一种多模态多目标高光谱影像端元束自动提取方法

1.本发明涉及高光谱遥感应用领域，具体涉及一种多模态多目标高光谱影像端元束自动提取方法，尤其涉及一种将仿生优化算法及多目标多模态任务与高光谱图像端元束提取相结合的自动提取方法。


背景技术：

2.高光谱图像端元提取是获取丰富地物空间信息的基础。高光谱遥感器所获取的光谱信号以像元为单位纪录，像元是对应地表物质光谱信号的综合，受高光谱遥感器分辨率影响，每个像元通常包含不止一种地物类型，即为混合像元。端元是描述混合像元的主要参数，代表某种具有相对固定光谱的特征地物，端元只包含一种地物信息，像元通常包括多种地物。
3.受到环境、影像分辨率等的影响，使得同类地物的端元也存在光谱变化的现象，通过对每一类地物提取端元束，能够有效避免该种现象的产生，从而对光谱解混具有重要的意义。
4.目前提取端元束的算法相对于提取端元算法较少，现有方法采用分块提取的方式，即采用逐块通过随机(ebe)、投影(max-d)、聚类(ssebe)的方法提取端元，筛除掉奇异值，再合并成为端元束。这类方法多依靠分块的精度，且不能保证每个块都能够存在端元信息，忽略了影像的全局性，且筛选方法具有不确定性。此外，基于迭代的方法，如iqpso、modpso，把端元提取视为多目标优化问题进行求解。该方法衡量解的效果仅在目标空间进行，一旦达到收敛性较好的结果，就认为解决了多目标优化问题，忽略了多模态问题，即决策空间的分布特性。因此，在端元束提取算法的设计上需要兼顾端元束的每类光谱的变化、提取精度和效率，获得更多的有效端元束。


技术实现要素：

5.本发明意在提供一种多模态多目标高光谱影像端元束自动提取方法，以兼顾端元束的每类光谱的变化、提取精度和效率，获得更多的有效端元束。
6.为达到上述目的，本发明采用如下技术方案：一种多模态多目标高光谱影像端元束自动提取方法，包括：
7.步骤1，输入高光谱数据，并按照所述高光谱数据的规格进行行列编码；
8.步骤2，进行环境配置，所述环境配置包括设定相关参数、设定目标函数和相关初始化，所述相关参数包括粒子种群大小m、最大迭代次数max_gen、迭代提前终止指数gen_percent、粒子权重更新参数ce、端元数量e_num；所述相关初始化包括个体最优存档pba初始化、邻域最优存档nba初始化、规格范围内随机整数粒子位置p初始化，将行列编码的粒子构建随机的个体最优存档pba初始化和邻域最优存档nba初始化；
9.步骤3，采用两个目标函数评估初始化粒子位置p的适应度值；
10.步骤4，通过环形拓扑更新规则，对邻域最优存档nba进行更新；
11.步骤5，对粒子位置p进行位置更新；
12.步骤6，采用两个目标函数评估更新的粒子位置p的适应度值；
13.步骤7，对个体最优存档pba进行更新；
14.步骤8，判断邻域最优存档nba和个体最优存档pba是否更新成功，更新成功执行步骤9，更新截止执行步骤10；
15.步骤9，判断程序是否达到最大迭代次数max_gen，若是则执行步骤10，若否则执行步骤4；
16.步骤10，输出邻域最优存档nba的结果，即为候选端元束。
17.本方案的原理及优点是：实际应用时，首先将高光谱数据进行编码，然后进行环境配置，将编码数据用于相关初始化中；然后通过环形拓扑更新规则对所述邻域最优存档nba进行更新，同时对粒子位置p进行更新；对个体最优存档pba进行更新；再判断邻域最优存档nba和个体最优存档pba是否更新成功，然后判断邻域最优存档nba和个体最优存档pba是否达到最大迭代次数max_gen，当邻域最优存档nba和个体最优存档pba达到最大迭代次数max_gen时，输出邻域最优存档nba中的结果，即为候选端元束。
18.相对于现有技术，本发明的有益效果为：
