高光谱图像解混方法、装置及电子设备制造方法及图纸

本申请适用于高光谱图像解混领域，提供一种高光谱图像解混方法、装置及电子设备。方法包括：根据高光谱图像的解混目标以及高光谱图像中每个混合像元的丰度向量建立决策空间中的目标函数；建立决策空间中的初始化种群，并根据初始化种群生成初始权值向量集；根据目标函数和初始权值向量集生成下一代种群和下一代权值向量集；对下一代权值向量集中的瓶颈权值向量进行权值扩展，得到扩展权值向量集；将下一代种群作为初始化种群，将扩展权值向量集作为初始权值向量集，重复执行上两个步骤直至满足预设结束条件，根据得到的下一代种群确定每个混合像元对应的最优丰度向量。本申请提供的方法能够提高高光谱图像解混的精确度。的方法能够提高高光谱图像解混的精确度。的方法能够提高高光谱图像解混的精确度。

【技术实现步骤摘要】
高光谱图像解混方法、装置及电子设备


[0001]本申请属于高光谱图像解混
，尤其涉及一种高光谱图像解混方法、装置及电子设备。

技术介绍

[0002]高光谱分辨率遥感，简称高光谱遥感，是用很窄而连续的光谱通道对地物持续遥感成像的技术。高光谱遥感产生的图像称为高光谱图像。虽然高光谱图像的光谱分辨率很高，但是其像元对应的地物目标的空间分辨率却较低，这种情况导致了混合像元的广泛存在，即一个像元可能是几种类别的混合。混合像素问题不仅是遥感技术向定量化深入发展的重要障碍，而且也严重影响着计算机技术在遥感领域中的应用，因此需要对高光谱图像进行解混。
[0003]相关技术中，高光谱图像解混采用的算法主要包括：基于线性光谱混合模型、多层感知器、最近邻分类器、独立成分分析(ICA)和大规模多目标优化算法(Large
‑
scale Multi
‑
objective Evolutionary Algorithms，LSMOEAs)等。其中，LSMOEAs因为其能够提高解混精度而受到青睐。
[0004]对于LSMOPs，传统技术中存在多种大规模多目标优化算法，也称为大规模多目标优化算法，包括基于分而治之思想的决策变量分析LSMOEAs、协同演化LSMOEAs，以及基于降维思想的问题转换LSMOEAs等。其中，问题转换LSMOEAs是用单个权值对应多个决策变量，将LSMOPs从大规模困难问题转换为小规模问题，基于对小规模问题的优化来实现对大规模问题的优化。
[0005]然而，问题转换LSMOEAs用单个权值对应多个决策变量限制了始决策空间的搜索范围，导致搜索质量差，最终得到的最优解的质量难以保证。因而，使用问题转换LSMOEAs进行高光谱图像解混存在解混精确度差的问题。

