一種實現高光譜地物精細分類的獨立成分分析全局搜索方法技術

本發明專利技術涉及一種在無先驗知識情況下實現高光譜地物精細分類的獨立成分分析全局搜索方法，該方法包括：讀入高光譜數據，基于峰度的獨立成分分析模型的建立，數據中心化，數據球化，基于量子遺傳算法的迭代求解計算，獨立成分排序，圖像二值化，地物分類。通過本發明專利技術涉及的方法能夠在不建立數據背景模型的情況下，利用數據本身的高階統計特性實現高光譜數據的無監督地物精細分類；同時，避免了獨立成分分析方法在求解過程中容易陷入局部最優解的問題，并且與傳統的遺傳算法比較，本發明專利技術中采用的量子遺傳算法具有迭代次數少、收斂速度快、搜索效率高和全局搜索能力強等特點。

【技術實現步驟摘要】

本專利技術涉及遙感信息處理領域，具體的說是一種應用于高光譜數據特征特取和地物精細分類的基于獨立成分分析的全局搜索方法，能有效的提高地物分類精度。
技術介紹
高光譜成像儀是一種新型的遙感載荷，其光譜具有緊密、連續的特點，可以同時記錄被測同一地物的光譜和空間信息特征，使本來在寬波段遙感中不可能探測的物質在高光譜遙感中能被探測到，因此，高光譜遙感為地物的精細分類提供了強有力的探測手段。目前，應用高光譜圖像數據進行地物分類的方法主要分為兩大類有監督和無監督分類方法，監督分類方法是在假設存在可靠的先驗知識的情況下能得到較好的性能。然而，由于實際光譜數據易受環境影響、現有光譜數據庫不夠健全以及偏遠和自然條件惡劣地區的地面真實測量幾乎不可實現等因素，導致先驗光譜信息獲得成為目標監督分類算法的難點。因此，無監督分類成為國內外許多學者的研究熱點 獨立成分分析(Independent Component Analysis，ICA)是近幾年才發展起來的一種基于信號高階統計特性的分析方法，該方法的目的是將觀察得到的數據進行某種線性分解，使其分解成統計獨立的成分。正是由于這一特點，使ICA在信號處理領域受到了密切的關注，隨著近年來在ICA方面研究興趣的增加，使它在遙感等許多領域也有了非常廣泛的應用。目前，ICA研究主要大致分為兩大類，基于信息論準則的迭代估計方法和基于統計學的代數計算方法，從原理上講，這兩種方法都是利用了源信號的獨立性和非高斯性(nongaussianity)。在基于信息論的方法研究中，各國研究者從最小化互信息、極大似然和最大化負熵(negentropy)等角度提出了一系列的估計算法，理論上這些算法在特定條件下是等價的；基于統計學的方法中主要是利用二階累積量(Second-order cumulant)、四階累積量等高階累積量的方法。在利用上述各種算法采用常規數值分析方法進行求解時，普遍存在容易陷入局部最優解的問題。針對這個問題，許多學者也提出了許多的神經學習算法與ICA相結合的方法，但是算法的有效性直接受到了依賴于信號概率分布函數影響的神經元激活函數的影響。 量子遺傳算法(Quantum Genetic Algorithm，QGA)是量子計算與進化計算理論相結合的產物，它是一種以量子概念和原理為基礎的概率搜索算法。在QGA中，采用量子位染色體的編碼方式，利用量子門作用和量子門更新策略完成進化搜索。與傳統遺傳算法比較，具有種群規模小而不影響算法性能、同時兼有收斂速度快和全局尋優能力強的特點。
技術實現思路
針對ICA算法容易陷入局部最優解、基于神經學習算法的ICA受神經元激活函數的影響，以及高光譜監督地物精細分類算法獲取先驗知識困難等問題，本專利技術提出了實現高光譜無監督地物精細分類的基于改進量子遺傳算法的ICA方法，該方法克服了監督分類方法獲取先驗知識困難、有效的提高了ICA全局搜索能力以及高光譜地物分類的精度。 本專利技術的技術解決方案為以基于改進量子遺傳算法的獨立成分分析算法為核心實現無監督高光譜地物精細分類，量子遺傳算法中增加了量子交叉和量子變異，并以四階累積量-峰度作為量子遺傳算法的適應度函數，約束條件的滿足通過數據中心化和球化來實現。