一种基于博弈论的多目标高光谱遥感影像波段选择方法
【技术领域】
[0001] 本发明涉及一种高光谱遥感影像波段选择方法，具体为一种基于博弈论的多目标 高光谱遥感影像波段选择方法，属于高光谱遥感图像处理技术领域。
【背景技术】
[0002] 遥感（Remote Sensing)是一门利用电磁波原理来获取远方信号并使之成像，能够 遥远地感受感知远方事物的技术，是一门新兴科学。随着计算机技术及光学技术的提高，遥 感技术也得到了迅速的发展。近年来，各式各样的遥感卫星不断成功发射，推动了遥感数据 获取技术朝着三高（高空间分辨率、高光谱分辨率和高时间分辨率）和三多（多平台、多传 感器、多角度）方向发展。
[0003] 高光谱遥感可以探测到更为精细的光谱特性，高光谱图像具有常规遥感无法企及 的光谱信息，有利于地物分类、识别和混合像元分解等处理。但是高光谱图像在光谱信息量 增加的同时，也增加了数据的维数，使得图像的数据量激增。其较高的维数和波段间的相关 性不仅会使运算变得复杂，处理速度大大下降，而且在有限样本的情况下，可能会导致分类 精度降低。当成像光谱仪获得高光谱图像数据后，波段选择显得尤为重要。
[0004] 波段选择方法一般遵循3个基本准则：（1)所选择的波段组合对应的遥感影像信 息量要尽可能的丰富；（2)所选择的波段组合之间相关性要尽可能的小；（3)所选择的波段 组合要使得待识别或者待分类的地物光谱特性差异大、类别可分性要强。从这3个基本准 则出发，波段选择可以看作是一个多目标优化问题，但是多目标优化问题存在着一个很显 著的特点：各个待优化目标之间有可能存在着冲突，在满足一个目标最优化的同时，其他目 标会受到影响而变的劣化。
[0005] 早期多目标优化问题一般通过加权等方式转换为单目标优化问题，通过数据规划 求解出结果。这种方式只能得到某一种权值影响之下的最优解。与此同时目标函数和约束 函数有可能是非线性的、不连续或者不可微的，采用传统的数学规划不能得到理想的效果。
[0006] 进化算法的产生灵感大都来源于大自然生物进化，具有自组织、自适应、自学习的 特性，不受问题性质的限制，可以用于求解高的维、动态、复杂的多目标优化问题，而且不易 受多目标优化问题的pareto前沿形状及搜索空间本质特征等方面的影响。早在1967年， Rosenberg就提出利用基于进化算法来处理多目标优化问题，但并未实现。在遗传算法 (GA)诞生之后，Schaffer提出了矢量评价遗传算法，从而首次实现了将进化算法与多目标 优化问题相结合。如今进化算法已经发展成为多目标优化问题求解的主流算法，出现了一 批经典算法，如MOGA，NSGA，NSGA-II，SPEA，SPEA2等。其中NSGA-II是迄今为止最优秀的 多目标进化算法之一，它引入了精英保留机制通过一个外部种群保存进化算法搜索到的优 良个体，利用拥挤距离保持种群多样性以及利用非支配解排序选择种群中较好个体参与下 一次迭代。
[0007] 在NSGA-II算法中，虽然非支配解排序评价准则对待每一个目标都是公平的，但 这种方式有时也会造成效率的损失，导致种群退化。博弈论已经融入到主流经济学领域当 中，是一种注重收益、注重效率的理论，而传统的多目标进化算法则更加注重公平性。
【发明内容】
[0008] 发明目的：为了克服现有高光谱遥感图像波段选择技术上的不足，寻找合适的波 段组合能够使得信息量、波段间相关性、类间可分性这3个目标函数值达到最优。本发明提 供了一种基于博弈论的多目标高光谱波段选择方法，是一种以获得最优波段组合为目标的 博弈论与多目标优化相结合的波段选择方法。
[0009] 技术方案：一种基于博弈论的多目标高光谱波段选择方法，其基本思想是：首先 对高光谱遥感影像进行子空间划分，每个子空间选择一定数目的波段组合成波段组合解作 为进化算法的初始种群个体，然后计算种群个体信息熵和B距离，把算法的迭代看作是一 次博弈，将信息熵和B距离两个目标函数看作是博弈的参与人进行博弈决策，按照混合二 进制差分进化（HBDE)算法步骤进行种群迭代进化直至最终得到最佳优化波段组合为止。
[0010] 具体步骤如下：
[0011] 步骤1:数据预处理。选择参与分类的地物类型，剔除受水汽噪声污染严重的波 段，进行子空间划分等操作。
[0012] 步骤2 :初始化差分进化种群
[0013] 设置种群规模大小为Nd，在子空间划分的约束下随机初始化波段组合可行解，设 置差分进化的相关参数如：差分进化缩放因子F，杂交参数CR，最大迭代次数MaxDT等，其中 ,\-MaxDT, 缩放因子F按f，2*^Ma\DT+\-i>更新，匕是一个常数，i表示第i次迭代；
[0014] 步骤3:初始化外部集合
[0015] 依据经典算法NSGA-II中采用的精英保留策略，设置一个外部集合保存每次算法 迭代过程中发现的非支配解集。当外部集合满时，采用裁减算子对外部集合解个数进行裁 减，为了搜索得到的解保持多样性，裁减算子采用"第k个最近邻居"思想。首先k取值为1， 然后计算每个解到外部集合所有其他解在目标空间上的距离，对这些距离值按照升序进行 排列。比较各个解到其他解的最短距离，把距离最小的解即最近邻居，从外部集合中剔除。 如果有若干组解具有相同的最短距离，则比较它们到其余解的第二近距离，然后确定第二 距离中的最短距离并从外部集合中剔除，依此类推。若所有距离都相同，则随机剔除一个；
[0016] 步骤4:博弈决策
[0017] 分别计算种群个体在多个目标函数上的适应度值，在博弈模型中，每个参与人都 期望自己的利益得到最大化，参与人按照对各个目标的偏好程度选择策略采取行动，对能 使自己收益增大的目标，依据概率选择矩阵和偏好矩阵选择博弈策略，生成加"偏好"多目 标适应度矩阵。
[0018] 步骤5 :算法迭代。按照混合二进制差分进化（HBDE)算法步骤进行种群迭代进化。 [0019] 步骤6 :选择个体。采用非支配解排序和拥挤距离选择最佳个体，组成下一代种群 并且更新外部集合。
[0020] 步骤7 :检查是否满足终止条件，满足则进入步骤八，否则返回步骤四。
[0021] 步骤8 :输出外部集合中的非支配波段组合解。
[0022] 为了更好的理解本发明所涉及的技术和方法，在此对本发明涉及的理论进行介 绍。