基于nnia進化算法的高光譜圖像波段降維方法
【專利摘要】本發(fā)明公開一種基于NNIA進化算法的高光譜遙感圖像波段降維的方法，主要解決現(xiàn)有高光譜遙感圖像波段降維方法改變原始圖像的物理意義和不能較完整的保留感興趣的信息以及去除冗余信息的問題。它通過定義兩個目標函數(shù)，分別代表選擇的波段組合信息的峰度和代表波段間相關性的KL散度，然后利用NNIA優(yōu)化目標函數(shù)，得到一組非支配解，讓用戶自行選擇需要的結果，可用于高光譜遙感圖像的分類、目標識別、混合像元分解等【技術領域】中。本發(fā)明具有不改變原始波段的物理意義，能夠較好的保留完整的信息、去除冗余信息，降維后分類準確度高的優(yōu)點。
【專利說明】基于NNIA進化算法的高光譜圖像波段降維方法

【技術領域】
[0001] 本發(fā)明屬于遙感圖像處理【技術領域】，涉及搜索選擇，可用于圖像分類、目標識別、 混合像元分解等【技術領域】中。

【背景技術】
[0002] 波段降維是高光譜遙感圖像處理過程中的一個重要步驟。高光譜圖像數(shù)據(jù)包含數(shù) 百個連續(xù)波長的窄光譜。其豐富的光譜信息提供了準確的地物識別潛力。但其龐大的數(shù)據(jù) 量在數(shù)據(jù)的傳輸計算和存儲等方面都帶來了很嚴重的問題。特別是當數(shù)據(jù)的維數(shù)很高的時 候，一些波段之間存在很強的相關性，包含大量的冗余信息，這使得分類精度會隨著有限的 訓練樣本的維數(shù)的增加而下降，即出現(xiàn)Hughes現(xiàn)象。因此很多基于統(tǒng)計的分類方法對高光 譜遙感圖像是無效的，所以高光譜遙感圖像的波段降維是高光譜數(shù)據(jù)應用的一個很關鍵的 環(huán)節(jié)。
[0003] -般的高光譜數(shù)據(jù)降維有兩種方法，即特征提取和特征選擇。特征提取是基于變 換的方法，例如：主成分分析（PCA)法，F(xiàn)isher線性判別分析法，獨立成分分析（ICA)法等， 這些方法的特點是經過數(shù)次數(shù)學變換，提取出對分類影響最大的特征。這種方法的優(yōu)點是 基于數(shù)學變換直接將高維數(shù)據(jù)降到幾維甚至一維，降維速度快。但是基于特征選擇的方法 有一個共同的缺點是對數(shù)據(jù)進行了變換改變了遙感圖像原有的物理特性。特征選擇是基于 非變換的方法，這種方法是對源數(shù)據(jù)進行特征排序和特征聚類對光譜波段進行選擇。常見 的方法有基于互信息聚類的Walumi、基于梯度體積最大的VGBS、基于特征向量優(yōu)先排序的 MVPCA等方法。波段選擇通常是被認為是一個搜索過程，波段選擇的方法保留了圖像原有的 特性，更有利于對地物的分析具有更大的應用價值。
[0004] 高光譜圖像降維的關鍵是盡可能大的去除冗余信息和盡可能多的保留圖像信息 量，本專利使用KL散度來表示不同波段間的相關性，用峰度來表示保留圖像的信息量。KL 散度在信息論里又稱為相對熵，是描述兩個概率分布差異的一種方法。峰度又稱為峰度系 數(shù)，是表征概率密度函數(shù)分布曲線陡峭程度的數(shù)字特征，峰度值越大，數(shù)據(jù)的概率密度函數(shù) 分布曲線越陡峭，表征數(shù)據(jù)所含的信息量越大，與傳統(tǒng)的均值方差等一、二階距相比較，峰 度系數(shù)（四階距）能更好的反映地物目標的信息豐富程度。
[0005] 進化算法是基于自然選擇和遺傳變異等生物機制的一類啟發(fā)式搜索算法，以達爾 文進化論為思想不斷發(fā)展，已被成功應用到多目標優(yōu)化領域?，F(xiàn)實社會當中總會遇到多個 目標在給定的區(qū)域空間上盡可能最優(yōu)的決策問題，而且當提高其中的某個目標會導致其他 目標變差，這就是多目標問題。對于多目標問題的解來說，必須在多個目標之間取得一個 平衡來獲得相對折衷的解。但是不同于單目標優(yōu)化問題只有一個最優(yōu)解存在，多目標問題 一個解對于某個目標是比較好的，對于其他目標來講或許是差的。因此在多目標優(yōu)化問題 里定義一個集合稱為pareto最優(yōu)解集或非支配解集作為折衷解的集合。多目標優(yōu)化就是 找出這個折衷解集的分布情況，并根據(jù)具體情況找出適合問題的解。多目標優(yōu)化問題從開 始通過加權方式轉化為單目標問題來解決到目前一直在不斷的發(fā)展，1993年，F(xiàn)onseca和 Fleming提出了MultiobjectiveGeneticAlgorithm(MOGA)，被認為是第一次利用進化算 法求解多目標優(yōu)化問題。將進化算法引入多目標優(yōu)化問題降低了傳統(tǒng)數(shù)學規(guī)劃方法對權重 值的敏感程度，提高了求解效率。進化算法通過父代與子代之間的優(yōu)勢基因保留，重組變異 來實現(xiàn)全局搜索，對于搜索多目標優(yōu)化問題的pareto最優(yōu)解集是非常有用的。
[0006] NNIA是Gong和Jiao等人在 2008 年提出的：《GongM,JiaoL,DuH,et al.MuItiobjectiveimmunealgorithmwithnondominatedneighbor-based selection[J] ?EvolutionaryComputation, 2008, 16 (2) : 225-255.》。NNIA模擬了免疫響應 中多樣性抗體共生、少數(shù)抗體激活的現(xiàn)象，通過基于非支配鄰域的個體選擇方法，僅僅選擇 少數(shù)相對孤立的非支配個體作為活性抗體，根據(jù)活性抗體的擁擠程度進行比例克隆復制， 對克隆后的抗體種群進行重組交叉和變異操作，加強了對當前Pareto前沿面中稀疏區(qū)域 的搜索。NNIA是一種非常有效的EMO算法，特別是當目標維數(shù)較高的時候，對于困難的DTLZ 等問題，NNIA比NSGA-II，SPEA2等方法更加有效。


