CN111797988A - 一种基于排序多变异的多目标差分进化的高光谱端元提取方法及装置 - Google Patents
一种基于排序多变异的多目标差分进化的高光谱端元提取方法及装置 Download PDFInfo
- Publication number
- CN111797988A CN111797988A CN202010609532.0A CN202010609532A CN111797988A CN 111797988 A CN111797988 A CN 111797988A CN 202010609532 A CN202010609532 A CN 202010609532A CN 111797988 A CN111797988 A CN 111797988A
- Authority
- CN
- China
- Prior art keywords
- end member
- hyperspectral
- population
- variation
- member extraction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 73
- 238000012163 sequencing technique Methods 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000035772 mutation Effects 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于排序多变异的多目标差分进化的高光谱端元提取方法及装置，其中的方法将高光谱端元提取问题转化成多目标优化问题，通过排序多变异的(μ+λ)多目标差分进化算法来平衡多目标之间的冲突，具体包括：通过整数编码来随机初始化种群，然后采用多变异策略操作通过缩放因子参数池来产生变异向量，采用二项式交叉操作通过交叉控制参数池来生成试验向量，通过结合快速非支配排序方法和(μ+λ)选择操作来选择后代种群，经过反复上述变异、交叉、选择操作进行多代进化获得一组非支配的Pareto解集，从而获得一组高光谱端元提取的结果，可以改善高光谱端元的提取效果。
Description
技术领域
本发明涉及遥感影像处理技术领域，具体涉及一种基于排序多变异的多目标差分进化的高光谱端元提取方法及装置。
背景技术
髙光谱成像由于能够捕获具有多个光谱带的图像的能力而被广泛用于各种应用中，这些光谱带可提供诊断光谱信息以识别不同的土地覆盖类型。由于分辨率的限制，在高光谱图像中不可避免地会存在混合像素，从而给地面物体的识别和高光谱图像的准确分析带来麻烦。
为了解决混合像素的问题，高光谱解混是一种有效的方法，可以将像素光谱分解为纯净像元光谱集合(称为端元)和相应的端元所占的比例(称为丰度)。在传统的混合像元分解技术，由于丰度反演需要利用端元提取的结果，因此端元提取结果的准确度直接影响丰度反演的精度，从而影响解释的精度。由此可以看出端元提取是高光谱解混中一项重要的任务。
针对高光谱的端元提取的问题，国内外学者进行了深入的研究提出了很多方法。主要研究分为基于凸几何理论方法、稀疏回归方法、光谱-空间信息联合方法、统计学方法和基于智能优化方法。
本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：
(1)传统端元提取方法和基于智能算法端元方提取法都属于单目标端元提取优化算法，仅仅优化一个目标函数很难全面描述端元的特点。
(2)多次优化单个不同目标函数很难满足在单次优化中同时达到多个目标函数最优。由于不同的目标函数之间存在的冲突，还需要设计合理的方法来平衡多个目标之间的冲突来获得一种平衡。
发明内容
