一种基于离散粒子群优化算法的高光谱图像端元提取方法.pdf

第31卷，第9期 光谱学与光谱分析 V01．31。No．9，pp2455—2461 2 01 and 1年9月 SpectroscopySpectralAnalysis September，2011 一种基于离散粒子群优化算法的高光谱图像端元提取方法 张兵1，孙旭1’¨，高连如1，杨丽娜2’3 1．中国科学院对地观测与数字地球科学中心。北京100094 2．中国科学院遥感应用研究所，北京100101 3．中国科学院研究生院，北京100049 摘要针对混合像元分解过程中，由于数据噪声引起的端元提取不准确问题，引入了群智能算法中的粒 子群优化算法，并对粒子群优化算法进行了改进，重新定义了位置和速度的表示方法和更新策略，得到离散 swarm 粒子群优化(discreteparticle optimization，D-PSO)，能够在离散卒问中进行有哪些信誉好的足球投注网站．解决组合优化问 题。同时，通过定义目标函数和可行解窄间，将端元提取问题改写成组合优化问题．最终实现利用D-PFff)进 行端元提取。在给出算法的详细流程之后，文章通过一组模拟数据实验和一组实际数据实验验证了D-PSO 算法对于具有较大噪声的数据的适应性和提取端元的可信程度，并分析了不同参数对于算法性能的影响。 关键词高光谱遥感；混合像元；端元提取；粒子群优化 中图分类号：TP722文献标识码：A IX)I：10．3964／j．issn．1000-059312011)09—2455—07 复杂的非线性问题提供了有效的方法，为各个领域的研究者 引 言 所霞视，在遥感I{}I像处理中也已经有了许多应用成果【11。1引， 但是在混合像元分解『nJ题中仍缺乏深入的研究。群智能算法 混合像元分解是高光谱遥感图像处理的苇要方式，分为 是近年来被广泛研究的人工智能技术，主要包括蚁群优化 端元提取和丰度反演两个部分【1]。端元提取是混合像元分解 (ant colony swarm 的关键步骤，目前已经有很多算法被提出．主要包括基于凸 子群优化(particle 2|，Nfindrt“。VCA[4J和SMACCE51；可以同 面几何学的PPIt 子群算法”)【1s]，在解决最优化问题方面具有独特的优势。 时完成端元提取和丰度反演的lEA[引，MV个7J和ICA；基于 数学形态学的AMEEt8j算法以及结合机器学习理论设计的过模拟呜群的寻找栖息地(或食物)行为达到寻找最优化问题 全局最优解的目的。自然界中，鸟群在一个区域内飞行并寻 SVM-BEE【“。这些算法以线性光谱混合模型为基础，认为混 合像元在特征空间中分布在一个高维单形体内部，而端元为 找柄息地时，鸟类个体叮以对身处的环境进行评价．判断该 这些单形体的顶点[10。。这种模型能够比较简洁地反映数据 位置适合柄息的程度；鸟群的每个个体之间可以通过呜叫在 之间的关系，计算也比较简单(距离和体积)，使得上述算法 一定范围内交流信息；每个个体均会根据其他个体传递来的 对于没有误差的理想数据具有很好的提取结果和很高的运算 信息和自己的经验改变飞行的方向和速度，继续寻找栖息 效率．但是若实际数据中像无分布不满足单形体结构(误差 地。通过这种策略，鸟群町以最终聚集在一个区域内最适合 较大或端元较多)，则提取结果会有较大误差。本文尝试将