高光谱图像解混方法、装置及电子设备与流程

技术特征：
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述存档，生成所述下一代种群和所述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。7.根据权利要求6所述的方法，其特征在于，所述根据所述初始化种群建立存档，包括：基于拥挤距离，从所述初始化种群中选择预设数量的非支配个体；所述预设数量小于
或等于所述初始化种群的大小的一半；计算每个所述非支配个体在所述决策空间中的对立点所对应的个体，得到对立点个体；将所述非支配个体和所述对立点个体确定为所述存档个体，得到所述存档；分别建立每个所述存档个体与所述初始化种群中个体的对应关系。8.根据权利要求7所述的方法，其特征在于，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述存档，生成所述下一代种群和所述下一代权值向量集，包括：采用子代生成算子对所述初始权值向量集进行操作，生成子代权值向量集；基于问题转换算法，根据所述存档，将所述子代权值向量集转换为所述决策空间中的子代；根据所述目标函数，对所述初始化种群和所述子代的并集进行环境选择，生成所述下一代种群；根据所述下一代种群，生成所述下一代权值向量集。9.根据权利要求8所述的方法，其特征在于，所述初始权值向量集中包括多个初始权值向量，所述采用子代生成算子对所述初始权值向量集进行操作，生成子代权值向量集，包括：从所述初始权值向量集中随机选取第一初始权值向量和第二初始权值向量；对所述第一初始权值向量和所述第二初始权值向量进行维度对齐，得到第一对齐权值向量和第二对齐权值向量；采用子代生成算子对所述第一对齐权值向量和第二对齐权值向量进行进化操作，得到对齐子代权值向量；根据所述第一初始权值向量的维度对所述对齐子代权值向量进行维度还原，得到子代权值向量；返回执行步骤所述从所述初始权值向量集中随机选取第一初始权值向量和第二初始权值向量，直至得到的子代权值向量的数量等于所述初始化种群的种群大小，将得到的子代权值向量的集合确定为所述子代权值向量集。10.根据权利要求9所述的方法，其特征在于，所述对所述第一初始权值向量和所述第二初始权值向量进行维度对齐，得到第一对齐权值向量和第二对齐权值向量，包括：根据所述第二初始权值向量的维度和所述第一初始权值向量的维度的倍数关系，对所述第二初始权值向量中的权值进行线性分组；其中，所述第一初始权值向量的维度小于所述第二初始权值向量的维度；对应所述第二初始权值向量的线性分组结果，向所述第一初始权值向量中插入权值，得到所述第一对齐权值向量，以使所述第一对齐权值向量的维度与所述第二初始权值向量权值向量的维度相同；将所述第二初始权值向量作为所述第二对齐向量权值向量；所述根据所述第一初始权值向量的维度对所述对齐子代权值向量进行维度还原，得到所述子代权值向量，包括：根据所述对齐子代权值向量的维度与所述第一初始权值向量的维度的倍数关系，对所
述对齐子代权值向量中的权值向量进行线性分组；根据所述对齐子代权值向量的线性分组结果，从所述对齐子代权值向量中抽取权值，得到所述子代权值向量，以使所述子代权值向量的维度与所述第一初始权值向量的维度相同。11.根据权利要求9所述的方法，其特征在于，所述基于问题转换算法，根据所述存档，将所述子代权值向量集转换为所述决策空间中的子代，包括：对于所述子代权值向量集中的每个目标子代权值向量，确定所述初始化种群中与所述目标子代权值向量对应的目标个体；其中，所述目标子代权值向量为所述子代权值向量集中的任一个子代权值向量；确定所述存档中与所述目标个体对应的目标存档个体；基于问题转换算法，根据所述目标子代权值向量和所述目标存档个体，得到所述目标子代权值向量对应的目标子代个体；将所有所述目标子代权值向量对应的目标子代个体组成的集合确定为所述子代。12.一种高光谱图像解混装置，其特征在于，包括：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；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；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；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；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。13.一种电子设备，其特征在于，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如权利要求1至11任一项所述的方法。

技术总结
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。


技术研发人员：梁正平 王志强 刘程
受保护的技术使用者：深圳大学
技术研发日：2021.04.23
技术公布日：2021/10/19