块计算当前估计误差的协方差；

(f.6)将该测量矩阵及当前测量矢量从该预处理模块送到测量残差计算模块；在此，该测量残差计算模块接收来自该状态矢量预测模块的该状态矢量预测值，并通过从该当前测量矢量中减去该测量矩阵与该状态矢量预测值的乘积来计算测量残差；

(f.7)将该当前估计误差的协方差从该协方差传播模块送到最优增益计算模块；在此，该最优增益计算模块计算最优增益；

(f.8)将该最优增益从该最优增益计算模块送到协方差更新模块；在此，该协方差更新模块更新该估计误差的协方差；

(f.9)将该估计误差的协方差更新值从该协方差更新模块送到协方差传播模块；以及

(f.10)将该最优增益从该最优增益计算模块送到该状态矢量更新模块；在此，该状态矢量更新模块接收来自该测量残差计算模块的该测量残差，并进行状态矢量更新，也即，该下一个像素点的含量估计。

29.如权利要求28所述的一种高谱图象分析及像素点频谱分解方法，其中步骤(f.2)由以下步骤组成：

(f.2-1)将该测量数据送到一个模糊器模块；在此，该模糊器执行标量映射，也就是把该测量数据的范围转换到一个相应的论域，并进行模糊化，也就是把该测量数据变换成适当的语义值；这些语义值被标为模糊集合，并对所得的模糊输入用模糊集合及其隶属函数([0，1])解释确定的测量数据；

(f.2-1)将该模糊输入从该模糊器模块送到一个模糊推理机构；在此，该模糊推理机构本质上模仿人类的决策机理，并利用模糊推理规则推出模糊输出；来自模糊规则库的该模糊逻辑推理规则借助一组语义规则归纳了专家的目标和策略；该模糊规则库由应用域知识及目标组成；以及

(f.2-3)将该模糊输出从该模糊推理机构送到一个模糊还原模块；在此，模糊还原模块生成一个确定的有效测量数据，该数据最好地表达了推理模糊输出的可能分布。

30.如权利要求13所述的一种高谱图象分析及像素点频谱分解方法，其中该卡尔曼滤波器是一万能鲁棒滤波器。

31.如权利要求30所述的一种高谱图象分析及像素点频说分解方法，其中该万能鲁棒滤波器由以下步骤组成：

(f.1)接收来自该大气补偿模块的该像素点的该测量数据；

(f.2)在模糊逻辑模块中，利用模糊逻辑推理方法检验该测量数据；在此，该模糊逻辑推理方法依据丰富的模糊逻辑规则有选择地决定拒绝该测量数据或校正该测量数据，或承认该测量数据；

(f.3)输出该校正后的测量数据或错误标志到预处理模块；在此，该预处理模块执行状态转移矩阵和测量矩阵的计算；

(f.4)将该状态转移矩阵从该预处理模块送到状态矢量预测模块，将前一个状态矢量从状态矢量更新模块送到该状态矢量预测模块；在此，该状态矢量预测模块进行状态矢量预测，即该下一个像素点的含量估计；

(f.5)将该状态转移矩阵从该预处理模块送到协方差传播模块；在此，该协方差传播模块计算当前估计误差的协方差；

(f.6)将该测量矩阵及当前测量矢量从该预处理模块送到测量残差计算模块；在此，该测量残差计算模块接收来自该状态矢量预测模块的该状态矢量预测值，并通过从该当前测量矢量中减去该测量矩阵与该状态矢量预测值的乘积来计算测量残差；

(f.7)将该当前估计误差的协方差从该协方差传播模块送到最优增益计算模块；在此，该最优增益计算模块计算最优增益；

(f.8)将该最优增益从该最优增益计算模块送到协方差更新模块；在此，该协方差更新模块更新该估计误差的协方差；

(f.9)将该估计误差的协方差更新值从该协方差更新模块送到协方差传播模块；以及

(f.10)将该最优增益从该最优增益计算模块送到该状态矢量更新模块；在此，该状态矢量更新模块接收来自该测量残差计算模块的该测量残差，并进行状态矢量更新，也即，该下一个像素点的含量估计。

