【技术实现步骤摘要】
本专利技术涉及高光谱遥感，更具体的，涉及一种考虑光谱变异性的多目标多空间协同高光谱解混方法及系统。
技术介绍
1、混合像元分解方法根据流程大致可分为两类。第一类方法，将端元提取和丰度估计作为两个独立的步骤，先进行端元提取，随后进行丰度估计。常见的端元提取方法包括基于凸几何理论的方法、基于投影的方法、空间-光谱联合方法、误差分析方法以及基于优化的方法。与此同时，丰度估计通常采用基于约束最小二乘法的方法和稀疏回归方法。第二类方法，将端元提取和丰度估计这两个阶段整合，主要的方法包括基于非负矩阵分解的方法和基于深度学习的方法。
2、根据是否考虑类内端元变异性，混合像元分解方法还可以进一步分类。一类方法考虑此变异性，而另一类则不考虑。不考虑端元变异性的方法，使用单一端元来代表混合模型中的一类地物，这种方法在理解和实施上都较为直接。然而，真实的高光谱场景中，通常存在着复杂的端元变异性问题，即一类地物内部存在光谱差异。这种变异性是由类内材料差异、照明条件差异、地形变化和物候期等因素造成的。因此，越来越多的研究正在着手于处理端元变异性问题。
3、一些解决端元变异性的方法，利用现有端元库，应用如多端元光谱混合分析或稀疏解混等丰度估计算法，完成混合像元分解。这些丰度估计算法会在端元库中选取最为适合的一组端元来进行丰度估计。但是在实际应用中，端元库的适配性以及可用性是不能保证的。因此一种更为可行的方法是从图像中自动提取这些端元，为每一个地类提取若干条端元以组成“端元束”，尽可能的包含所有类内变化，这类方法被成为端元束提取算法。
4、目前，仅有少量的端元束提取算法被开发。空间局部提取是端元束提取方法中最流行的思路之一。如将高光谱图像在空间维度分割成若干子集，并在每个子集内部提取端元。在此方法中，首先基于格拉姆矩阵方法估计每个子集中的端元数量，然后使用传统端元提取算法进行端元提取。最后，将在所有子集中获取的端元整合，输出端元束。还有如在全局图像中随机选取像素构成子集，提出ebe算法，或如利用多尺度间隔采样将图像分为多干子集中，提出msrebe算法。然而，这类端元束提取方法存在一定缺陷，如无法处理子集中材料类别不完整的情况，仅考虑光谱信息，且利用的传统端元提取算法受到凸几何理论的限制，提取的端元并不准确。
5、此外，还有一些端元束提取方法利用空间信息或光谱曲线形状信息进行端元束提取。如一种基于空间和光谱特征的端元束提取方法(ssebe)，该方法使用传统端元提取算法从高光谱图像中提取端元，并基于异质性指数开发了后处理策略，用于剔除位于异质区域的候选端元。该方法同样受到传统基于凸几何理论端元提取算法的有限精度的限制；还有如一种基于光谱曲线的端元提取方法(scee)。该方法利用某一波段内小波变换系数最大或最小的像素形成候选端元集，并基于连通组件标记方法，剔除候选端元集中较小的连通区域中的像素，以获得最终的端元集。该算法存在明显缺陷，体现于其在获取完整的端元集时，大量冗余像素和噪声像素会被选中，导致端元束提取精度严重下降。
6、本质上，端元提取是一种组合优化问题，需要在图像中搜索到最佳的端元组合。近年来，由于具备强大全局搜索能力，多目标优化算法已在端元束提取领域取得了显著进展。现有基于端元在不同的特征空间中的相对位置不同的假设，在不同特征空间构建端元提取模型，并通过多目标优化算法获得端元束，提出了moebe算法。此类方法利用不同特征空间中数据分布的差异，将更多的端元暴露在像素所构成的凸几何的边界，从而提升端元提取的丰富度。然而，此类技术通常将原始高光谱图像沿着光谱维度，粗略地等分割成三个光谱子集，将不同光谱子集视为不同特征空间，这种方式忽视了各地类的独特光谱特征，没有充分利用光谱子空间的潜力。并且此类技术在多目标优化中，直接采用通用进化算法框架。在端元提取这一组合优化问题上，通用进化算法框架存在个体退化问题。目前迫切需要，更加有效的基于多目标优化的端元束提取框架，并且需要针对端元束提取任务的特性改进优化算法。利用多目标优化算法实现全面的端元束仍然是一个未解决的挑战。
7、综上所述，现有高光谱图像解混方法存在提取端元束精度不足的问题，因此如何专利技术一种高精度的基于多目标优化算的法端元束提取解混方法，是本
亟需解决的技术问题。
技术实现思路
1、本专利技术为了解决现有技术提取端元束精度不足的问题，提供了一种考虑光谱变异性的多目标多空间协同高光谱解混方法，其具有能够提升端元束提取的完备性、避免个体退化和拥挤距离失效问题的特点。
2、为实现上述本专利技术目的，采用的技术方案如下：
3、一种考虑光谱变异性的多目标多空间协同高光谱解混方法，包括以下具体步骤：