技术实现思路

[0006]本申请提供一种高光谱图像解混方法、装置及电子设备，可以解高光谱图像解混解混精确度差的问题。
[0007]第一方面，本申请实施例提供了一种高光谱图像解混方法，包括：
[0008]根据高光谱图像的解混目标以及所述高光谱图像中每个混合像元的丰度向量建立决策空间中的目标函数；
[0009]建立所述决策空间中的初始化种群，并基于问题转换算法根据所述初始化种群生成初始权值向量集；
[0010]基于问题转换算法，根据所述目标函数和所述初始权值向量集生成下一代种群和下一代权值向量集；所述下一代种群中包括多个下一代个体，所述下一代权值向量集中包括与每个所述下一代个体分别对应的下一代权值向量；
[0011]对所述下一代权值向量集中的瓶颈权值向量进行权值扩展，得到扩展权值向量
集；所述瓶颈权值向量是指所述下一代种群中处于进化瓶颈的下一代个体对应的下一代权值向量；
[0012]将所述下一代种群作为所述初始化种群，将所述扩展权值向量集作为所述初始权值向量集，重复执行步骤所述基于问题转换算法，根据所述初始权值向量集，生成下一代种群和下一代权值向量集和步骤所述对所述下一代权值向量集中的瓶颈权值向量进行权值扩展，得到扩展权值向量集，直至满足预设结束条件，根据得到的下一代种群确定每个所述混合像元对应的最优丰度向量。
[0013]第二方面，本申请实施例提供了一种高光谱图像解混装置，包括：
[0014]建模模块，用于根据高光谱图像的解混目标以及所述高光谱图像中每个混合像元的丰度向量建立决策空间中的目标函数；
[0015]初始化模块，用于建立所述决策空间中的初始化种群，并基于问题转换算法根据所述初始化种群生成初始权值向量集；
[0016]进化模块，用于基于问题转换算法，根据所述目标函数和所述初始权值向量集生成下一代种群和下一代权值向量集；所述下一代种群中包括多个下一代个体，所述下一代权值向量集中包括与每个所述下一代个体分别对应的下一代权值向量；
[0017]扩展模块，用于对所述下一代权值向量集中的瓶颈权值向量进行权值扩展，得到扩展权值向量集；所述瓶颈权值向量是指所述下一代种群中处于进化瓶颈的下一代个体对应的下一代权值向量；
[0018]循环模块，用于将所述下一代种群作为所述初始化种群，将所述扩展权值向量集作为所述初始权值向量集，重复执行步骤所述基于问题转换算法，根据所述初始权值向量集，生成下一代种群和下一代权值向量集和步骤所述对所述下一代权值向量集中的瓶颈权值向量进行权值扩展，得到扩展权值向量集，直至满足预设结束条件，根据得到的下一代种群确定每个所述混合像元对应的最优丰度向量。
[0019]第三方面，本申请实施例提供了一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的高光谱图像解混方法。
[0020]第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的高光谱图像解混方法。
[0021]本申请提供的高光谱图像解混方法、装置、电子设备及存储介质，根据高光谱图像的解混目标以及所述高光谱图像中每个混合像元的丰度向量建立决策空间中的目标函数，并基于问题转换算法，根据初始化种群生成初始权值向量集，根据目标函数和初始权值向量集生成下一代种群和下一代权值向量集。每一轮迭代中，均对下一代权值向量集中的瓶颈权值向量进行权值扩展，得到扩展权值向量集，进而基于扩展权值向量集进行下一轮的迭代，直至满足预设结束条件，得到每个混合像元对应的最优丰度向量。本实施例提供的高光谱图像解混方法、装置、电子设备及存储介质，通过自适应方式逐步对权值向量进行动态扩展，动态提升权值向量的维度，从而逐步扩大算法的搜索空间，对大规模多目标优化算法计算过程中的搜索效率和搜索质量进行合理均衡。相较于传统技术中的问题转换算法，本实施例提供的高光谱图像解混方法在目标优化时能够有效提高搜索质量，提高最优解的质
量，从而提高所获得的最优丰度向量的准确性，进而提高高光谱图像解混的精确度。
附图说明
[0022]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0023]图1是本申请一实施例提供的决策变量与权值的对应关系示意图；
[0024]图2是本申请一实施例提供的电子设备的结构示意图；
[0025]图3是本申请一实施例提供的高光谱图像解混方法的流程示意图；
[0026]图4是本申请一实施例提供的高光谱图像解混方法的流程示意图；
[0027]图5是本申请另一实施例提供的高光谱图像解混方法的流程示意图；
[0028]图6是本申请又一实施例提供的高光谱图像解混方法的流程示意图；
