一种高光谱图像波段选择方法技术

本发明专利技术属于遥感图像处理技术领域，具体涉及一种基于拟态物理学优化算法的高光谱图像波段选择方法，属于遥感图像处理技术领域。本方法包含：（1）进行子空间划分；（2）产生初始种群、初始速度；（3）获得最优适应度值和最差适应度值；（4）获得种群个体的质量、个体受其他个体虚拟作用力以及作用力合力；（5）更新个体运动的速度和位置；（6）更新最优适应度值和最差适应度值；（7）判断迭代次数t是否满足t＞tmax，若满足，则停止循环；若不满足，迭代次数加1，继续执行步骤(4)-(7)。

【技术实现步骤摘要】
本专利技术属于遥感图像处理
，具体涉及一种基于拟态物理学优化算法的高光谱图像波段选择方法，属于遥感图像处理

技术介绍
随着遥感技术和成像光谱仪的发展，高光谱图像得到了越来越广泛的应用。由于高光谱图像获得几乎连续的地物波谱信息，使其具有其他遥感图像不可比拟的地物特征识别能力，但高光谱图像具有波段数多、数据量庞大等特点给高光谱图像的分类、识别等处理带来了很大的困难。例如，信息冗余度高、数据存储所需空间大、处理时间长，且容易出现“维数祸根”现象。因此，在保证地物分类识别率的情况下，对高光谱图像进行降维处理是非常迫切和重要。 对高光谱图像进行降维主要有两种途径特征提取和波段选择。特征提取是将原始高维数据空间进行变换，再取子空间，该方法通常算法复杂、计算量较大，且不利于图像的解译。相比之下，波段选择是从高光谱图像所有波段中选出一些最有效的波段以达到降维的目的，其不仅有效地去除了冗余特征，避免了“维数祸根”，而且在样本数较少的情况下改善了分类器的性能。高光谱图像波段选择是一个组合优化问题，也即是一个NP难问题。一般地，为了获得最优波段子集，即波段子集有较好的性能，必须进行穷举搜索，这样就会消耗大量的搜索、运算时间。因此，常常利用智能寻优搜索方法获得次优或近似最优波段子集来降低搜索、运算的时间代价。近些年来，出现了许多将智能寻优算法应用于高光谱图像的波段选择中，并取得了一定的效果。赵冬和赵光恒利用遗传算法进行高光谱图像波段选择(赵冬，赵光恒.基于改进遗传算法的高光谱图像波段选择[J].中国科学院研究生院学报，2009，26(6) :795-802.);周爽利用蚁群算法进行高光谱图像降维处理(周爽.蚁群算法在高光谱图像降维和分类中的应用研究[D].哈尔滨哈尔滨工业大学，2010:4216);黄睿利用粒子群算法进行高光谱遥感数据特征约简(黄睿.高光谱遥感数据特征约简技术的研究[D],西安西北工业大学，2005:36-49)，等等。这些寻优算法中，遗传算法是一种概率搜索寻优算法，可以较好地解决波段选择过程中波段组合数目多、难以遍历的问题，但其收敛速度问题目前仍无法得到满意的解决，即在有限的时间内无法有效收敛。蚁群算法是一种群智能的搜索算法，可以搜索到性能较好的波段组合，但其一般需要较长的搜索时间，而且容易出现停滞现象，产生早熟。粒子群算法是一种基于种群迭代的优化算法，其虽然收敛速度较快，但收敛精度不高，而且容易早熟。总之，已有的算法不能兼顾搜索效率和精解效率。
技术实现思路
本专利技术的目的在于提供一种具有较高精解效率和搜索效率的一种运用拟态物理学优化算法的高光谱图像波段选择方法。本专利技术的目的是这样实现的本方法包含如下具体步骤(I)获取高光谱图像波段间的相关系数矩阵，根据相关系数矩阵将高光谱图像进行子空间划分；(2)根据控制参数初始化种群、个体速度，产生初始种群、初始速度；(3)根据适应度函数获得初始种群的最优适应度值和最差适应度值；(4)获得种群个体的质量、个体受其他个体虚拟作用力以及作用力合力；(5)更新个体运动的速度和位置；(6)获得更新后的个体适应度值，更新最优适应度值和最差适应度值；(7)判断迭代次数t是否满足t > tmax，若满足，则停止循环，输出最优波段组合；若不满足，迭代次数加1，进行t+Ι次迭代继续执行步骤(4)-(7)。将高光谱图像进行子空间划分是将划分的波段子空间个数作为拟态物理学优化算法种群中个体的维数I，子空间中波段区间即为个体每一维运动的范围。将高光谱图像进行子空间划分是在每个子空间中同时选择多个波段作为个体在此子空间中的维数,个体在所有子空间中维数之和即为个体的总维数,其中在每个子空间中波段的选择，根据子空间中波段的个数，按比例取值。初始化种群是在确定每个子空间波段序号的上、下界的情况下，在每个子空间的波段区间内，即运动的空间内，产生η个波段，即每个个体在每个子空间中只选择一个波段，因此产生一个ηΧ I的正整数矩阵，每一行代表一个波段组合，即拟态物理学优化算法中的一个个体，这样产生了 η个初始种群个体。初始化个体速度是根据每个子空间中的波段数目，确定个体速度向量每一分量的最大值匕&1/卜|_0.1 /)-^/)+1)_|,其中，(^)和d(j)表示第j个子空间波段序号的下界和上界，在运动速度的约束范围Vi = [-Vmax, VmaJ内，产生初始速度矩阵vnX1。以Jeffries-Matusita距离作为类间可分性函数，最佳索引因子作为信息量函数，计算初始种群个体的适应度值，获得初始种群的最优适应度值和最差适应度值，类间可分性函数距离为=[2x(l-t- u )]+，其中Dij为 I +g \ρ^ (Μ_-μγ(M^T1 ^)+i]n1+二)，式中，Ui, ^分别为第 i类和第 j类在波段y ]、I 2 J1 2 MM组合上的度量均值矢量，Σ ,、Σ」分别为第i类和第j类在波段组合上的协方差矩阵，T为 ηYdSl转置符；最佳索引因子力^其中，Si为波段i方差，Ru为波段i和波段j的相 ΣΣΚΙ/=1 j=i关系数；初始种群个体的适应度值f (Xi) = aXJ+bXOIF，其中，a和b为权重系数。个体质量与个体的适应度值成正比例关系，种群规模为n，第i (i = 1，2，. . .，η)个 fhs/j—fh)个体的质量表示为mi;m — /(w)-/(^J()其中，Xbejst为当前种群中的最优个体，xWOTSt为当前 — C- 种群中的最差个体，f (Xbest)为最优个体的适应度值，f (Xwmst)为最差个体的适应度值，f (Xi)为个体Xi的适应度值。个体受其他个体虚拟作用力本文档来自技高网...