4、基于高光谱图像的地类光谱差异化特征，构建光谱特征子空间集合；
5、基于光谱特征子空间集合，构建多目标多空间协同端元提取模型；
6、迭代优化求解多空间协同模型；
7、输出求解得到的端元束作为解混结果。
8、优选的，基于地类光谱差异化特征，构建光谱特征子空间，具体步骤为：
9、使用k-medios聚类算法，在空间维度上将高光谱图像聚类为p个像素簇，得到子数据其中p为端元类别数，l为波段数，ni为第i个像素簇所包含的像元数；
10、在每个簇的子数据上，使用增强密度峰值的快速聚类无监督波段选择算法，得到p组被选择的波段序号；
11、根据获得的p组波段序号组合，在光谱维度上将子数据拆分为p份，得到子数据
12、使用最小噪声分离变换对yj进行降维，得到降维后的数据
13、将中的每m个子数据分为一组，获得全部可能组合方式下的子空间集合
14、进一步的，基于光谱特征子空间集合，构建多目标多空间协同端元提取模型，具体为：
15、构建基于最大体积理论的多目标优化函数：
16、
17、其中，为中第i个子空间下的端元矩阵，vol(ai)表示求ai所构成的单形体的体积；
18、基于多目标优化函数，构建基于改进的nsga-ii的多目标优化算法；
19、基于内外循环，构建用于端元束提取的多目标多空间协同端元提取模型：
20、在内循环中，通过多目标优化算法迭代优化种群，最大化多目标函数，提取最优端元束；
21、将优化算法迭代次数达到设定的最大迭代次数作为内循环终止条件；
22、在外循环中，每次按顺序迭代选择子空间组合并输入到多目标优化算法中，作为内循环端元数提取计算目标函数的特征空间；
23、将提取完成所有光谱特征子空间组合下的最优端元束作为外循环终止条件。更进一步的，基于多目标优化函数，所述的多目标优化算法，具体步骤为：
24、s1：将输入的端元束初始化为包含np个个体的种群；随机初始化个体的序号并初始化p个基因库；
25、s2：采用基因段分配策略，将种群中的个体随机两两分组，组成本文档来自技高网...
【技术保护点】
1.一种考虑光谱变异性的多目标多空间协同高光谱解混方法，其特征在于：包括以下具体步骤：
2.根据权利要求1所述的考虑光谱变异性的多目标多空间协同高光谱解混方法，其特征在于：基于地类光谱差异化特征，构建光谱特征子空间，具体步骤为：
3.根据权利要求2所述的考虑光谱变异性的多目标多空间协同高光谱解混方法，其特征在于：基于光谱特征子空间集合，构建多目标多空间协同端元提取模型，具体为：
4.根据权利要求3所述的考虑光谱变异性的多目标多空间协同高光谱解混方法，其特征在于：基于多目标优化函数，所述的多目标优化算法，具体步骤为：
5.根据权利要求4所述的考虑光谱变异性的多目标多空间协同高光谱解混方法，其特征在于：步骤S1中，随机初始化个体的序号并初始化P个基因库，具体为：
6.根据权利要求5所述的考虑光谱变异性的多目标多空间协同高光谱解混方法，其特征在于：计算空间拥挤度，具体步骤为：
7.根据权利要求6所述的考虑光谱变异性的多目标多空间协同高光谱解混方法，其特征在于：采用基于空间拥挤度的精英保留环境选择方法在p'中选取m个
8.根据权利要求7所述的考虑光谱变异性的多目标多空间协同高光谱解混方法，其特征在于：在内循环之间还设有防重复提取的替换机制，其具体步骤为：
9.根据权利要求8所述的考虑光谱变异性的多目标多空间协同高光谱解混方法，其特征在于：计算提取的每个端元与原始高光谱图像的全部像素的光谱角距离，具体为：
10.一种考虑光谱变异性的多目标多空间协同高光谱解混系统，其特征在于：包括级联的光谱特征子空间构建模块、多空间协同模型构建模、优化求解模块：
...【技术特征摘要】
1.一种考虑光谱变异性的多目标多空间协同高光谱解混方法，其特征在于：包括以下具体步骤：
2.根据权利要求1所述的考虑光谱变异性的多目标多空间协同高光谱解混方法，其特征在于：基于地类光谱差异化特征，构建光谱特征子空间，具体步骤为：
3.根据权利要求2所述的考虑光谱变异性的多目标多空间协同高光谱解混方法，其特征在于：基于光谱特征子空间集合，构建多目标多空间协同端元提取模型，具体为：
4.根据权利要求3所述的考虑光谱变异性的多目标多空间协同高光谱解混方法，其特征在于：基于多目标优化函数，所述的多目标优化算法，具体步骤为：
5.根据权利要求4所述的考虑光谱变异性的多目标多空间协同高光谱解混方法，其特征在于：步骤s1中，随机初始化个体的序号并初始化p个基因库，具体为：
6.根据权利要...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。