第31卷，第9期 2011年9月
光谱学与光讲分析 Spectroscopy and Spectral Analysis
Vol. 31,No. 9,pp2455-2461 September, 2011
一种基于离散粒子群优化算法的高光谱图像端元提取方法
张兵"，孙旭1.3”，高连如"，杨丽娜2.3 1，中国科学院对地观测与数字地球科学中心，北京100094
2.中国科学院通感应用研究所，北京100101 3.中国科学院研究生院，北京100049
要针对混合像元分解过程中，由于数据噪声引起的端元提取不准确问题，引人了群智能算法中的粒子群优化算法，并对粒子群优化算法进行了改进，重新定义了位置和速度的表示方法和更新策略，得到离敢粒子群优化(discreteparticleswarmoptimization，D-PS()，能够在离敢空间中进行搜索，解决组合优化间题。同时，通过定义目标函数和可行解空间，将端元提取问题改写成组合优化问题，最终实现利用DPSO进行端元取。在给出算法的详细流程之后，文章通过一组模拟数据实验和一组实际数据实验验证了D-PSO 算法对于具有较大噪声的数据的适应性和提取端元的可信程度，并分析了不同参数对于算法性能的影响。
关键调高光谱遥感；混合像元；端元提取；粒子群优化
DOl; 10, 3964/j. issn. 1000-0593(2011)09-2455-07
中图分类号：TP722 引言
文献标识码：A
复杂的非线性间题提供了有效的方法，为各个领域的研究者所重视，在遥感图像处理中也已经有了许多应用成果(1-，但是在混合像元分解间题中仍缺乏深入的研究。群智能算法
混合像元分解是高光谱遥感图像处理的重要方式，分为端元提取和丰度反演两个部分(，端元提取是混合像元分解的关键步骤，日前已经有很多算法被提出，主要包括基于凸面儿何学的PP[$)，Nfindr)，VCA(和SMACC$)，可以同时完成端元提取和丰度反演的IEA("]，MVT()和ICA；基于数学形态学的AMEE*算法以及结合机器学习理论设计的 SVM-BEE*，这些算法以线性光谱混合模型为基础，认为混合像元在特征空间中分布在一个高维单形体内部，而端元为这些单形体的顶点(1a)。这种模型能够比较简洁地反映数据之间的关系，计算也比较简单（距离和体积)，使得上述算法对于没有误差的理想数据其有很好的提取结果和很高的运算效率，但是若实际数据中像元分布不满足单形体结构（误差较大或瘤元较多)，则提取结果会有较大误券。本文尝试将端元提取间题描述为一个最优化问题，利用人工智能的方法中的粒子群优化算法求解，减少算法对于数据质量的依赖，对于比较像元在特征空间中分布不理想的数据也能具有较好的操测结果。
人工智能技术是计算科学未来发展的重要方向，为求解
是近年来被广泛研究的人工智能技术，主要包括数群优化（antcolonyoptimization，ACO)算法（简称"数群算法"）和粒子群优化（particleswarmoptimization，PSO）算法（简称"粒子群算法")()，在解决最优化间题方面具有独特的优势。
PSO最早于1995年由Eberhart和Kennedy提出t，通过模拟岛群的寻找栖息地(或食物)行为达到寻找最优化问题全局最优解的目的。自然界中，乌群在一个区域内飞行并寻找柄息地时，类个体可以对身处的环境进行评价，判断该位置适合息的程度；鸟群的每个个体之间可以通过鸣叫在一定范围内交流信息；每个个体均会根据其他个体传递来的信息和自已的经验改变飞行的方向和速度，继续寻找栖息地。通过这种策略，乌群可以墩终案集在一个区域内最适合息的地方。
PS)提出后在非线性连续优化问题中取得了一定成果，由于其流程简洁、参数较少、具有较好的收效性和鲁梯性，很快又被成用于多目标优化、分类、模式识别、信号处理等领域。Mahamed等于2005年对PS)在多光谱数据端元提取向题中的应用进行了研究")，是将PSO应用与混合像元问
收稿日期：2010-12-15，修订日期：2011-04-06
基金项目：国家（973计划）项日（2009CB723902），国家（863计划）项目（2008AA12Z113，2008AA12A212）和国家自热科学基金项目
(40901225，40901232，4080112)资助
作著黄介：张兵，1969年生，中国科学院对地观测与数字地球科学中心研究员
e-mail; sunxu02@mails. thu. edu. cn
*通讯联系人
万方数据
e-mail; zb@ceode, ac, cn