论文部分内容阅读
高光谱遥感由于其光谱分辨率高、波段多而连续等特点而被广泛应用于诸多领域。但是较低的空间分辨率使得其混合像元的问题十分突出。混合像元是由包含多种不同物质的混合物所构成的像元。为提高遥感应用精度，需要进行光谱解混，将混合像元分解成各种只对应一种特征地物的基本成分（端元），以及这些端元所占的比例丰度。经过数年的发展，国内外学者提出了许多光谱解混技术方法。其中，非负矩阵分解(Nonnegative Matrix Factorization，NMF)由于不需假设图像中存在纯像元并且能够保证结果的非负性，成为近些年常被使用的基础算法。然而传统的NMF解混方法通常存在两方面的不足:首先，以固定惩罚系数方法处理端元提取的约束优化问题，难以较好权衡目标项与约束项间的关系，影响提取效果;其次，求解过程通常基于梯度算法，其算法依赖于初始值和步长的设定，容易陷入局部最优。 针对这些问题，本文引入了群智能粒子群算法(Particle Swarm Optimization，PSO)来求解NMF解混问题，以实现更高精度的光谱解混。然而，把PSO直接用于解混也存在一些问题:依靠现有PSO算法无法直接求解NMF问题;同时，当解混的问题维度过高时，PSO会过早收敛从而严重影响结果精度。因此，为了使PSO算法更有效地与解混相结合，同时发挥PSO在优化处理方面的优势，以弥补传统算法的不足，本论文进行了如下的改进: 1.提出一种高维PSO光谱解混算法，实现在端元距离最小约束NMF框架下的粒子群光谱解混算法。首先在迭代中利用全约束最小二乘FCLS算法求解丰度，解决PSO无法直接求解NMF的问题，然后根据高光谱数据特点按波段分维使复杂问题简化为多个低维子空间问题然后进行求解，从而解决了PSO解混时易早熟的问题。同时，实验结果证明了该算法精度要好于传统NMF解混算法。 2.针对高维PSO解混算法的效率问题，提出一种端元和丰度双种群并行解混的算法。分别建立以端元和丰度为粒子的种群，两个种群具有各自的适应度函数，通过使两个种群交互迭代进化，实现完全基于PSO的同时提取端元和反演丰度的算法。模拟和真实数据的实验证明其在算法精度和效率上同时具有较大优越性。 3.为改善约束NMF解混算法的惩罚系数设置问题，在以上改进的基础上提出一种自适应PSO解混算法。在迭代过程中以粒子群种群可行解比例的变化来构建自适应惩罚机制，合理地权衡了距离约束与矩阵分解近似项的关系。通过与传统方法进行对比实验，证明惩罚系数自适应化后的算法具备更高的解混精度。 4.将NMF解混的约束处理问题进行深入改进，在综合学习PSO的基础上引入多目标优化机制，提出了3种多目标优化PSO解混算法。与自适应PSO解混算法相比，能够在有效权衡目标项和约束项关系的同时成功避免使用惩罚系数，彻底消除惩罚系数取值对结果的影响。实验结果验证了该优化机制的有效性，更进一步提高了算法的解混精度。