【技术保护点】
一种高光谱图像波段选择方法，其特征在于，包含如下具体步骤：（1）获取高光谱图像波段间的相关系数矩阵，根据相关系数矩阵将高光谱图像进行子空间划分；（2）根据控制参数初始化种群、个体速度，产生初始种群、初始速度；（3）根据适应度函数获得初始种群的最优适应度值和最差适应度值；（4）获得种群个体的质量、个体受其他个体虚拟作用力以及作用力合力；（5）更新个体运动的速度和位置；（6）获得更新后的个体适应度值，更新最优适应度值和最差适应度值；（7）判断迭代次数t是否满足t＞tmax，若满足，则停止循环，输出最优波段组合；若不满足，迭代次数加1，进行t+1次迭代继续执行步骤(4)？(7)。

【技术特征摘要】
1.一种高光谱图像波段选择方法，其特征在于，包含如下具体步骤 (1)获取高光谱图像波段间的相关系数矩阵，根据相关系数矩阵将高光谱图像进行子空间划分； (2)根据控制参数初始化种群、个体速度，产生初始种群、初始速度； (3)根据适应度函数获得初始种群的最优适应度值和最差适应度值； (4)获得种群个体的质量、个体受其他个体虚拟作用力以及作用力合力； (5)更新个体运动的速度和位置； (6)获得更新后的个体适应度值，更新最优适应度值和最差适应度值； (7)判断迭代次数t是否满足t> tmax，若满足，则停止循环，输出最优波段组合；若不满足，迭代次数加1，进行t+Ι次迭代继续执行步骤(4)-(7)。2.根据权利要求I所述的一种高光谱图像波段选择方法，其特征在于所述将高光谱图像进行子空间划分是将划分的波段子空间个数作为拟态物理学优化算法种群中个体的维数I，子空间中波段区间即为个体每一维运动的范围。3.根据权利要求I或2所述的一种高光谱图像波段选择方法，其特征在于所述将高光谱图像进行子空间划分是在每个子空间中同时选择多个波段作为个体在此子空间中的维数，个体在所有子空间中维数之和即为个体的总维数，其中在每个子空间中波段的选择，根据子空间中波段的个数，按比例取值。4.根据权利要求3所述的一种高光谱图像波段选择方法，其特征在于所述初始化种群是在确定每个子空间波段序号的上、下界的情况下，在每个子空间的波段区间内，即运动的空间内，产生η个波段，即每个个体在每个子空...

【专利技术属性】
技术研发人员：王立国，魏芳杰，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：