[发明专利]基于神经网络和差分搜索的高光谱图像非线性解混方法

摘要

本发明属于图像处理技术领域,为提供新的高光谱图像非线性解混方法，实现在端元之间的高阶非线性映射和多层散射较为显著的高光谱图像中完成相应的解混工作，为此，本发明采取的技术方案是，基于神经网络和差分搜索的高光谱图像非线性解混方法，包括如下步骤：1输入高光谱图像数据；2按照p阶多项式模型随机产生训练样本训练多层感知器神经网络；3利用训练好的MLP提取出图像单个像素点的非线性阶数；4由高光谱图像端元数R确定搜索个体的维数和位置编码；5计算出每个个体的适应度值；6搜索得到整个生物体的全局最优位置；7完成解混单个像素点；否则继续优化；8解混后停止计算；否则，对下一像素继续解混。本发明主要应用于图像处理。

主权项

一种基于神经网络和差分搜索的高光谱图像非线性解混方法，其特征是，包括如下步骤：步骤(1)：输入高光谱图像数据，VCA(Vertex Component Analysis)顶点成分分析算法提取真实高光谱图像的端元；步骤(2)：按照p阶多项式模型随机产生训练样本训练多层感知器MLP(Multi‑layer Perceptron Neural Networks)神经网络，并测试其性能；步骤(3)：利用训练好的MLP提取出图像单个像素点的非线性阶数；步骤(4)：由高光谱图像端元数R确定搜索个体的维数和位置编码，按照差分搜索算法DSA的初始化原理，将丰度a和非线性系数β′设为生物体个体的位置参数进行初始化，在搜索空间产生相应数量的搜索个体；步骤(5)：按照DSA规则计算出新的停歇地的位置，对迁移后个体的位置，计算出每个个体的适应度值，每迭代一代，需对更新后的个体位置进行约束映射，确保满足约束；步骤(6)：根据DSA的贪婪原则，搜索得到整个生物体的全局最优位置；步骤(7)：当达到设置的最大迭代次数时，则输出当前搜索种群中最优搜索个体的位置，完成解混单个像素点；否则继续优化；步骤(8)：重复对图像内所有像素点进行解混后停止计算；否则，返回步骤(4)，对下一像素继续解混。