本发明提出一种基于排序多变异的多目标差分进化的高光谱端元提取方法及装置，用于解决或者至少部分解决现有技术中的方法存在的端元提取效果不佳的技术问题。
为了解决上述技术问题，本发明第一方面提供了一种基于排序多变异的多目标差分进化的高光谱端元提取方法，将高光谱端元提取问题转化成多目标优化问题，通过排序多变异的(μ+λ)多目标差分进化算法来平衡多目标之间的冲突，具体包括：
S1：通过整数编码来随机初始化种群，其中，种群中的个体为高光谱影像的一个端元候选解；
S2：采用多变异策略操作通过缩放因子参数池来产生变异向量，其中，变异向量用以增加高光谱影像端元的多样性；
S3：对种群中的个体和变异向量，采用二项式交叉操作通过交叉控制参数池来生成试验向量，其中，试验向量用以保存原个体的部分遗传信息；
S4：结合快速非支配排序方法和(μ+λ)选择操作来选择后代种群，经过反复上述变异、交叉、选择操作进行多代进化获得一组非支配的Pareto解集，从而获得一组高光谱端元提取的结果。
在一种实施方式中，将高光谱端元提取问题转化成多目标优化问题，通过排序多变异的(μ+λ)多目标差分进化算法来平衡多目标之间的冲突，包括：
高光谱遥感影像读入大小为L×N的矩阵R中，矩阵中各元素为各波段对应的像素辐射值，L为高光谱遥感影像的波段数，N为高光谱遥感影像的像素数，线性光谱模型表示如下：
R＝EAT+ε
其中，线性光谱模型用于端元提取，R为高光谱图像矩阵，E＝[e1,e2,...,eP]为端元矩阵，A＝[a1,a2,...,aP]为丰度矩阵，ε为误差矩阵；
将端元提取问题转化为一个多目标优化问题，通过体积的倒数和均方根误差达到最小值来衡量端元提取的优劣，端元提取多目标优化问题为：
minimize:F(X)＝(f1(X),f2(X))
其中，X为端元索引号，Q(X)为端元矩阵，P为端元总数，r为原始影像，
为重构影像，重构影像表示如下：
e＝r(X)
其中，e为端元集合，
为丰度，通过非负最小二乘方法获得。
在一种实施方式中，S1具体包括：
采用整数编码随机初始化种群X＝{x1,...,xi...,xNP}，函数randperm(N,P)随机从[1,N]的范围内选取P个不同的整数，xi表示种群中的一个个体，即代表一个候选端元解，N代表高光谱图像中的像素总数量，P代表端元的总数量，NP代表种群中个体的总数。
在一种实施方式中，S2中排序多变异策略操作采用二种不同的变异通过缩放因子参数池生成变异向量，两种变异策略如下：
“DE/rand/1”策略：
“DE/rand–to-Gbest/1”策略：
其中，F为变异缩放因子，G为当前代数，rand为0到1的随机数，xGbest,G是从Pareto解集中随机挑选的最好解，
和
分别为两种变异策略产生的变异向量，索引r1,r2,r3∈{1,2,...,NP}通过根据筛选的概率进行排序向量随机筛选，第i个个体的筛选概率如下：
Ranki＝NP-i,i＝1,2,...NP
其中，pi为第i个个体的筛选概率，NP为种群数，Ranki为排序向量。
在一种实施方式中，S3中采用二项式交叉操作通过交叉控制参数池生成试验向量，二项式交叉如下：
其中，
和
分别表示根据对应的变异向量生成的试验向量，jrand表示[1,P]随机生成的整数，CR表示交叉概率。
在一种实施方式中，S4具体包括：
通过结合快速非支配排序方法把种群按照Pareto前沿等级排序，每个前沿的个体通过拥挤距离再排序，然后通过(μ+λ)选择操作来从(μ+λ)个父代中选择μ个后代作为新一代的种群，其中，Pareto前沿等级在(μ+λ)个父代中算法得到，拥挤距离针对当前Pareto前沿等级上度量每个个体在Pareto前沿上相邻的两个个体的拥挤情况，拥挤距离越大表示种群多样性越好；
判断是否满足迭代条件，当满足迭代条件时，跳转到S2中变异操作顺序执行；
否则，输出一组Pareto解集即端元提取的一组非支配解集。
