在处理高光谱遥感图像时，混合像元分解是一个关键技术，它包括端元提取和丰度反演两个重要部分。端元提取作为混合像元分解的关键步骤，其准确性对于整个遥感图像分析至关重要。传统端元提取算法虽然在无误差的理想数据上具有较好的效果，但在实际应用中，由于数据噪声等因素的影响，常常导致提取结果的准确性大大降低。为了解决这一问题，本文提出了一种基于离散粒子群优化算法（D-PSO）的高光谱图像端元提取方法，它旨在减少算法对于数据质量的依赖，提高端元提取的鲁棒性，尤其是针对那些特征空间中分布不理想的数据。
粒子群优化算法（PSO）是群智能算法的一种，它通过模拟鸟群寻找食物的行为来求解最优化问题的全局最优解。该算法具有流程简洁、参数较少、收敛性和鲁棒性较好等优点，因此被广泛应用于非线性连续优化问题以及多目标优化、分类、模式识别、信号处理等领域。PSO最早由Eberhart和Kennedy在1995年提出，之后很快被应用于各个领域，并取得了显著的成果。在遥感图像处理中，尤其是多光谱数据端元提取问题的研究，PSO的应用已经取得了一定的成果。
传统的PSO算法主要用于连续空间的优化问题。然而，高光谱遥感图像端元提取问题实际上是一个组合优化问题，需要在离散空间中进行搜索。为了使PSO算法适用于离散空间的端元提取问题，本文对PSO算法进行了改进，提出了离散粒子群优化算法（D-PSO）。D-PSO算法重新定义了粒子的位置和速度的表示方法和更新策略，使其能够在离散空间中进行搜索并解决组合优化问题。
在文章中，作者首先定义了端元提取问题的目标函数和可行解空间，将端元提取问题转化成了一个组合优化问题。然后，利用D-PSO算法进行端元的提取，并详细描述了算法的具体流程。通过实验验证，D-PSO算法在处理具有较大噪声的数据时，展现了良好的适应性和提取端元的可信度。此外，文章还分析了不同参数对于算法性能的影响，为参数的选择提供了理论依据。
文章还提到，高光谱遥感图像处理中的混合像元分解技术，虽然已经有多种算法被提出，但这些算法大多基于线性光谱混合模型，它们认为混合像元在特征空间中分布在一个高维单形体内部，而端元则为这些单形体的顶点。这种模型适用于没有误差的理想数据，但当数据中的像元分布不满足单形体结构时（比如误差较大或者端元较多），则算法的提取结果会有较大误差。为此，文章尝试采用人工智能的方法，特别是粒子群优化算法来求解端元提取问题。
关键词包括高光谱遥感、混合像元、端元提取和粒子群优化。这体现了文章研究的核心内容和技术手段。在文章的引言部分，作者也强调了人工智能技术在未来计算科学发展中的重要性，以及群智能算法在解决最优化问题方面的独特优势。
文章还详细介绍了作者的背景信息和相关研究项目的资助情况，为理解文章的背景和研究成果的可靠性提供了依据。研究得到国家相关计划和自然科学基金项目的资助，证明了研究的重要性以及在相关领域的学术认可度。
