研究高光譜圖像的稀疏分解問題,能夠降低高光譜圖像的數(shù)據(jù)量,便于后續(xù)處理,但傳統(tǒng)正交匹配追蹤算法的計算復(fù)雜度高、不能滿足實時處理要求。針對上述問題,提出了一種利用人工魚群算法實現(xiàn)高光譜圖像稀疏分解的算法。算法采用人工魚群自上而下的尋優(yōu)模式,通過魚群中各個體的局部尋優(yōu),實現(xiàn)全局最優(yōu)值在群體中凸顯出來的目的,以人工魚群的更新過程對正交匹配追蹤算法的匹配過程進行改進,完成稀疏分解。實驗結(jié)果表明,與正交匹配追蹤算法相比,所提算法計算復(fù)雜度低,計算效率提高15倍,且能夠提高重構(gòu)圖像的峰值信噪比,充分說明改進算法能夠滿足實時性要求,更有利于實現(xiàn)高光譜圖像的稀疏分解。 

【文章來源】：計算機仿真. 2020,37(01)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

基于人工魚群的稀疏分解算法流程圖

實驗選擇四組高光譜圖像(數(shù)據(jù)來源:http://aviris.jpl.nasa.gov)評估稀疏分解算法的性能。前兩組數(shù)據(jù)是AVIRIS采集得到的場景Cuprite1和場景Cuprite2,數(shù)據(jù)集共有224個波段,去除異常波段和全零波段后,可用波段數(shù)為188,圖像大小裁剪至256*256。第三組數(shù)據(jù)是由AVIRIS采集的場景Indian Pines,數(shù)據(jù)集共220個波段,去除水汽吸收波段后,可用波段數(shù)為200,圖像大小裁剪至128*128。第四組數(shù)據(jù)是ROSIS采集的場景Pavia University,數(shù)據(jù)集包含115個波段,去除含噪波段后,可用波段數(shù)為103,圖像大小裁剪至256*256。需要注意的是,將含噪波段或水汽吸收波段移除后,需對可用波段重新進行編號處理。為保證數(shù)據(jù)的統(tǒng)一性,對高光譜圖像進行處理時,對原始采集得到的圖像均重新進行量化,將每個波段圖像的量化位數(shù)設(shè)置為8位,即圖像像素值范圍是0～255。高光譜圖像用二維矩陣F∈RNp×Nλ表示,其中,F=[F1,F2,...,Fb,...,FNλ],Fb是第b個波段圖像的向量化表示,Np是單個波段圖像的像素點數(shù),Nλ表示波段數(shù)。四組高光譜數(shù)據(jù)第50個波段的原始圖像如圖2 所示。4.2 實驗參數(shù)設(shè)置

種群大小為10時,最大進化代數(shù)和分解次數(shù)對重構(gòu)PSNR的影響如圖3(b)所示。同一分解次數(shù)下,PSNR隨著最大進化代數(shù)的增加僅有小幅度的振蕩,進一步地表明最大進化代數(shù)對重構(gòu)精度的影響不大。同一最大進化代數(shù)下,隨著分解次數(shù)的增加,PSNR不斷增加,且與圖3(a)中種群個數(shù)增加所引起的PSNR增長相比,分解次數(shù)的增加更能令PSNR快速增長。最大進化代數(shù)為5時,種群大小和分解次數(shù)對重構(gòu)性能的影響如圖3(c)所示。同一分解次數(shù)下,PSNR隨著種群數(shù)量的增加會不斷增加,但增長的速度較慢。同一種群數(shù)量下,隨著分解次數(shù)的增加,PSNR會逐漸增加,增長速度快于種群數(shù)量增加所引起的PSNR增長,進一步地說明增加分解次數(shù)更有助于提高PSNR。分析算法AFSA_OMP的執(zhí)行過程可知,當(dāng)種群個數(shù)逐漸增大時,每次進化過程中,需要對更多的人工魚完成聚群和追尾行為才能實現(xiàn)魚群的更新,計算成本不斷增加;當(dāng)最大更新代數(shù)增加時,魚群需要經(jīng)過多次進化才能找到最優(yōu)原子,時間復(fù)雜度會進一步地增加。其它三組高光譜圖像的實驗結(jié)果與Cuprite1相似,因此,在保證重構(gòu)精度的條件下,應(yīng)盡量降低最大進化代數(shù)和種群數(shù)量。綜合考慮重構(gòu)精度和計算復(fù)雜度,將所提算法AFSA_OMP中人工魚群的最大進化代數(shù)設(shè)置為T=5,魚群大小設(shè)置為M=10。

【參考文獻】：
博士論文
[1]一種新型的智能優(yōu)化方法-人工魚群算法[D]. 李曉磊.浙江大學(xué) 2003



本文編號：3036909