基于同样的发明构思，本发明第二方面提供了一种基于排序多变异的多目标差分进化的高光谱端元提取装置，将高光谱端元提取问题转化成多目标优化问题，通过排序多变异的(μ+λ)多目标差分进化算法来平衡多目标之间的冲突，该装置包括：
种群初始化模块，用于通过整数编码来随机初始化种群，其中，种群中的个体为高光谱影像的一个端元候选解；
排序多变异模块，用于采用多变异策略操作通过缩放因子参数池来产生变异向量，其中，变异向量用以增加高光谱影像端元的多样性；
二项式交叉模块，用于对种群中的个体和变异向量，采用二项式交叉操作通过交叉控制参数池来生成试验向量，其中，试验向量用以保存原个体的部分遗传信息；
选择模块，用于结合快速非支配排序方法和(μ+λ)选择操作来选择后代种群，经过反复上述变异、交叉、选择操作进行多代进化获得一组非支配的Pareto解集，从而获得一组高光谱端元提取的结果。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明提供的一种基于排序多变异的多目标差分进化的高光谱端元提取方法，高光谱端元提取问题转化成多目标优化问题，通过排序多变异的(μ+λ)多目标差分进化算法来平衡多目标之间的冲突，首先通过整数编码来随机初始化种群，得到高光谱影像的端元候选解；然后采用多变异策略操作通过缩放因子参数池来产生变异向量，来增加高光谱影像端元的多样性；接着对种群中的个体和变异向量，采用二项式交叉操作通过交叉控制参数池来生成试验向量，用以保存原个体的部分遗传信息；最后结合快速非支配排序方法和(μ+λ)选择操作来选择后代种群，经过反复上述变异、交叉、选择操作进行多代进化获得一组非支配的Pareto解集，从而获得一组高光谱端元提取的结果，可以改善端元提取的效果。
进一步地，将把端元提取问题转化成一个多目标优化问题，同时优化两个目标函数体积的倒数和均方根误差达到最小值来衡量端元提取的优劣，从而进一步改善端元提取效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于排序多变异的多目标差分进化的高光谱端元提取方法的流程图；
图2为本发明实施例中采用整数编码来随机初始化种群的示意图；
图3本发明实施例中采用通过参数池进行排序多变异操作和二项式交叉操作的示意图；
图4本发明实施例中采用通过结合快速非支配排序方法和(μ+λ)选择操作的示意图；
图5本发明实施例的方法与现有端元提取方法的多目标结果图；
图6本发明实施例的方法与现有端元提取方法的端元提取光谱图；
图7本发明实施例提取端元丰度反演的丰度图；
图8是本发明提供的基于排序多变异的多目标差分进化的高光谱端元提取装置的结构框图。
具体实施方式
本发明公开了一种基于排序多变异的多目标差分进化的高光谱端元提取方法及装置，将高光谱端元提取问题转化成多目标优化问题，通过排序多变异的(μ+λ)多目标差分进化算法来平衡多目标之间的冲突，该算法包括初始化种群操作，排序多变异策略操作，二项式交叉操作和(μ+λ)选择操作。通过整数编码来随机初始化种群，然后采用多变异策略操作通过缩放因子参数池来产生变异向量，采用二项式交叉操作通过交叉控制参数池来生成试验向量，通过结合快速非支配排序方法和(μ+λ)选择操作来选择后代种群，经过反复上述变异、交叉、选择操作进行多代进化获得一组非支配的Pareto解集，从而获得一组高光谱端元提取的结果，可以改善高光谱端元的提取效果。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
本实施例提供了一种基于排序多变异的多目标差分进化的高光谱端元提取方法，将高光谱端元提取问题转化成多目标优化问题，通过排序多变异的(μ+λ)多目标差分进化算法来平衡多目标之间的冲突，请参见图1，该方法具体包括：
S1：通过整数编码来随机初始化种群，其中，种群中的个体为高光谱影像的一个端元候选解；
