基于粒子群优化的高光谱遥感影像自适应波段选择方法

摘要

本发明公开了一种基于粒子群优化的高光谱遥感影像自适应波段选择方法，主要包括两个嵌套在一起的PSO算法，其中外部PSO负责自适应地优化波段数目，而内部PSO则负责优化指定数目的具体波段；本发明方法同时还改进了原始PSO算法中的目标函数。本发明能够解决高光谱遥感传统波段选择算法效果不好，以及不能事先确定波段数目的问题。本发明方法具有智能选择波段、适应性广等特点。

主权项

一种基于粒子群优化的高光谱遥感影像自适应波段选择方法，其特征在于，包括以下步骤：步骤1，选择需进行降维的高光谱影像S；步骤2，随机初始化M个粒子；步骤3，对于外部PSO，其波段数目依据进行迭代优化，x为待优化的波段数目，k为外部PSO的粒子序号，id为当前波段的数目；步骤4，令k＝k+1，随机初始化波段数目随机初始化内部嵌套PSO的波段l为内部嵌套PSO的粒子序号，Y为内部嵌套PSO所对应的波段，为当前波段数为id时内部嵌套PSO的粒子序号为l的粒子所处的位置；步骤5，对于内部嵌套PSO的每次迭代，执行以下步骤：(a)对于每一个内部嵌套PSO的粒子，评估其目标函数；(b)确定所有步骤(a)所述粒子的全局最优解(c)对于每一个步骤(a)所述粒子，确定其历史局部最优解(d)利用粒子速度更新公式和粒子位置更新公式更新所有内部嵌套PSO的粒子；其中，粒子速度更新公式和粒子位置更新公式分别由以下两个公式实现：$v_{id}^{inner}=\omega \times v_{id}^{inner}+c_1\times r_1\times (p_{id}^{inner}-x_{id})+c_2\times r_2\times (p_{gd}^{inner}-x_{id}^{inner})$$Y_{id}^{inner}=Y_{id}^{inner}+v_{id}^{inner}$式中，为当前波段数为id时内部嵌套PSO的粒子速度；c₁和c₂分别为认知学习因子和社会学习因子；r₁和r₂均为独立随机变量，其取值范围为[0,1]；ω为惯性权重，决定粒子速度的更新比例；为内部嵌套PSO的所有粒子上一步迭代的局部最优解，为内部嵌套PSO的所有粒子上一步迭代的全局最优解，为当前波段数为id时内部嵌套PSO的粒子所处的位置，为当前波段数为id时内部PSO的粒子所处的位置，x_id为当前波段数为id时PSO的粒子所处的位置；(e)重复执行步骤a)–d)，直到内部嵌套PSO收敛，将的值作为波段数目的最优值；步骤6，如果k<M，转向步骤4；如果k＝M,则检查外部PSO是否收敛，如果收敛则结束，此时外部PSO所有粒子的全局最优解为最优化的波段数目，其对应的波段为最优化的波段；如果不收敛则执行以下步骤：a)对于每一个外部PSO的粒子，检索基于内部嵌套PSO得到的波段所对应的目标函数；b)确定步骤6的步骤a)中所述粒子的全局最优解c)对于每一个外部PSO的粒子，确定其历史局部最优解d)利用粒子速度更新公式和粒子位置更新公式更新所有外部PSO的粒子；其中，粒子速度更新公式和粒子位置更新公式分别由以下两个公式实现：$v_{id}^{outer}=\omega \times v_{id}^{outer}+c_1\times r_1\times (p_{id}^{outer}-x_{id})+c_2\times r_2\times (p_{gd}^{outer}-x_{id}^{outer})$$x_{id}^{outer}=x_{id}^{outer}+v_{id}^{outer}$式中，为当前波段数为id时外部PSO的粒子速度；为外部PSO的所有粒子上一步迭代的局部最优解，为外部PSO的所有粒子上一步迭代的全局最优解，为当前波段数为id时外部PSO的粒子所处的位置，x_id为当前波段数为id时PSO的粒子所处的位置；e)令k＝1，转向步骤4。