基于人工蜂群算法的高光谱遥感图像端元提取方法

Due to the spatial resolution limitation of the imaging spectrometer, the problem of mixed pixel always exist in hyperspectral remote sensing image. Endmember extraction is a key step of mixed pixel unmixing, which infuleces a lot in its precision. therefore, the study of endmember extraction algorithms has been the focus of hyperspectral image processing research. Currently, the widespread used endmember extraction algorithms are based on linear spectral mixture model of geometry description, which lead to many limitations such as simple evaluation criteria of endmembers, the endmember number on image's bands quantity dependence, the lackage of positive feedback mechanism. This makes some individual abnormal pixels in image result to a significant adverse impact in endmember extraction. Artificial Bee Colony (ABC) algorithm, a new swarm intelligence algorithm, with the features of self-organized learning, the indirect exchange of information and parallel distributed computing, can effectively overcome the deficiencies of the existing endmember extraction algorithms. This research will start with the study of mathematical model of mixed pixels and the mechanism of ABC algorithm, mainly study the relationship between the rules of ABC and mixed pixels, and try to design an new endmember extraction method of hyperspectral images based on ABC, which can improve endmember extraction precision effectively, avoid the affecting of abnormal pixels.

由于成像光谱仪的空间分辨率限制，混合像元问题在高光谱遥感图像中普遍存在，端元提取是进行混合像元分解的关键步骤，对混合像元分解的精度有重要的影响，因此端元提取算法的研究一直是高光谱图像处理领域的重点研究内容。目前广泛使用的端元提取算法大部分是基于线性光谱混合模型的几何学描述，普遍存在端元评价标准简单、端元数量依赖于图像波段数量并且在端元提取过程中缺乏正反馈机制的不足，使得图像中的个别异常像元对端元提取结果产生重大的不利影响。群智能算法中的人工蜂群算法具有自组织学习、间接信息交流、并行分布式计算等特点，这些特点恰好能够克服现有端元提取算法的不足。本项目从混合像元的数学模型和蜂群算法的机理两个方面入手，重点研究蜂群算法中的各种规则与混合像元问题的联系，尝试设计一种以蜂群算法为基础的高光谱图像端元提取方法，利用蜂群算法的优势提高端元提取的精度，避免异常像元对端元提取的影响。

本项目面向高光谱遥感图像中普遍存在的混合像元问题，针对端元提取这一混合像元分解的关键步骤，从理论模型、求解算法和硬件加速等三个方面开展研究。首先，以线性光谱混合模型为基础，针对纯像元在图像中存在和不存在两种情况，分别建立了目标函数并改进人工蜂群算法的搜索策略，设计了两种基于人工蜂群算法的高光谱图像端元提取方法，分析了算法参数对混合像元分解精度的影响，分析了算法对具有不同图像参数的高光谱图像的适应性分析，比较了蜂群算法与其他群智能算法的混合像元分解中的应用效果。其次，利用群智能算法具有潜在并行性的特点，结合多智能体技术的高效计算和灵活扩展的特性，设计了结合多智能体技术和人工蜂群算法的高光谱图像端元提取策略。然后，利用超像元分割技术将高光谱图像中空间位置临近且光谱特征相似的像元进行合并，设计了融合简单线性迭代聚类的高光谱混合像元分解策略。另外，还将人工蜂群优化算法扩展到高光谱图像聚类领域，针对典型高光谱图像聚类算法聚类中心选择方法简单、空间邻域信息利用不够充分的问题，将马尔可夫随机场模型与K均值算法模型相结合，并利用人工蜂群算法进行聚类中心的优化，得到了一种融合光谱信息与空间邻域信息的高光谱图像人工蜂群聚类算法。本项目主要成果包括，编写了基于人工蜂群优化的高光谱遥感图像端元提取方法Matlab程序1套，编写融合光谱信息与空间邻域信息的高光谱图像人工蜂群聚类算法Matlab程序1套，构建了高光谱图像端元提取测试数据集和算法参数集各1套，提交年度报告2份及结题报告1份，发表论文5篇（其中SCI期刊论文4篇、EI期刊论文1篇），出版学术专著1部。