S2：采用多变异策略操作通过缩放因子参数池来产生变异向量，其中，变异向量用以增加高光谱影像端元的多样性；
S3：对种群中的个体和变异向量，采用二项式交叉操作通过交叉控制参数池来生成试验向量，其中，试验向量用以保存原个体的部分遗传信息；
S4：结合快速非支配排序方法和(μ+λ)选择操作来选择后代种群，经过反复上述变异、交叉、选择操作进行多代进化获得一组非支配的Pareto解集，从而获得一组高光谱端元提取的结果。
本发明提供一种基于排序多变异的(μ+λ)多目标差分进化算法来平衡多个目标冲突，最后得到一组Pareto端元提取的解集(由于多目标问题中目标函数是相互冲突的，解集之间不能判断解的优劣且互不支配，通常被称为Pareto解集。)。多目标差分进化算法是进化算法里面一种具有代表性的启发式算法，模拟自然界的现象(基因的变异、繁殖(体现在交叉操作)、选择)，进行一代代迭代繁衍，目的是遵循达尔文进化论的思想的“物竞天择，适者生存”得到优质的种群，在多目标问题上最终得到一组Pareto端元提取的解集。
在一种实施方式中，将高光谱端元提取问题转化成多目标优化问题，通过排序多变异的(μ+λ)多目标差分进化算法来平衡多目标之间的冲突，包括：
高光谱遥感影像读入大小为L×N的矩阵R中，矩阵中各元素为各波段对应的像素辐射值，L为高光谱遥感影像的波段数，N为高光谱遥感影像的像素数，线性光谱模型表示如下：
R＝EAT+ε
其中，线性光谱模型用于端元提取，R为高光谱图像矩阵，E＝[e1,e2,...,eP]为端元矩阵，A＝[a1,a2,...,aP]为丰度矩阵，ε为误差矩阵；
将端元提取问题转化为一个多目标优化问题，通过体积的倒数和均方根误差达到最小值来衡量端元提取的优劣，端元提取多目标优化问题为：
minimize:F(X)＝(f1(X),f2(X))
其中，X为端元索引号，Q(X)为端元矩阵，P为端元总数，r为原始影像，
为重构影像，重构影像表示如下：
e＝r(X)
其中，e为端元集合，
为丰度，通过非负最小二乘方法获得。
具体来说，实施例中采用Matlab调用遥感影像读写函数为实施基础。调用遥感影像读取函数，输入遥感影像文件名，高光谱遥感影像读入大小为L×N的矩阵R中。遥感影像读写函数为本技术领域的公知技术，在此不作赘述。
在一种实施方式中，S1具体包括：
采用整数编码随机初始化种群X＝{x1,...,xi...,xNP}，函数randperm(N,P)随机从[1,N]的范围内选取P个不同的整数，xi表示种群中的一个个体，即代表一个候选端元解，N代表高光谱图像中的像素总数量，P代表端元的总数量，NP代表种群中个体的总数。
具体来说，从N个像素中随机挑选P个端元。xi代表在N个像素中的端元索引号，xi的维度是P。请参见图2，为本发明实施例中采用整数编码来随机初始化种群的示意图。
在一种实施方式中，S2中排序多变异策略操作采用二种不同的变异通过缩放因子参数池生成变异向量，两种变异策略如下：
“DE/rand/1”策略：
“DE/rand–to-Gbest/1”策略：
其中，F为变异缩放因子，G为当前代数，rand为0到1的随机数，xGbest,G是从Pareto解集中随机挑选的最好解，
和
分别为两种变异策略产生的变异向量，索引r1,r2,r3∈{1,2,...,NP}通过根据筛选的概率进行排序向量随机筛选，第i个个体的筛选概率如下：
Ranki＝NP-i,i＝1,2,...NP
其中，pi为第i个个体的筛选概率，NP为种群数，Ranki为排序向量。
具体来说，变异向量是个体经过变异操作之后得到的结果，即种群进化中进行变异操作，主要作用是增加种群的多样性。
个体的筛选时，例如r1的选择的情况，如果随机选择r1∈{1,2,...,NP}算出其筛选概率pr1小于一个随机生成0到1的随机数rand，那么重新进行随机选择r1∈{1,2,...,NP}直到满足条件为止。生成索引i,r1,r2,r3必须满足互不相同的条件，否则相对应的索引依次重置，具体请见图3。