【發(fā)明內容】

[0007] 本發(fā)明的目的是提供一種基于NNIA進化算法的高光譜遙感圖像降維的方法。
[0008] 本發(fā)明的技術方案是利用NNIA進化算法進行高光譜遙感數(shù)據(jù)的波段選擇，得到 的波段組合權衡了有用信息保留和冗余信息的消除（去相關），得到了一組滿足目標函數(shù) 的非支配折衷解，然后從中選取用戶需要的波段組合。本發(fā)明克服了上述已有技術的一些 不足，保留原有圖像的物理特性得到的波段組合能夠較好的保留有用信息去除波段間冗余 性更好的適用于降維后地物分類、識別等后續(xù)運用。其具體實現(xiàn)過程如下：
[0009] (1)設置運行參數(shù)，最大迭代次數(shù)，輸入選擇波段數(shù)；
[0010] (2)輸入原始遙感數(shù)據(jù)，隨機生成初始波段組合，產生初始抗體種群；
[0011] (3)計算抗體種群的適應度；
[0012] (4)基于非支配鄰域選擇更新非支配種群C;
[0013] (5)判斷是否迭代到最大一代，達到則轉到步驟（10)，否則繼續(xù)步驟（6);
[0014] (6)選擇少數(shù)相對孤立的非支配個體作為活性抗體種群；
[0015] (7)根據(jù)活性抗體種群的擁擠程度進行比例克隆復制；
[0016] (8)對克隆后的抗體進行重組交叉和變異操作得到種群D;
[0017] (9)通過組合種群C和D，形成新的抗體種群，返回步驟（3);
[0018] (10)輸出ParetO前端和波段組合；
[0019] (11)選擇波段組合進行圖像分類，輸出分類結果圖。
[0020] 本發(fā)明的動機在于高光譜圖像降維的關鍵是盡可能大的去除冗余信息和盡可能 多的保留圖像有用信息量，所以我們把去除冗余信息和保留有用信息當做目標函數(shù)來進行 優(yōu)化。由于高光譜遙感圖像是連續(xù)窄波段的數(shù)據(jù)，往往信息量多的波段都聚集在一起相互 之間具有大的冗余信息，所以這兩個目標是不能同時滿足，具有矛盾性的，一方面好時另一 方面不一定好，這就可以考慮使用多目標進化算法對兩個目標函數(shù)進行優(yōu)化，得到一組折 衷解，滿足目標函數(shù)值最優(yōu)。本發(fā)明與現(xiàn)有的技術相比具有以下優(yōu)點：
[0021] 1、本發(fā)明由于采取的是波段選擇技術，所以更好的保留了原圖像的物理特性；
[0022] 2、本發(fā)明采用進化算法權衡保留圖像有用信息和對冗余信息的去除；
[0023] 3、本發(fā)明得到一組結果，而不是其他方法只得到一個結果，可以從中選擇自己想 要的波段組合。

【專利附圖】

【附圖說明】
[0024] 圖1是本發(fā)明實現(xiàn)步驟的流程框圖；
[0025] 圖2是pareto前端結果圖；
[0026] 圖3是Indian_pinesCp(145X145X220)數(shù)據(jù)集的地物分類參考圖；
[0027] 圖4、圖5是用本發(fā)明對Indian_pinesCp數(shù)據(jù)集降維到16維，分別選擇2組波段 組合解進行地物分類得到的分類圖像。
[0028] 圖6是用現(xiàn)有的波段選擇方法MVPCA對Indian_pinesCp數(shù)據(jù)集降維到16維，得 到的波段組合進行地物分類得到的分類圖像。
[0029] 圖7是用現(xiàn)有的波段選擇方法VGBS對Indian_pinesCp數(shù)據(jù)集降維到16維，得到 的波段組合進行地物分類得到的分類圖像。

