基于鱼群算法的高光谱图像稀疏分解研究

发布时间：2021-02-16 20:46

　　研究高光谱图像的稀疏分解问题,能够降低高光谱图像的数据量,便于后续处理,但传统正交匹配追踪算法的计算复杂度高、不能满足实时处理要求。针对上述问题,提出了一种利用人工鱼群算法实现高光谱图像稀疏分解的算法。算法采用人工鱼群自上而下的寻优模式,通过鱼群中各个体的局部寻优,实现全局最优值在群体中凸显出来的目的,以人工鱼群的更新过程对正交匹配追踪算法的匹配过程进行改进,完成稀疏分解。实验结果表明,与正交匹配追踪算法相比,所提算法计算复杂度低,计算效率提高15倍,且能够提高重构图像的峰值信噪比,充分说明改进算法能够满足实时性要求,更有利于实现高光谱图像的稀疏分解。 

【文章来源】：计算机仿真. 2020,37(01)北大核心

【文章页数】：8 页

【部分图文】：

基于人工鱼群的稀疏分解算法流程图

实验选择四组高光谱图像(数据来源:http://aviris.jpl.nasa.gov)评估稀疏分解算法的性能。前两组数据是AVIRIS采集得到的场景Cuprite1和场景Cuprite2,数据集共有224个波段,去除异常波段和全零波段后,可用波段数为188,图像大小裁剪至256*256。第三组数据是由AVIRIS采集的场景Indian Pines,数据集共220个波段,去除水汽吸收波段后,可用波段数为200,图像大小裁剪至128*128。第四组数据是ROSIS采集的场景Pavia University,数据集包含115个波段,去除含噪波段后,可用波段数为103,图像大小裁剪至256*256。需要注意的是,将含噪波段或水汽吸收波段移除后,需对可用波段重新进行编号处理。为保证数据的统一性,对高光谱图像进行处理时,对原始采集得到的图像均重新进行量化,将每个波段图像的量化位数设置为8位,即图像像素值范围是0～255。高光谱图像用二维矩阵F∈RNp×Nλ表示,其中,F=[F1,F2,...,Fb,...,FNλ],Fb是第b个波段图像的向量化表示,Np是单个波段图像的像素点数,Nλ表示波段数。四组高光谱数据第50个波段的原始图像如图2 所示。4.2 实验参数设置

种群大小为10时,最大进化代数和分解次数对重构PSNR的影响如图3(b)所示。同一分解次数下,PSNR随着最大进化代数的增加仅有小幅度的振荡,进一步地表明最大进化代数对重构精度的影响不大。同一最大进化代数下,随着分解次数的增加,PSNR不断增加,且与图3(a)中种群个数增加所引起的PSNR增长相比,分解次数的增加更能令PSNR快速增长。最大进化代数为5时,种群大小和分解次数对重构性能的影响如图3(c)所示。同一分解次数下,PSNR随着种群数量的增加会不断增加,但增长的速度较慢。同一种群数量下,随着分解次数的增加,PSNR会逐渐增加,增长速度快于种群数量增加所引起的PSNR增长,进一步地说明增加分解次数更有助于提高PSNR。分析算法AFSA_OMP的执行过程可知,当种群个数逐渐增大时,每次进化过程中,需要对更多的人工鱼完成聚群和追尾行为才能实现鱼群的更新,计算成本不断增加;当最大更新代数增加时,鱼群需要经过多次进化才能找到最优原子,时间复杂度会进一步地增加。其它三组高光谱图像的实验结果与Cuprite1相似,因此,在保证重构精度的条件下,应尽量降低最大进化代数和种群数量。综合考虑重构精度和计算复杂度,将所提算法AFSA_OMP中人工鱼群的最大进化代数设置为T=5,鱼群大小设置为M=10。

【参考文献】：
博士论文
[1]一种新型的智能优化方法-人工鱼群算法[D]. 李晓磊.浙江大学 2003



本文编号：3036909