中文摘要：

高光谱图像中混合像元现象较为严重，混合像元分解技术是高光谱遥感信息获取的关键。目前高光谱图像混合像元分解方法主要从单纯形和最小二乘等最优化理论发展而来，普遍存在初始条件敏感、优化能力不高和自组织性较差等难点问题。本项目在像元混合机理研究基础上，从智能处理技术入手，拟将人工智能领域的蚁群算法探索性地引入到混合像元分解方法研究中，发挥蚁群算法在全局最优搜索、并行快速计算、端元数自动确认和数据自适应处理等方面的优势，重点研究与解决蚁群算法如何应用到混合像元分解的关键理论问题，寻找光谱混合模型与蚁群智能优化模型的契合点，建立蚁群算法用于高光谱图像混合像元分解的技术流程和解决方案，并在野外实验和图像模拟的基础上，对本项目提出的智能优化方法在不同空间尺度图像中的适应性进行理论探索和实践论证。本项目研究将弥补目前高光谱图像混合像元分解在智能优化方面的缺陷，为高光谱遥感信息提取提供一种新的有效方法和途径。

结论摘要：

混合像元分解问题一直是遥感应用研究的重要内容，特别是针对高光谱数据。本项目利用地面光谱测量与分析、成像光谱数据获取与分析、以及高光谱图像仿真模拟等方法系统研究了端元光谱的变异性，并在已有混合像元分解方法研究基础上提出了基于群智能优化理论的高光谱图像混合分解新方法，包括蚁群算法和粒子群算法。 基于蚁群优化的高光谱图像混合像元分解方法。本项目在线性光谱混合模型的基础上，利用有向有权图描述像元之间的关系，将混合像元分解中的端元提取问题转化成最优化问题，构建了可行解空间，讨论了目标函数的实际意义，进而建立了2种针对端元提取问题的蚁群优化算法。除了给出算法的详细流程，本项目还讨论了不同的运行参数对于算法性能的影响。最后，本项目设计了2组模拟数据实验和1组实际数据实验，实验证明基于蚁群算法的端元提取能够避免N-FINDR、VCA等算法的某些缺陷，提高端元对于全图像元的代表性，降低均方根误差的平均值，得到比N-FINDR、VCA更好的端元提取结果。 基于粒子群优化的高光谱图像混合像元分解方法。本项目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，引入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，得到离散粒子群优化（Discrete Particle Swarm Optimization, D-PSO），能够在离散空间中进行搜索，解决组合优化问题。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D-PSO进行端元提取。在给出算法的详细流程之后，本文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。