19.1.使用基于环形拓扑结构实现不同邻域的个体进行信息交互，使得每个粒子只与历史最优位置及邻居进行信息传递，避免粒子随机性传递；
20.2.将邻域最优位置代替全局最优位置，通过改进的量子粒子群位置更新方式，有效避免陷入局部最优；
21.3.引入相对光谱角距离(rsad)计算决策空间的拥挤距离，提高粒子决策空间的多样性，在不同的高光谱影像端元提取问题中更具普适性；
22.4.采用距离信息更新自动判断粒子迭代是否需要提前终止，避免运行至最大迭代次数造成信息量冗余；
23.5.能够在高光谱影像中提取更多有效端元束，且在多项评价指标中具有更高的精度。
24.优选的，作为一种改进，所述步骤5还包括：
25.步骤5.1，计算邻域最优存档nba每一行的距离信息s_nba，并按照距离信息s_nba值从大到小对邻域最优存档nba重新排序；
26.步骤5.2，选择邻域最优存档nba及个体最优存档pba对应排序的第一行作为邻域最优nbest和个体最优pbest，利用邻域最优nbest和个体最优pbest进行粒子位置p更新。
27.技术效果：邻域最优nbest和个体最优pbest对于粒子位置p的更新能够使粒子向更优解的位置进行更新。
28.优选的，作为一种改进，所述距离信息s_nba包括决策空间距离cdds和目标空间距离cdos；所述步骤5.1还包括：
29.步骤5.11，决策空间距离cdds通过相对光谱角距离(rsad)进行计算，具体计算公式为：
[0030][0031]
式中，ea、eb分别为两个粒子所提取的端元曲线，当粒子为非边界点时，决策空间距
离cdds的计算公式为：
[0032][0033]
式中，a表示粒子所在的空间维度，j表示粒子索引；当j＝m时，决策空间距离cdds的计算公式为：
[0034][0035]
当j＝1时，决策空间距离cdds的计算公式为：
[0036][0037]
步骤5.12，将粒子的所有决策空间距离cdds进行相加，再求取平均值，并与自身值进行比较和排序。
[0038]
技术效果：通过对决策空间距离cdds排序，能够在决策空间找到最优的粒子进行下一轮的迭代，决策空间距离cdds排序的越大说明对粒子更新的贡献越大。
[0039]
优选的，作为一种改进，所述步骤5.1还包括：
[0040]
步骤5.13，目标空间距离cdos的计算公式为：
[0041][0042]
式中，f(x
a,j
)表示目标空间距离值；若第j个粒子的第m个目标值最小时，cdosj在第m个分量设置为1，当第j个粒子的第m个目标值最大时，cdosj在第m个分量设置为0；
[0043]
步骤5.14，将粒子的所有目标空间距离cdos进行相加，再求取平均值，并与自身值进行比较和排序。
[0044]
技术效果：对目标空间距离cdos排序，能够找到最优的粒子进行下一轮的迭代，目标空间距离cdos越大说明对粒子更新的贡献越大。
[0045]
优选的，作为一种改进，所述步骤7还包括：
[0046]
步骤7.1，计算个体最优存档pba每一行的距离信息s_pba，并按照距离信息s_pba值从大到小对pba排序；
[0047]
步骤7.2，通过排序后的个体最优存档pba将原有个体最优存档pba的值进行替换。
[0048]
技术效果：能够为粒子提供排序信息。
[0049]
优选的，作为一种改进，所述环形拓扑更新规则为：当粒子1《j《m时，粒子j仅与第j-1个和第j+1个粒子进行信息交互；当j＝1时，粒子j与第m个和第2个粒子进行信息交互；当j＝m时，粒子j与第一个和m-1个粒子进行信息交互。
[0050]
技术效果：环形拓扑使粒子仅与附近粒子进行信息交互，能够控制信息的传递速度，实现有效寻优。
[0051]
优选的，作为一种改进，所述步骤8中，进行判断的规则为：判断距离信息s_pba的更新次数是否大于最大迭代次数max_gen
×
迭代提前终止指数gen_percent，若是，则更新