32.如权利要求31所述的一种高谱图象分析及像素点频谱分解方法，其中步骤(f.2)由以下步骤组成：

(f.2-1)将该测量数据送到一个模糊器模块；在此，该模糊器执行标量映射，也就是把该测量数据的范围转换到一个相应的论域，并进行模糊化，也就是把该测量数据变换成适当的语义值；这些语义值被标为模糊集合，并对所得的模糊输入用模糊集合及其隶属函数([0，1])解释确定的测量数据；

(f.2-2)将该模糊输入从该模糊器模块送到一个模糊推理机构；在此，该模糊推理机构本质上模仿人类的决策机理，并利用模糊推理规则推出模糊输出；来自模糊规则库的该模糊逻辑推理规则借助一组语义规则归纳了专家的目标和策略；该模糊规则库由应用域知识及目标组成；以及

(f.2-3)将该模糊输出从该模糊推理机构送到一个模糊还原模块；在此，模糊还原模块生成一个确定的有效测量数据，该数据最好地表达了推理模糊输出的可能分布。

33.如权利要求17所述的一种高谱图象分析及像素点频谱分解方法，其中该卡尔曼滤波器是一万能鲁棒滤波器。

34.如权利要求33所述的一种高谱图象分析及像素点频谱分解方法，其中该万能鲁棒滤波器由以下步骤组成：

(f.1)接收来自该大气补偿模块的该像素点的该测量数据；

(f.2)在模糊逻辑模块中，利用模糊逻辑推理方法检验该测量数据；在此，该模糊逻辑推理方法依据丰富的模糊逻辑规则有选择地决定拒绝该测量数据或校正该测量数据，或承认该测量数据；

(f.3)输出该校正后的测量数据或错误标志到预处理模块；在此，该预处理模块执行状态转移矩阵和测量矩阵的计算；

(f.4)将该状态转移矩阵从该预处理模块送到状态矢量预测模块，将前一个状态矢量从状态矢量更新模块送到该状态矢量预测模块；在此，该状态矢量预测模块进行状态矢量预测，即该下一个像素点的含量估计；

(f.5)将该状态转移矩阵从该预处理模块送到协方差传播模块；在此，该协方差传播模块计算当前估计误差的协方差；

(f.6)将该测量矩阵及当前测量矢量从该预处理模块送到测量残差计算模块；在此，该测量残差计算模块接收来自该状态矢量预测模块的该状态矢量预测值，并通过从该当前测量矢量中减去该测量矩阵与该状态矢量预测值的乘积来计算测量残差；

(f.7)将该当前估计误差的协方差从该协方差传播模块送到最优增益计算模块；在此，该最优增益计算模块计算最优增益；

(f.8)将该最优增益从该最优增益计算模块送到协方差更新模块；在此，该协方差更新模块更新该估计误差的协方差；

(f.9)将该估计误差的协方差更新值从该协方差更新模块送到协方差传播模块；以及

(f.10)将该最优增益从该最优增益计算模块送到该状态矢量更新模块；在此，该状态矢量更新模块接收来自该测量残差计算模块的该测量残差，并进行状态矢量更新，也即，该下一个像素点的含量估计。

35.如权利要求34所述的一种高谱图象分析及像素点频谱分解方法，其中步骤(f.2)由以下步骤组成：

(f.2-1)将该测量数据送到一个模糊器模块；在此，该模糊器执行标量映射，也就是把该测量数据的范围转换到一个相应的论域，并进行模糊化，也就是把该测量数据变换成适当的语义值；这些语义值被标为模糊集合，并对所得的模糊输入用模糊集合及其隶属函数([0，1])解释确定的测量数据；

(f.2-2)将该模糊输入从该模糊器模块送到一个模糊推理机构；在此，该模糊推理机构本质上模仿人类的决策机理，并利用模糊推理规则推出模糊输出；来自模糊规则库的该模糊逻辑推理规则借助一组语义规则归纳了专家的目标和策略；该模糊规则库由应用域知识及目标组成；以及

