一種基于博弈論的多目標高光譜遙感影像波段選擇方法
【技術領域】
[0001] 本發明涉及一種高光譜遙感影像波段選擇方法，具體為一種基于博弈論的多目標 高光譜遙感影像波段選擇方法，屬于高光譜遙感圖像處理技術領域。
【背景技術】
[0002] 遙感（Remote Sensing)是一門利用電磁波原理來獲取遠方信號并使之成像，能夠 遙遠地感受感知遠方事物的技術，是一門新興科學。隨著計算機技術及光學技術的提高，遙 感技術也得到了迅速的發展。近年來，各式各樣的遙感衛星不斷成功發射，推動了遙感數據 獲取技術朝著三高（高空間分辨率、高光譜分辨率和高時間分辨率）和三多（多平臺、多傳 感器、多角度）方向發展。
[0003] 高光譜遙感可以探測到更為精細的光譜特性，高光譜圖像具有常規遙感無法企及 的光譜信息，有利于地物分類、識別和混合像元分解等處理。但是高光譜圖像在光譜信息量 增加的同時，也增加了數據的維數，使得圖像的數據量激增。其較高的維數和波段間的相關 性不僅會使運算變得復雜，處理速度大大下降，而且在有限樣本的情況下，可能會導致分類 精度降低。當成像光譜儀獲得高光譜圖像數據后，波段選擇顯得尤為重要。
[0004] 波段選擇方法一般遵循3個基本準則：（1)所選擇的波段組合對應的遙感影像信 息量要盡可能的豐富；（2)所選擇的波段組合之間相關性要盡可能的小；（3)所選擇的波段 組合要使得待識別或者待分類的地物光譜特性差異大、類別可分性要強。從這3個基本準 則出發，波段選擇可以看作是一個多目標優化問題，但是多目標優化問題存在著一個很顯 著的特點：各個待優化目標之間有可能存在著沖突，在滿足一個目標最優化的同時，其他目 標會受到影響而變的劣化。
[0005] 早期多目標優化問題一般通過加權等方式轉換為單目標優化問題，通過數據規劃 求解出結果。這種方式只能得到某一種權值影響之下的最優解。與此同時目標函數和約束 函數有可能是非線性的、不連續或者不可微的，采用傳統的數學規劃不能得到理想的效果。
[0006] 進化算法的產生靈感大都來源于大自然生物進化，具有自組織、自適應、自學習的 特性，不受問題性質的限制，可以用于求解高的維、動態、復雜的多目標優化問題，而且不易 受多目標優化問題的pareto前沿形狀及搜索空間本質特征等方面的影響。早在1967年， Rosenberg就提出利用基于進化算法來處理多目標優化問題，但并未實現。在遺傳算法 (GA)誕生之后，Schaffer提出了矢量評價遺傳算法，從而首次實現了將進化算法與多目標 優化問題相結合。如今進化算法已經發展成為多目標優化問題求解的主流算法，出現了一 批經典算法，如MOGA，NSGA，NSGA-II，SPEA，SPEA2等。其中NSGA-II是迄今為止最優秀的 多目標進化算法之一，它引入了精英保留機制通過一個外部種群保存進化算法搜索到的優 良個體，利用擁擠距離保持種群多樣性以及利用非支配解排序選擇種群中較好個體參與下 一次迭代。
[0007] 在NSGA-II算法中，雖然非支配解排序評價準則對待每一個目標都是公平的，但 這種方式有時也會造成效率的損失，導致種群退化。博弈論已經融入到主流經濟學領域當 中，是一種注重收益、注重效率的理論，而傳統的多目標進化算法則更加注重公平性。
【發明內容】
[0008] 發明目的：為了克服現有高光譜遙感圖像波段選擇技術上的不足，尋找合適的波 段組合能夠使得信息量、波段間相關性、類間可分性這3個目標函數值達到最優。本發明提 供了一種基于博弈論的多目標高光譜波段選擇方法，是一種以獲得最優波段組合為目標的 博弈論與多目標優化相結合的波段選擇方法。
[0009] 技術方案：一種基于博弈論的多目標高光譜波段選擇方法，其基本思想是：首先 對高光譜遙感影像進行子空間劃分，每個子空間選擇一定數目的波段組合成波段組合解作 為進化算法的初始種群個體，然后計算種群個體信息熵和B距離，把算法的迭代看作是一 次博弈，將信息熵和B距離兩個目標函數看作是博弈的參與人進行博弈決策，按照混合二 進制差分進化（HBDE)算法步驟進行種群迭代進化直至最終得到最佳優化波段組合為止。
[0010] 具體步驟如下：
[0011] 步驟1:數據預處理。選擇參與分類的地物類型，剔除受水汽噪聲污染嚴重的波 段，進行子空間劃分等操作。
[0012] 步驟2 :初始化差分進化種群
[0013] 設置種群規模大小為Nd，在子空間劃分的約束下隨機初始化波段組合可行解，設 置差分進化的相關參數如：差分進化縮放因子F，雜交參數CR，最大迭代次數MaxDT等，其中 ,\-MaxDT, 縮放因子F按f，2*^Ma\DT+\-i>更新，匕是一個常數，i表示第i次迭代；
[0014] 步驟3:初始化外部集合
[0015] 依據經典算法NSGA-II中采用的精英保留策略，設置一個外部集合保存每次算法 迭代過程中發現的非支配解集。當外部集合滿時，采用裁減算子對外部集合解個數進行裁 減，為了搜索得到的解保持多樣性，裁減算子采用"第k個最近鄰居"思想。首先k取值為1， 然后計算每個解到外部集合所有其他解在目標空間上的距離，對這些距離值按照升序進行 排列。比較各個解到其他解的最短距離，把距離最小的解即最近鄰居，從外部集合中剔除。 如果有若干組解具有相同的最短距離，則比較它們到其余解的第二近距離，然后確定第二 距離中的最短距離并從外部集合中剔除，依此類推。若所有距離都相同，則隨機剔除一個；
[0016] 步驟4:博弈決策
[0017] 分別計算種群個體在多個目標函數上的適應度值，在博弈模型中，每個參與人都 期望自己的利益得到最大化，參與人按照對各個目標的偏好程度選擇策略采取行動，對能 使自己收益增大的目標，依據概率選擇矩陣和偏好矩陣選擇博弈策略，生成加"偏好"多目 標適應度矩陣。
[0018] 步驟5 :算法迭代。按照混合二進制差分進化（HBDE)算法步驟進行種群迭代進化。 [0019] 步驟6 :選擇個體。采用非支配解排序和擁擠距離選擇最佳個體，組成下一代種群 并且更新外部集合。
[0020] 步驟7 :檢查是否滿足終止條件，滿足則進入步驟八，否則返回步驟四。
[0021] 步驟8 :輸出外部集合中的非支配波段組合解。
[0022] 為了更好的理解本發明所涉及的技術和方法，在此對本發明涉及的理論進行介 紹。