成功，若否则更新截止。
[0052]
技术效果：通过调整最大迭代次数max_gen
×
迭代提前终止指数gen_percent的结果，能够判断迭代是否提前终止，防止无意义的迭代消耗运行时间。
[0053]
优选的，作为一种改进，所述迭代提前终止指数gen_percent的范围为[0,1]。
[0054]
技术效果：终止指数gen_percent为[0,1]范围内任意一个数，该值越大，距离信息s_pba的更新次数就越多，越倾向于更多次的迭代，通过终止指数能够控制距离信息s_pba的更新次数。
[0055]
优选的，作为一种改进，所述步骤3中，目标函数通过提取端元解丰度后重新混合的返混图像与原图差异的均方根误差，所述均方根误差的计算公式为：
[0056][0057]
式中，l表示高光谱波段数，n表示像元数，其中n＝m
×
n，ri表示像元，表示通过无约束最小二乘法及全约束最小二乘法进行解丰度并重新合成的返混图像所求解的均方根误差rmse_ucls及rmse_fcls。
[0058]
技术效果：通过均方根误差能够反映反混图像与原图的差异程度。
[0059]
优选的，作为一种改进，所述步骤5中，进行位置更新采用的更新方式为：
[0060][0061]
式中，表示当前迭代中的第j个个体最优pbest，再通过个体最优pbest和邻域最优nbest计算第j个粒子的位置更新pj及粒子的位置更新xj，第j个粒子的位置更新pj及粒子的位置更新xj的具体计算公式为：
[0062]
pj＝φ
·
pbestj+(1-φ)nbest
[0063][0064]
式中，φ和u为(0,1)上的均值分布数值。
[0065]
技术效果：通过此更新方式，使得全局搜索性能好、控制参数少、计算速度快。
附图说明
[0066]
图1为一种多模态多目标高光谱影像端元束自动提取方法的流程图；
[0067]
图2为一种多模态多目标高光谱影像端元束自动提取方法的环形拓扑示意图；
[0068]
图3为一种多模态多目标高光谱影像端元束自动提取方法的rsad的计算方法示意图；
[0069]
图4为一种多模态多目标高光谱影像端元束自动提取方法的目标空间cdos的计算方法示意图；
[0070]
图5为一种多模态多目标高光谱影像端元束自动提取方法应用于实际所提取的端元束。
具体实施方式
[0071]
下面通过具体实施方式进一步详细说明：
[0072]
实施例基本如附图1所示：
[0073]
一种多模态多目标高光谱影像端元束自动提取方法，包括：
[0074]
步骤1，输入高光谱数据，并按照所述高光谱数据的规格进行行列编码；如输入宽
×
高
×
波段为m
×n×
l大小的高光谱数据r，按照高光谱数据的宽和高进行m
×
n的行列编码；
[0075]
本实施例输入的高光谱数据为samson数据，该影像共包括156个波段，覆盖401nm至889nm的波长，光谱分辨率为3.13nm，图像大小为95
×
95像素，共包含“1#土壤”、“2#树”、“3#水”三种端元。
[0076]
首先进行粒子的行列编码。对于大小为m
×n×
l的高光谱数据影像采用行列方式进行标号，并通过高光谱数据影像中的像素位置进行编码，每个粒子表示为：
[0077]
zj＝{[x1,x2,...,x
e_num
,y1,y2,...,y
e_num
]
t
|xk∈sm,yk∈sn},j＝1,2,...,m
[0078]
式中，zj表示j个粒子像元对应的标号组成的序列，xk,yk分别表示第k个端元对应位置的行、列坐标号；sm,sn分别表示行、列的序号集合；通过该编码方式，能够粒子的位置编码还原至影像中形成一组端元解。
[0079]
步骤2，进行环境配置，所述环境配置包括设定相关参数、设定目标函数和相关初始化。
[0080]
