[發(fā)明專利]一種基于模因優(yōu)化的多目標(biāo)端元識別方法

在審

• 申請?zhí)枺?/td>: 202210588220.5
• 申請日: 2022-05-27
• 公開（公告）號: CN115131659A
• 公開（公告）日: 2022-09-30
• 發(fā)明（設(shè)計）人: 蔣祥明;公茂果;詹濤;李豪;劉潔怡;張明陽;唐澤棟;王善峰
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/58;G06N3/12
• 代理公司: 西安嘉思特知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61230
• 代理人: 勾慧敏

本發(fā)明公開了一種基于模因優(yōu)化的多目標(biāo)端元識別方法，包括：獲取待識別端元的原始高光譜圖像；根據(jù)原始高光譜圖像的數(shù)據(jù)，基于純像元假設(shè)采用頂點成分分析修剪高光譜圖像的像元構(gòu)造自詞典；基于所述自詞典構(gòu)建高光譜圖像端元識別的多目標(biāo)優(yōu)化模型；基于模因優(yōu)化算法獲得所述多目標(biāo)優(yōu)化問題模型的非支配解集；利用所述多目標(biāo)優(yōu)化問題模型的非支配解集，基于膝點法確定最優(yōu)端元組合。本發(fā)明可以綜合演化算法的全局搜索能力和局部搜索算子的局部尋優(yōu)能力，提升端元識別的精度和效率，同時還可以根據(jù)膝點法從非支配解集中確定最優(yōu)端元組合。

技術(shù)領(lǐng)域

本發(fā)明屬于高光譜圖像處理技術(shù)領(lǐng)域，具體涉及一種基于模因優(yōu)化的多目標(biāo)端元識別方法。

背景技術(shù)

高光譜成像作為遙感技術(shù)發(fā)展的集大成者，已經(jīng)能夠在電磁波譜的紫外到紅外波長范圍內(nèi)以高分辨率進行成像。因此，高光譜圖像不僅可以提供地物的空間分布信息，還可以提供它們的光譜散射信息。由于每一種物質(zhì)都具有獨特的光譜吸收和散射特性，使得高光譜圖像對于地物目標(biāo)具有良好的區(qū)分和識別能力。因此，高光譜圖像已經(jīng)廣泛應(yīng)用于地物目標(biāo)的檢測、識別與分類等任務(wù)中，并成功服務(wù)于農(nóng)林資源評估、地質(zhì)勘探、水文監(jiān)測、軍事偵察和醫(yī)學(xué)檢測等領(lǐng)域。

由于高光譜探測儀空間分辨率的不足以及地物分布的復(fù)雜性，高光譜圖像的像元光譜通常是由多種基本物質(zhì)的光譜混合而成。常見的高光譜圖像混合模型包括線性、雙線性和復(fù)雜非線性混合模型。為了更精確地量化高光譜圖像的基本物質(zhì)組成，提升高光譜圖像處理任務(wù)的精度，有必要對高光譜圖像進行解混，提取出圖像中所包含的基本物質(zhì)光譜(端元)以及它們在圖像像元中所占的比例(豐度)。因此，高光譜圖像解混包含端元提取和豐度估計兩個子任務(wù)，這兩個子任務(wù)可以同步進行，也可以先后進行。

在高光譜圖像的端元識別任務(wù)中，通常需要預(yù)先確定圖像中所包含的端元數(shù)目。傳統(tǒng)的端元數(shù)目估計方法包括虛擬維度法、信號子空間估計法和頂點成分分析法等，但這類方法的估計精度容易受到噪聲和離群點的影響。雖然正則類方法可以通過引入稀疏正則項的方式而無需估計端元數(shù)目，但這類方法需要解決正則參數(shù)的取值難題。

傳統(tǒng)的端元識別方法通常基于高光譜數(shù)據(jù)的空間分布特點，采用迭代類算法或貪心算法逐步尋優(yōu)；或者采用正則類方法迭代尋優(yōu)。但這類方法無法充分搜索解空間，容易陷入局部最優(yōu)。近年來，演化優(yōu)化算法被陸續(xù)應(yīng)用于高光譜圖像的端元識別任務(wù)，并取得了良好的全局收斂效果，但也突顯出其搜索效率低的缺點。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明提供了一種基于模因優(yōu)化的多目標(biāo)端元識別方法。本發(fā)明要解決的技術(shù)問題通過以下技術(shù)方案實現(xiàn)：

本發(fā)明提供了一種基于模因優(yōu)化的多目標(biāo)端元識別方法，包括：

S1：獲取待識別端元的原始高光譜圖像；

S2：根據(jù)原始高光譜圖像的數(shù)據(jù)，基于純像元假設(shè)采用頂點成分分析修剪高光譜圖像的像元構(gòu)造自詞典；

S3：基于所述自詞典構(gòu)建高光譜圖像端元識別的多目標(biāo)優(yōu)化模型；

S4：基于模因優(yōu)化算法獲得所述多目標(biāo)優(yōu)化問題模型的非支配解集；

S5：利用所述多目標(biāo)優(yōu)化問題模型的非支配解集，基于膝點法確定最優(yōu)端元組合。

在本發(fā)明的一個實施例中，所述S2包括：

S2.1：生成維度與所述原始高光譜圖像波段相等的k個單位隨機向量u₁,u₂,…,u_k；

S2.2：將所述原始高光譜圖像中所有像元a₁,a₂,…,a_N分別向所述k個單位隨機向量上投影，其中，N表示原始高光譜圖像中的像元個數(shù)；