具體步驟如下 (1)讀取觀測得到的數據X； (2)建立基于峰度的ICA模型X＝AS； (3)對X進行中心化和白化處理； (4)初始化種群和遺傳代數t＝1，并對種群中染色體進行量子位編碼； (5)由編碼后種群的觀測態產生二進制解，得到分離矩陣，計算分離后信號，并運用適應度函數對其進行評價，同時保存最佳解； (6)方法終止條件判斷如果滿足終止條件，則方法結束，執行步驟(10)，并保存當前的最佳解，否則繼續方法； (7)執行量子交叉操作，量子旋轉門更新策略，量子非門變異操作，以得到新的種群； (8)由種群的觀測態產生二進制解，得到分離矩陣，并計算分離后信號，并對分離后信號進行中心化和白化操作，并運用適應度函數對其進行評價，同時保存最佳解； (9)遺傳代數增加1，執行步驟(6)； (10)結束迭代運算，由最優解得到分離矩陣，并計算分離信號。 (11)方法的后續處理，主要包括獨立成分排序、圖像二值化、地物分類。 附圖說明 圖1為本專利技術實現高光譜地物精細分類的流程圖。 圖2為改進量子遺傳操作的具體步驟。 圖3為地面參考信息，參考標識C4表示水稻，V4表示紅薯，V13表示香菜。 圖4為本專利技術實現高光譜地物精細分類的結果，其中，(a)為水稻，(b)為紅薯，(c)為香菜。。 具體實施例方式 如圖1所示，本專利技術的具體實施方法如下 1.基于峰度的ICA模型建立 ICA是一種產生統計獨立成分的多元變量數據分析方法，在利用其進行地物分類時，每一類別作為獨立成分表示出來，因此得到了類別的可分離性最大化。設觀測信號X＝T是m維的隨機向量，源信號S＝T是n維的獨立隨機向量，混合矩陣A為m×n維非奇異矩陣，則它們的線性組合可以描述為 X＝AS(1) (1)式稱為ICA模型。ICA的實質是在源信號s和混合矩陣A未知的情況下，根據已知的觀測信號X利用源信號S的統計特性，確定分離矩陣W，使Y＝WX，且滿足Y＝T的各個變量之間盡可能的相互獨立，則Y就是S的一個估計，同時可以確定混合矩陣A＝W-1。 在估計ICA模型中利用的主要方法有非高斯性的最大化，互有信息的最小化和極大似然估計。由統計論中的中心極限定理一組獨立隨機變量和的分布比任何源信號更接近于高斯分布，因此，可以將非高斯性作為隨機信號相互獨立的度量。根據這一定理，本專利技術中采用非高斯性的最大化估計ICA模型，利用四階累積量—峰度進行非高斯性的度量，這主要是因為峰度在理論和計算上都非常的簡單，且易于實現。隨機變量y的峰度定義為 kurt(y)＝E{y4}-3(E{y2})2(2) 對于一個高斯分布的隨機變量而言，它的峰度等于“0”，但是對于大多數的非高斯隨機變量來說，峰度不等于“0”。由于峰度有正有負，因此，非高斯性的測量一般利用峰度的絕對值或是平方，值為“0”的是高斯變量，大于“0”的是非高斯變量。 2.數據的中心化、球化 采用的是最大化非高斯性進行估計ICA模型，采用峰度作為非高斯性的度量方法的前提假設條件隨機變量零均值，同時滿足E{yyT}＝I。因此需要對待處理的信號變量以及遺傳操作的每一代信號變量進行中心化和球化處理，中心化的目的是保證隨機變量零均值，中心化后的信號由觀測信號X減去X的均值得到；球化的目的是保證隨機變量滿足E{yyT}＝I條件，球化處理由主成份分析(Principal Component Analysis，PCA)算法實現。 3.種群量子位編碼、初始化，適應度函數選擇 (1)量子位編碼 量子遺傳算法中最小的信息存儲單元是量子位，它是基于量子位概念的概率編碼方式。一個量子位染色體由一串量子位組成。一個量子位可以表示“1”狀態，“0”狀態，或者兩個狀態的線性疊加狀態，其狀態可以表示為|＞＝α|0＞+β|1＞，其中，α，β是兩個復數，分別表示處于“0”狀態和“1”狀態的概率幅，|α|2，|β|2分別表示量子位為“0”狀態，“1”狀態的概率，本文檔來自技高網...

【技術保護點】
一種基于獨立成分分析的全局搜索算法的高光譜地物精細分類方法，包括如下步驟：（１）讀入高光譜數據；（２）建立基于峰度的獨立成分分析模型；（３）數據進行中心化和球化；（４）基于量子遺傳算法的獨立成分分析迭代計算；（５）獨立成分排序；（６）圖像二值化；（７）獲取地物分類結果。

【技術特征摘要】

【專利技術屬性】
技術研發人員：趙慧潔，李娜，賈國瑞，
申請(專利權)人：北京航空航天大學，
類型：發明
國別省市：11[中國|北京]