所述相关参数包括粒子种群大小m、最大迭代次数max_gen、迭代提前终止指数gen_percent、粒子权重更新参数ce、端元数量e_num；本技术中迭代提前终止指数gen_percent的范围为[0,1]。
[0081]
为了展示提取端元束的效果，设置粒子种群大小m为40、最大迭代次数max_gen为600、迭代提前终止指数gen_percent为0.05、粒子权重更新参数ce为[0.5,0.5]、端元数量e_num为3，每种端元实际提取有效端元束为9。
[0082]
需说明的是，为提取更多有效端元束，本实施例中运行至最大迭代次数时结束运行，但是处理其他高光谱影像的端元提取问题时，能够设置不同的迭代提前终止指数gen_percent值提前结束迭代，防止计算量冗余。
[0083]
所述相关初始化包括个体最优存档pba初始化、邻域最优存档nba初始化、规格范围内随机整数粒子位置p初始化，这里的规格范围为m
×
n。此处将行列编码的粒子构建随机个体最优存档pba初始化和邻域最优存档nba初始化。随机初始化的作用在于：粒子在最初更新时没有固定的位置，通过随机的方式给予粒子位置，即为随机初始化。
[0084]
步骤3，采用两个目标函数评估初始化的粒子位置p的适应度值，适应度值即为两个目标函数的计算结果；两个目标函数分别为：均方根误差函数rmse_ucls和rmse_fcls；其作用在于：适应度值越小，则说明粒子朝着更优化的方向进行求解，因此采用适应度值进行衡量；
[0085]
所述步骤3中，目标函数通过提取端元解丰度后重新混合的返混图像与原图差异的均方根误差，所述均方根误差的计算公式为：
[0086]
[0087]
式中，l表示高光谱波段数，n表示像元数，其中n＝m
×
n，ri表示像元，表示通过无约束最小二乘法及全约束最小二乘法进行解丰度并重新合成的返混图像所求解的均方根误差rmse_ucls及rmse_fcls，即为两个目标函数。
[0088]
步骤4，通过环形拓扑更新规则，对邻域最优存档nba进行更新；每一轮迭代均对所述邻域最优存档nba进行更新，其作用在于邻域最优存档nba为排序提供值，进而为粒子的新一轮迭代提供优先顺序；如图2所示，所述环形拓扑更新规则为：当粒子1《j《m时，粒子j仅与第j-1个和第j+1个粒子进行信息交互；当j＝1时，粒子j与第m个和第2个粒子进行信息交互；当j＝m时，粒子j与第一个和m-1个粒子进行信息交互，这里的j代表粒子索引。
[0089]
步骤5，对所述粒子位置p按照预设更新方式进行更新，通过更新进行寻优；进行位置更新采用的更新方式为：
[0090][0091]
式中，表示当前迭代中的第j个个体最优pbest，再通过个体最优pbest和邻域最优nbest计算第j个粒子的位置更新pj及粒子的位置更新xj，第j个粒子的位置更新pj及粒子的位置更新xj的具体计算公式为：
[0092]
pj＝φ
·
pbestj+(1-φ)nbest
[0093][0094]
式中，φ和u为(0,1)上的均值分布数值，pbest为个体最优，nbest为邻域最优，ce为粒子权重更新参数。
[0095]
本实施例的编码方式导致粒子为离散形式更新，因此在每个粒子位置更新完成后需进行取整，同时，为了保证所更新的粒子位置位于寻优范围内，将上式进一步优化为：
[0096][0097]
ceil()xr[0098]
式中，表示取整函数，xr表示区间sm内的随机数。同理，对于列坐标索引yj也采用同样的位置更新方式且yr取在区间sn内的随机数。
[0099][0100]
本技术中通过距离信息融合决策空间距离即目标空间距离信息，所述步骤5还包括：
[0101]
步骤5.1，计算邻域最优存档nba每一行的距离信息s_nba，并按照距离信息s_nba值从大到小对邻域最优存档nba重新排序；所述距离信息s_nba包括决策空间距离cdds和目标空间距离cdos；距离信息s_nba计算方法为：