(f.2-3)将该模糊输出从该模糊推理机构送到一个模糊还原模块；在此，模糊还原模块生成一个确定的有效测量数据，该数据最好地表达了推理模糊输出的可能分布。

36.如权利要求3所述的一种高谱图象分析及像素点频谱分解方法，其中该遗传算法分解由以下步骤组成：

(1)一个编码模块随机生成而一组二进制字符串集合；这组二进制字符串代表与该高谱图象立方体的该像素点相关的该含量估计；遗传算法对这组二进制字符串进行操作，且该组二进制字符串被送到一个解码模块；

(2)该解码模块对这组二进制字符串进行解码；该解码模块的输出即是关于该超级频谱图象立方体像素点的该含量估计集合；这组含量估计集合被送到一个适合度计算模块；该含量估计给出了该像素点中所包含的每个感兴趣材料的百分比；

(3)适合度计算模块计算每个含量估计的适合度值；在该适合度计算模块中，指标函数取该二进制字符串(也称之为染色体)，并返回一个值。然后把该指标函数的值映射为适合度以适应该遗传算法；该适合度值是在于由该字符串代表的所有可能解的性能的回答；该编码字符串的该含量估计越好，该适合度值也越高；该适合度值再送到一个繁殖模块；

(4)执行判别过程以确定是否终止进化；在此，判别指标定义为总进化代数；当该遗传算法递推到该总进化代数时，选择其中一个具有最大适合度值的二进制字符串作并且该遗传算法退出进化；其相应的含量估计矢量就是该像素点的含量估计；

(5)在该繁殖模块中，基于来自该适合度计算模块的该适合度输出，进行繁殖；在此，该繁殖是基于适者生存的规律，即，这些适合度值高的二进制字符串会在新一代中有大量复制；一旦这些二进制字符串被繁殖或复制作为下一代使用，该二进制字符串将在配对集合中进行另外两类操作，即交配与交异，从而繁殖；

(6)在交配模块中，通过交换该二进制字符串(染色体)的头和尾来形成子字符串集合；交配为该二进制字符串提供一种机制通过随机过程来混合和匹配其期望的品质；在该随机过程中，首先，从该繁殖模块形成的该匹配集合中选出两个新生成的字符串；其二，沿这两个字符串一致地随机选择一个交换位置；其三，交换该交换位置以后的所有字符；

(7)在变异模块中，偶而改变在一个特定字符串位置上的值；该变异是对任何简单位的恒久损失的一种保险措施；该变异的发生概率极低，以至在字符串集合中平均只有一个字符串发生变异；以及

(8)将该新的二进制字符串集合送到该解码模块，然后按(2)，(3)，(4)，(5)，(6)，(7)，以及(8)步骤执行。

37.如权利要求5所述的一种高谱图象分析及像素点频谱分解方法，其中该遗传算法分解由以下步骤组成：

(1)一个编码模块随机生成而一组二进制字符串集合；这组二进制字符串代表与该高谱图象立方体的该像素点相关的该含量估计；遗传算法对这组二进制字符串进行操作，且该组二进制字符串被送到一个解码模块；

(2)该解码模块对这组二进制字符串进行解码；该解码模块的输出即是关于该超级频谱图象立方体像素点的该含量估计集合；这组含量估计集合被送到一个适合度计算模块；该含量估计给出了该像素点中所包含的每个感兴趣材料的百分比；

(3)适合度计算模块计算每个含量估计的适合度值；在该适合度计算模块中，指标函数取该二进制字符串(也称之为染色体)，并返回一个值；然后把该指标函数的值映射为适合度以适应该遗传算法；该适合度值是基于由该字符串代表的所有可能解的性能的回答；该编码字符串的该含量估计越好，该适合度值也越高；该适合度值再送到一个繁殖模块；

(4)执行判别过程以确定是否终止进化；在此，判别指标定义为总进化代数；当该遗传算法递推到该总进化代数时，选择其中一个具有最大适合度值的二进制字符串作为解并且该遗传算法退出进化；其相应的含量估计矢量就是该像素点的含量估计；

(5)在该繁殖模块中，基于来自该适合度计算模块的该适合度输出，进行繁殖；在此，该繁殖是基于适者生存的规律，即，这些适合度值高的二进制字符串会在新一代中有大量复制；一旦这些二进制字符串被繁殖或复制作为下一代使用，该二进制字符串将在配对集合中进行另外两类操作，即交配与变异，从而繁殖；