[0029]图7是本申请一实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高光谱图像解混方法，其特征在于，包括：根据高光谱图像的解混目标以及所述高光谱图像中每个混合像元的丰度向量建立决策空间中的目标函数；建立所述决策空间中的初始化种群，并基于问题转换算法根据所述初始化种群生成初始权值向量集；基于问题转换算法，根据所述目标函数和所述初始权值向量集生成下一代种群和下一代权值向量集；所述下一代种群中包括多个下一代个体，所述下一代权值向量集中包括与每个所述下一代个体分别对应的下一代权值向量；对所述下一代权值向量集中的瓶颈权值向量进行权值扩展，得到扩展权值向量集；所述瓶颈权值向量是指所述下一代种群中处于进化瓶颈的下一代个体对应的下一代权值向量；将所述下一代种群作为所述初始化种群，将所述扩展权值向量集作为所述初始权值向量集，重复执行步骤所述基于问题转换算法，根据所述初始权值向量集，生成下一代种群和下一代权值向量集和步骤所述对所述下一代权值向量集中的瓶颈权值向量进行权值扩展，得到扩展权值向量集，直至满足预设结束条件，根据得到的下一代种群确定每个所述混合像元对应的最优丰度向量。2.根据权利要求1所述的方法，其特征在于，所述对所述下一代权值向量集中的瓶颈权值向量进行权值扩展，得到扩展权值向量集，包括：获取所述目标函数的决策变量的维度，得到决策变量维度；对于所述下一代权值向量集中的每个第一瓶颈权值向量，确定所述第一瓶颈权值向量的维度，并根据所述决策变量维度和所述第一瓶颈权值向量的维度，对所述第一瓶颈权值向量进行权值扩展，得到扩展权值向量；其中，所述第一瓶颈权值向量为任一个瓶颈权值向量，所述扩展权值向量的维度小于或等于所述决策变量维度；将所述下一代权值向量集中未进行权值扩展的下一代权值向量和所述扩展权值向量组成的集合确定为所述扩展权值向量集。3.根据权利要求2所述的方法，其特征在于，所述根据所述决策变量维度和所述第一瓶颈权值向量的维度，对所述第一瓶颈权值向量进行权值扩展，得到扩展权值向量，包括：若所述第一瓶颈权值向量的维度小于或等于所述决策变量维度的一半，则向所述第一瓶颈权值向量插入权值，将所述第一瓶颈权值向量的维度扩展一倍，得到所述扩展权值向量；若所述第一瓶颈权值向量的维度小于所述决策变量维度且大于所述决策变量维度的一半，则向所述第一瓶颈权值向量插入权值，将所述第一瓶颈权值向量的维度扩展至与所述决策变量维度一致，得到所述扩展权值向量。4.根据权利要求1所述的方法，其特征在于，所述对所述下一代权值向量集中的瓶颈权值向量进行权值扩展，得到扩展权值向量集之前，所述方法还包括：确定每个所述下一代个体的当前进化卡顿次数，所述当前进化卡顿次数用于表征所述下一代个体进化至当前种群的过程中累计出现进化卡顿的次数；将所述当前进化卡顿次数大于预设阈值的下一代个体确定为所述处于进化瓶颈的下一代个体；
所述对所述下一代权值向量集中的瓶颈权值向量进行权值扩展，得到扩展权值向量集之后，所述方法还包括：对所述下一代种群中处于进化瓶颈的下一代个体的所述当前进化卡顿次数进行重置。5.根据权利要求4所述的方法，其特征在于，所述确定每个所述下一代个体的当前进化卡顿次数，包括：获取每个所述下一代个体的父代id值；将所述下一代种群中非支配且父代id值不为0的下一代个体组成的集合确定为高质量子代集；对于所述高质量子代集中的每个第一下一代个体，将所述第一下一代个体的上次进化卡顿次数确定为当前进化卡顿次数，其中，所述第一下一代个体为所述高质量子代集的任一个下一代个体；将父代id值为0的下一代个体组成的集合确定为低质量子代集；对于低质量子代集中的每个第二下一代个体，若所述第二下一代个体参与上一次子代生成，且所述第二下一代个体生成的子代个体不属于所述高质量子代集，则将所述第二下一代个体的上次进化卡顿次数加1，得到所述第二下一代个体的当前进化卡顿次数；否则将所述第二下一代个体的上次进化卡顿次数确定为当前进化卡顿次数；其中，所述第二下一代个体为所述低质量子代集中的任一个下一代个体。6.根据权利要求1至5中任一项所述的方法，其特征在于，所述基于问题转换算法，根据所述初始权值向量集生成下一代种群和下一代权值向量集之前，所述方法还包括：根据所述初始化种群建立存档；所述存档中包括多个存档个体，每个所述存档个体与所述初始化种群中的至少一个个体对应，且所述多个存档个体中至少有一个为所述初始化种群中的非支配个体；所述基于问题转换算法，根据所述目标函数和所述初始权值向量集生成下一代种群和下一代权值向量集，包括：基于问题转换算法，根据所述目标函数、所述初始权值向量集和所述存档，生成所述下一代种群和所述下一代权值向量集；所述将所述下一代种群作为所述初始化种群，将所述扩展权值向量集作为所述初始权值向量集，重复执行步骤所述基于问题转换算法，根据所述目标函数和所述初始权值向量集，生成下一代种群和下一代权值向量集和步骤所述对所述下一代权值向量集中的瓶颈权值向量进行权值扩展，得到扩展权值向量集，直至满足预设结束条件，根据得到的下一代种群确定每个所述混合像元对应的最优丰度向量，包括：将所述下一代种群作为所述初始化种群，将所述扩展权值向量集作为所述初始权值向量集，重复执行步骤所述根据所述初始化种群建立存档、步骤所述基于问题转换算法，根据所述目标函数、所述初始权值向量集和所...

【专利技术属性】
技术研发人员：梁正平，王志强，刘程，
申请(专利权)人：深圳大学，
类型：发明
国别省市：