[0102][0103]
对决策空间距离的求解，所述步骤5.1还包括：
[0104]
步骤5.11，决策空间距离cdds通过相对光谱角距离(rsad)进行计算，具体计算公式为：
[0105][0106]
式中，ea、eb分别为两个粒子所提取的端元曲线，当粒子为非边界点时，决策空间距离cdds的计算公式为：
[0107][0108]
式中，a表示粒子所在的空间维度，j表示粒子索引；当j＝m时，决策空间距离cdds的计算公式为：
[0109][0110]
当j＝1时，决策空间距离cdds的计算公式为：
[0111][0112]
本实施例中高光谱影像为三端元提取问题,以粒子
②
为例，其cdds计算方法为：
[0113][0114]
当计算边界粒子时，通过自身及临界粒子计算，如粒子
④
的计算方法为：
[0115][0116]
步骤5.12，将粒子的所有决策空间距离cdds进行相加，再求取平均值，并与自身值进行比较和排序。
[0117]
如图3所示，考虑到多模态问题，在粒子个体最优存档pba、邻域最优存档nba和粒子位置p更新过程中需要对决策空间距离进行排序，步骤5.11中决策空间距离cdds通过相对光谱角距离(rsad)进行计算，决策空间的排序影响下一次粒子的分布，因此，选择距离大于平均距离的粒子分布优先，以提高空间的多样性。但是，高光谱图像端元束提取问题近似于离散问题。在实际进行粒子空间计算时，以
①
号粒子为例，坐标位置中
③
号粒子与
①
号粒子的直线距离最远，理论上对于提高空间多样性更加优异。实际上
④
号点尽管离
①
号点更近，却更趋向于纯净端元，从多样性贡献上分析：x
1,4
》x
1,3
＝x
1,2
，因此，本发明采用rsad指标来衡量决策空间的拥挤距离，一方面保证寻优速度，另一方面提高空间多样性。
[0118]
对于目标空间的求解，如图4所示，选择rmse_ucls及rmse_fcls作为两个目标优化问题的目标函数，目标空间维度为2，并在步骤3和步骤6中采用相同的目标函数。
[0119]
步骤5.13，目标空间距离cdos的计算公式为：
[0120][0121]
式中，f(x
a,j
)表示目标空间距离值；若第j个粒子的第m个目标值最小时，cdosj在第m个分量设置为1，当第j个粒子的第m个目标值最大时，cdosj在第m个分量设置为0；
[0122]
本实施例中以粒子
②
为例，cdos计算方法为：
[0123][0124]
若第j个粒子的第m个目标值最小时，cdosj在第m个分量设置为1，当第j个粒子的第m个目标值最大时，cdosj在第m个分量设置为0。例如粒子
④
在目标空间中的距离为cdos4＝0+1＝1。
[0125]
步骤5.14，将粒子的所有目标空间距离cdos进行相加，再求取平均值，并与自身值进行比较和排序。
[0126]
步骤5.2，选择邻域最优存档nba及个体最优存档pba对应排序的第一行作为邻域最优nbest和个体最优pbest，利用邻域最优nbest和个体最优pbest进行粒子位置p更新。
[0127]
步骤6，采用两个目标函数评估更新的粒子位置p的适应度值；
[0128]
步骤7，对个体最优存档pba进行更新，为粒子更新提供信息；所述步骤7还包括：
[0129]
步骤7.1，计算个体最优存档pba每一行的距离信息s_pba，并按照距离信息s_pba值从大到小对pba排序；
[0130]
步骤7.2，通过排序后的个体最优存档pba将原有个体最优存档pba的值进行替换。
[0131]
步骤8，判断邻域最优存档nba和个体最优存档pba是否更新成功，更新成功执行步骤9，更新截止执行步骤10；所述步骤8中，进行判断的规则为：判断距离信息s_pba的更新次数是否大于最大迭代次数max_gen
×