【具體實施方式】
[0030] 參照圖1，本發(fā)明的具體實現(xiàn)步驟如下：
[0031] 步驟1、給定運行參數(shù)，設定算法終止條件。
[0032] 所述的運行參數(shù)包括：活性抗體種群大小NA、克隆規(guī)模CS、非支配種群大小NM、進 化代數(shù)gmax和輸入選擇波段數(shù)Num。
[0033] 優(yōu)選地，NA設為20、CS設為100、NM設為100、gmax設為100。Num為用戶需求的 波段數(shù)，用戶需要降到幾維就輸入幾，在本發(fā)明里設為16。
[0034] 步驟2、輸入原始遙感圖像數(shù)據(jù)，對原始數(shù)據(jù)進行轉換變?yōu)長*M格式，其中L為一個 波段中的像素個數(shù)，M為原始數(shù)據(jù)的波段數(shù)目。采用實數(shù)編碼方式，波段序號表示的就是這 個波段，隨機生成初始波段組合，產生初始抗體種群。
[0035] 可選地，用matlab的隨機函數(shù)隨機生成初始波段組合，產生初始抗體種群。
[0036] 步驟3、計算抗體種群的適應度。
[0037] 可以采用如下步驟進行：
[0038] 3a)從原始圖像數(shù)據(jù)中按照抗體種群波段組合提取出降維后的圖像數(shù)據(jù)。
[0039] 3b)求降維后的圖像數(shù)據(jù)適應度。
[0040] 在本專利里，降維后的圖像數(shù)據(jù)適應度用以下目標函數(shù)1和目標函數(shù)2表述：
[0041] 四階中心矩的峰度系數(shù)度量了隨機變量偏離正態(tài)分布陡峭程度，度量了隨機變量 特征信息的豐富程度。峰度系數(shù)值越大，密度函數(shù)曲線越陡峭。即峰度系數(shù)值越大說明數(shù) 據(jù)越偏離正態(tài)分布，所含的信息量越大。峰度系數(shù)K表示為：
[0042]

【權利要求】
1. 一種基于NNIA進化算法的高光譜遙感圖像波段降維方法，包括如下步驟： (1) 設置運行參數(shù)，最大迭代次數(shù)，輸入選擇波段數(shù)； (2) 輸入原始遙感數(shù)據(jù)，隨機生成初始波段組合，產生初始抗體種群； (3) 計算抗體種群的適應度； (4) 基于非支配鄰域選擇更新非支配種群C; (5) 判斷是否迭代到最大一代，達到則轉到步驟（10)，否則繼續(xù)步驟（6); (6) 選擇少數(shù)相對孤立的非支配個體作為活性抗體種群； (7) 根據(jù)活性抗體種群的擁擠程度進行比例克隆復制； (8) 對克隆后的抗體進行重組交叉和變異操作得到種群D; (9) 通過組合種群C和D，形成新的抗體種群，返回步驟（3); (10) 輸出Pareto前端和波段組合； (11) 選擇波段組合進行圖像分類，輸出分類結果圖。
2. 根據(jù)權利要求1所述的基于NNIA進化算法的高光譜遙感圖像波段降維方法，其中步 驟（3)中計算適應度的目標函數(shù)峰度系數(shù)和散度Dia: (2a)峰度系數(shù)函數(shù)
其中N為一個波段總的像素個數(shù)，η為選擇的波段數(shù)，Xini為第i個波段中第m個像素 的概率密度值，瓦為第i個波段中所有像素的概率密度平均值； (2b)散度函數(shù)
其中N為一個波段總的像素個數(shù)，η為選擇的波段數(shù)，Xini為第i個波段中第m個像素 的概率密度值，Xjm為第j個波段中第m個像素的概率密度值。
3. 根據(jù)權利要求1所述的基于NNIA進化算法的高光譜遙感圖像波段降維方法，其中步 驟（6)選擇少數(shù)相對孤立的非支配個體作為活性抗體種群，計算所有非支配種群個體擁擠 距離，按擁擠距離降序排列選擇靠前的NA個為活性抗體種群。
4. 根據(jù)權利要求1所述的基于NNIA進化算法的高光譜遙感圖像波段降維方法，其中步 驟（7)根據(jù)活性抗體種群的擁擠程度進行比例克隆復制，對于每一個活性抗體個體，其克 隆比例為
其中η。代表克隆種群的規(guī)模大小，ζ(ai，A)是活性抗體的擁擠距離，A代表活性抗 體種群。
【文檔編號】G06N3/00GK104318515SQ201410557507
【公開日】2015年1月28日 申請日期:2014年10月20日 優(yōu)先權日:2014年10月20日
【發(fā)明者】公茂果, 馬晶晶, 鐔永強, 馬文萍, 張明陽, 劉嘉, 王馳 申請人:西安電子科技大學