(6)在交配模块中，通过交换该二进制字符串(染色体)的头和尾来形成子字符串集合；交配为该二进制字符串提供一种机制通过随机过程来混合和匹配其期望的品质；在该随机过程中，首先，从该繁殖模块形成的该匹配集合中选出两个新生成的字符串；其二，沿这两个字符串一致地随机选择一个交换位置；其三，交换该交换位置以后的所有字符；

(7)在变异模块中，偶而改变在一个特定字符串位置上的值；该变异是对任何简单位的恒久损失的一种保险措施；该变异的发生概率极底，以至在字符串集合中平均只有一个字符串发生变异；以及

(8)将该新的二进制字符串集合送到该解码模块，然后按(2)，(3)，(4)，(5)，(6)，(7)，以及(8)步骤执行。

38.如权利要求9所述的一种高谱图象分析及像素点频谱分解方法，其中该遗传算法分解由以下步骤组成：

(1)一个编码模块随机生成而一组二进制字符串集合；这组二进制字符串代表与该高谱图象立方体的该像素点相关的该含量估计；遗传算法对这组二进制字符串进行操作，且该组二进制字符串被送到一个解码模块；

(2)该解码模块对这组二进制字符串进行解码；该解码模块的输出即是关于该超级频谱图象立方体像素点的该含量估计集合；这组含量估计集合被送到一个适合度计算模块；该含量估计给出了该像素点中所包含的每个感兴趣材料的百分比；

(3)适合度计算模块计算每个含量估计的适合度值；在该适合度计算模块中，指标函数取该二进制字符串(也称之为染色体)，并返回一个值；然后把该指标函数的值映射为适合度以适应该遗传算法；该适合度值是基于由该字符串人表的所有可能解的性能的回答；该编码字符串的该含量估计越好，该适合度值也越高；该适合度值再送到一个繁殖模块；

(4)执行判别过程以确定是否终止进化；在此，判别指标定义为总进化代数；当该遗传算法递推到该总进化代数时，选择其中一个具有最大适合度值的二进制字符串作为解并且该遗传算法退出进化；其相应的含量估计矢量就是该像素点的含量估计；

(5)在该繁殖模块中，基于来自该适合度计算模块的该适合度输出，进行繁殖；在此，该繁殖是基于适者生存的规律，即，这些适合度值高的二进制字符串会在新一代中有大量复制；一旦这些二进制字符串被繁殖或复制作为下一代使用，该二进制字符串将在配对集合中进行另外两类操作，即交配与变异，从而繁殖；

(6)在交配模块中，通过交换该二进制字符串(染色体)的头和尾来形成子字符串集合；交配为该二进制字符串提供一种机制通过随机过程来混合和匹配其期望的品质；在该随机过程中，首先，从该繁殖模块形成的该匹配集合中选出两个新生成的字符串；基二，沿这两个字符串一致地随机选择一个交换位置；其三，交换该交换位置以后的所有字符；

(7)在变异模块中，偶而改变在一个特定字符串位置上的值；该变异是对任何简单位的恒久损失的一种保险措施；该变异的发生概率极低，以至在字符串集合中平均只有一个字符串发生变异；以及

(8)将该新的二进制字符串集合送到该解码模块，然后按(2)，(3)，(4)，(5)，(6)，(7)，以及(8)步骤执行。

39.如权利要求13所述的一种高谱图象分析及像素点频谱分解方法，其中该遗传算法分解由以下步骤组成：

(1)一个偏码模块随机生成一组二进制字符串集合；这组二进制字符串代表与该高谱图象立方体的该像素点相关的该含量估计；遗传算法对这组二进制字符串进行操作，且该组二进制字符串被送到一个解码模块；

(2)该解码模块对这组二进制字符串进行解码；该解码模块的输出即是关于该超级频谱图象立方体像素点的该含量估计集合；这组含量估计集合被送到一个适合度计算模块；该含量估计给出了该像素点中所包含的每个感兴超材料的百分比；

(3)适合度计算模块计算每个含量估计的适合度值；在该适合度计算模块中，指标函数取该二进制字符串(也称之为染色体)，并返回一个值；然后把该指标函数的值映射为适合度以适应该遗传算法；该适合度值是基于由该字符串代表的所有可能解的性能的回答；该编码字符串的该含量估计越好，该适合度值也越高；该适合度值再送到一个繁殖模块；