迭代提前终止指数gen_percent，若是，则更新成功，若否则更新截止。
[0132]
步骤9，判断邻域最优存档nba和个体最优存档pba是否达到最大迭代次数max_gen，若是则执行步骤10，若否则执行步骤4；
[0133]
步骤10，输出邻域最优存档nba的结果，即为候选端元束。
[0134]
对于所提取的9组端元的光谱角信息sad值，如表1所示。每类地物共包含9组端元，9组端元均可作为解丰度及解混问题中的候选端元。所提取的端元束的精度评价指标如表2所示。采用全约束最小二乘法进行解丰度并重新合成的返混图像所求解的均方根误差rmse_fcls为0.0056，9组端元的msad为0.03572。所提取的三个地物的端元束可视化结果如图5所示。该方法同其他端元束提取方法(iqpso、modpso)相比，综合考虑了决策空间和目标空间的分布规律。modpso方法提取每种地物的端元仅为1-2组，本方法可获取多组有效端元束。其次，iqpso方法通过设定阈值控制算法运行的累计次数，存在较多迭代冗余，效率较低，本方法更高效且在迭代最优时获取所有端元束。
[0135]
表1各端元sad值
[0136][0137]
表2 samson数据精度结果
[0138][0139]
以上所述的仅是本发明的实施例，方案中公知的具体技术方案和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明技术方案的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

技术特征：
1.一种多模态多目标高光谱影像端元束自动提取方法，其特征在于，包括：步骤1，输入高光谱数据，并按照所述高光谱数据的规格进行行列编码；步骤2，进行环境配置，所述环境配置包括设定相关参数、设定目标函数和相关初始化，所述相关参数包括粒子种群大小m、最大迭代次数max_gen、迭代提前终止指数gen_percent、粒子权重更新参数ce、端元数量e_num；所述相关初始化包括个体最优存档pba初始化、邻域最优存档nba初始化、规格范围内随机整数粒子位置p初始化，将行列编码的粒子构建随机的个体最优存档pba初始化和邻域最优存档nba初始化；步骤3，采用两个目标函数评估初始化粒子位置p的适应度值；步骤4，通过环形拓扑更新规则，对邻域最优存档nba进行更新；步骤5，对粒子位置p进行位置更新；步骤6，采用两个目标函数评估更新的粒子位置p的适应度值；步骤7，对个体最优存档pba进行更新；步骤8，判断邻域最优存档nba和个体最优存档pba是否更新成功，更新成功执行步骤9，更新截止执行步骤10；步骤9，判断邻域最优存档nba和个体最优存档pba是否达到最大迭代次数max_gen，若是则执行步骤10，若否则执行步骤4；步骤10，输出邻域最优存档nba的结果，即为候选端元束。2.根据权利要求1所述的一种多模态多目标高光谱影像端元束自动提取方法，其特征在于，所述步骤5还包括：步骤5.1，计算邻域最优存档nba每一行的距离信息s_nba，并按照距离信息s_nba值从大到小对邻域最优存档nba重新排序；步骤5.2，选择邻域最优存档nba及个体最优存档pba对应排序的第一行作为邻域最优nbest和个体最优pbest，利用邻域最优nbest和个体最优pbest进行粒子位置p更新。3.根据权利要求2所述的一种多模态多目标高光谱影像端元束自动提取方法，其特征在于，所述距离信息s_nba包括决策空间距离cdds和目标空间距离cdos；所述步骤5.1还包括：步骤5.11，决策空间距离cdds通过相对光谱角距离(rsad)进行计算，具体计算公式为：式中，e
a
、e
b
分别为两个粒子所提取的端元曲线，当粒子为非边界点时，决策空间距离cdds的计算公式为：式中，a表示粒子所在的空间维度，j表示粒子索引；当j＝m时，决策空间距离cdds的计算公式为：