(4)执行判别过程以确定是否终止进化；通过评价该二进制字符串间的差别来进行判别；当该字符串间的差别小于一个预设值时，该遗传算法退出进化；在此之后，选择一个适合度值最大的二进制字符串作为解；其相应的含量估计矢量就是该像素点的含量估计；

(5)在该繁殖模块中，基于来自该适合度计算模块的该适合度输出，进行繁殖；在此，该繁殖是基于适者生存的规律，即，这些适合度值高的二进制字符串会在新一代中有大量复制；一旦这些二进制字符串被繁殖或复制作为下一代使用，该二进制在配对集合中进行另外两类操作，即交配与变异，从而繁殖；

(6)在交配模块中，通过交换该二进制字符串(染色体)的头和尾来形成子字符串集合；交配为该二进制字符串提供一种机制通过随机过程来混合和匹配其期望的品质；在该随机过程中，首先，从该繁殖模块形成的该匹配集合中选出两个新生成的字符串；其二，沿这两个字符串一致地随机选择一个交换位置；其三，交换该交换位置以后的所有字符；

(7)在变异模块中，偶而改变在一个特定字符串位置上的值；该变异是对任何简单位的恒久损失的一种保险措施；该变异的发生概率极低，以至在字符串集合中平均只有一个字符串发生变异；以及

(8)将该新的二进制字符串集合送到该解码模块，然后按(2)，(3)，(4)，(5)，(6)，(7)，以及(8)步骤执行。

40.如权利要求17所述的一种高谱图象分极及像素点频谱分解方法，其中该遗传算法分解由以下步骤组成：

(1)一个编码模块随机生成而一组二进制字符串集合；这组二进制字符串代表与该高谱图象立方体的该像素点相关的该含量估计；遗传算法对这组二进制字符串进行操作，且该组二进制字符串被送到一个解码模块；

(2)该解码模块对这组二进制字符串进行解码；该解码模块的输出即是关于该超级频谱图象立方体像素点的该含量估计集合；这组含量估计集合被送到一个适合度计算模块；该含量估计给出了该像素点中所包含的每个感兴趣材料的百分比；

(3)适合度计算模块计算每个含量估计的适合度值；在该适合度计算模块中，指标函数取该二进制字符串(也称之为染色体)，并返回一个值；然后把该指标函数的值映射为适合度以适应该遗传算法；该适合度值是基于由该字符串代表的所有可能解的性能的回答；该编码字符串的该含量估计越好，该适合度值也越高；该适合度值再送到一个繁殖模块；

(4)执行判别过程以确定是否终止进化；在此，判别指标定义为总进化代数；当该遗传算法递推到该总进化代数时，选择其中一个具有最大适合度值的二进制字符串作为解并且该遗传算法退出进化；其相应的含量估计矢量就是该像素点的含量估计；

(5)在该繁殖模块中，基于来自该适合度计算模块的该适合度输出，进行繁殖；在此，该繁殖是基于适者生存的规律，即，这些适合度值度的二进制字符串会在新一代中有大量复制；一旦这些二进制字符串被繁殖或复制作为下一代使用，该二进制字符串将在配对集合中进行另外两类操作，即交配与变异，从而繁殖；

(6)在交配模块中，通过交换该二进制字符串(染色体)的头和尾来形成子字符串集合；交配为该二进制字符串提供一种机制通过随机过程来混合和匹配其期望的品质；在该随机过程中，首先，从该繁殖模块形成的该匹配集合中选出两个新生成的字符串；其二，沿这两个字符串一致地随机选择一个交换位置；其三，交换该交换位置以后的所有字符；

(7)在变异模块中，偶而改变在一个特定字符串位置上的值；该变异是对任何简单位的恒久损失的一种保险措施；该变异的发生概率极低，以至在字符串集合中平均只有一个字符串发生变异；以及

(8)将该新的二进制字符串集合送到该解码模块，然后按(2)，(3)，(4)，(5)，(6)，(7)，以及(8)步骤执行。

Images