当j＝1时，决策空间距离cdds的计算公式为：步骤5.12，将粒子的所有决策空间距离cdds进行相加，再求取平均值，并与自身值进行比较和排序。4.根据权利要求3所述的一种多模态多目标高光谱影像端元束自动提取方法，其特征在于，所述步骤5.1还包括：步骤5.13，目标空间距离cdos的计算公式为：式中，f(x
a,j
)表示目标空间距离值；若第j个粒子的第m个目标值最小时，cdos
j
在第m个分量设置为1，当第j个粒子的第m个目标值最大时，cdos
j
在第m个分量设置为0；步骤5.14，将粒子的所有目标空间距离cdos进行相加，再求取平均值，并与自身值进行比较和排序。5.根据权利要求4所述的一种多模态多目标高光谱影像端元束自动提取方法，其特征在于，所述步骤7还包括：步骤7.1，计算个体最优存档pba每一行的距离信息s_pba，并按照距离信息s_pba值从大到小对pba排序；步骤7.2，通过排序后的个体最优存档pba将原有个体最优存档pba的值进行替换。6.根据权利要求1所述的一种多模态多目标高光谱影像端元束自动提取方法，其特征在于，所述环形拓扑更新规则为：当粒子1<j<m时，粒子j仅与第j-1个和第j+1个粒子进行信息交互；当j＝1时，粒子j与第m个和第2个粒子进行信息交互；当j＝m时，粒子j与第一个和m-1个粒子进行信息交互。7.根据权利要求1所述的一种多模态多目标高光谱影像端元束自动提取方法，其特征在于，所述步骤8中，进行判断的规则为：判断距离信息s_pba的更新次数是否大于最大迭代次数max_gen
×
迭代提前终止指数gen_percent，若是，则更新成功，若否则更新截止。8.根据权利要求1所述的一种多模态多目标高光谱影像端元束自动提取方法，其特征在于：所述迭代提前终止指数gen_percent的范围为[0,1]。9.根据权利要求1所述的一种多模态多目标高光谱影像端元束自动提取方法，其特征在于，所述步骤3中，目标函数通过提取端元解丰度后重新混合的返混图像与原图差异的均方根误差，所述均方根误差的计算公式为：式中，l表示高光谱波段数，n表示像元数，其中n＝m
×
n，r
i
表示像元，表示通过无约束最小二乘法及全约束最小二乘法进行解丰度并重新合成的返混图像所求解的均方根误差rmse_ucls及rmse_fcls。10.根据权利要求4所述的一种多模态多目标高光谱影像端元束自动提取方法，其特征
在于，所述步骤5中，进行位置更新采用的更新方式为：式中，表示当前迭代中的第j个个体最优pbest，再通过个体最优pbest和邻域最优nbest计算第j个粒子的位置更新p
j
及粒子的位置更新x
j
，第j个粒子的位置更新p
j
及粒子的位置更新x
j
的具体计算公式为：p
j
＝φ
·
pbest
j
+(1-φ)nbest式中，φ和u为(0,1)上的均值分布数值。

技术总结
本发明涉及高光谱遥感应用领域，公开了一种多模态多目标高光谱影像端元束自动提取方法，一种多模态多目标高光谱影像端元束自动提取方法包括：步骤1，对高光谱数据进行编码；步骤2，进行环境配置；步骤3，评估初始化粒子位置P的适应度值；步骤4，对邻域最优存档NBA进行更新；步骤5，对粒子位置P进行更新；步骤6，评估更新的粒子位置P的适应度值；步骤7，对个体最优存档PBA进行更新；步骤8，判断是否更新成功；步骤9，判断程序是否达到最大迭代次数Max_Gen；步骤10，输出邻域最优存档NBA的结果，即为候选端元束，本申请能够兼顾端元束的每类光谱的变化、提取精度和效率，获得更多的有效端元束。获得更多的有效端元束。获得更多的有效端元束。


技术研发人员：陈建 林洁雯 罗婷文 徐志搏
受保护的技术使用者：中国农业大学
技术研发日：2023.05.08
技术公布日：2023/8/6