在一种实施方式中，S3中采用二项式交叉操作通过交叉控制参数池生成试验向量，二项式交叉如下：
其中，
和
分别表示根据对应的变异向量生成的试验向量，jrand表示[1,P]随机生成的整数，CR表示交叉概率。
具体来说，试验向量是个体和变异向量进行二项式交叉产生的，就如遗传中繁殖中保留基因中一部分，作用是在变异的情况下也保留原来个体的部分遗传信息。μ个个体会产生λ个试验向量，然后(μ+λ)个父代用非支配排序方法先把种群进行Pareto前沿等级排序，然后每个前沿中按照拥挤距离排序，通过(μ+λ)个父代中选择μ个后代作为新一代的种群，也就是下一代的μ个端元候选解。
试验向量为了确保合理性采用合理的重置机制包括：越界处理，取整处理和去重处理，具体请见图3。
在一种实施方式中，S4具体包括：
通过结合快速非支配排序方法把种群按照Pareto前沿等级排序，每个前沿的个体通过拥挤距离再排序，然后通过(μ+λ)选择操作来从(μ+λ)个父代中选择μ个后代作为新一代的种群，其中，Pareto前沿等级在(μ+λ)个父代中算法得到，拥挤距离针对当前Pareto前沿等级上度量每个个体在Pareto前沿上相邻的两个个体的拥挤情况，拥挤距离越大表示种群多样性越好；
判断是否满足迭代条件，当满足迭代条件时，跳转到S2中变异操作顺序执行；
否则，输出一组Pareto解集即端元提取的一组非支配解集。
具体来说，Pareto前沿等级含义是在(μ+λ)个父代中算法可能会得到多个Pareto前沿等级，比如在等级1中的任何一个个体的目标函数值都要比在等级2中的任何一个个体的目标函数值要优(即等级1中的任何一个个体的目标函数值都要支配在等级2中的任何一个个体的目标函数值)，最终可以得到的一组Pareto端元提取的解集是Pareto前沿等级中的全部个体解集。
拥挤距离是针对当前Pareto前沿等级上度量每个个体在Pareto前沿上相邻的两个个体的拥挤情况，拥挤距离越大越好，目的是能够让种群朝着多样性进化，在Pareto前沿上搜索出更加均匀的的Pareto解。请参见图4，为采用通过结合快速非支配排序方法和(μ+λ)选择操作的示意图；
具体实施时，可采用软件方式实现流程的自动运行。运行流程的装置也应当在本发明的保护范围内。
以下通过对比试验来验证本发明的有益效果。
本试验采用数据集为Samson数据集，影像尺寸95像素×95像素，共156个波段，影像中包含三种端元：土地、树和水。本专利的方法为(μ+λ)-MODE，分别采用N-FINDR，VCA，MOAQPSO，DPSO，MODPSO，IMODPSO进行端元提取。图5为本发明实施例与现有端元提取方法的结果图，图6为本发明实施例与现有端元提取方法的光谱图，图7为本发明实施例提取端元丰度反演的丰度图。由上述图可以看出，本发明对端元提取在多个目标函数上取得了较好的结果，图5中本发明与对比的实验结果相比较，本发明的结果优于基于进化算法端元提取的方法(MOAQPSO，DPSO，MODPSO，IMODPSO)的结果，本发明的结果与传统端元提取的方法(N-FINDR，VCA)互不支配，但在最小均方根误差上目标上比传统方法效果好。图6和图7中可以发现本发明能够提取高光谱图像中的土地、树、水端元。由此可得出结论，本发明方法能够同时优化多个全面描述端元特点的目标函数并能取得良好的结果，在多目标函优化中能平衡多个目标之间的冲突提取一组互不支配的端元解集，从而为决策者提供了更全面端元提取的结果。
实施例二
基于同样的发明构思，本发明第二方面提供了一种基于排序多变异的多目标差分进化的高光谱端元提取装置，将高光谱端元提取问题转化成多目标优化问题，通过排序多变异的(μ+λ)多目标差分进化算法来平衡多目标之间的冲突，该装置包括：
种群初始化模块201，用于通过整数编码来随机初始化种群，其中，种群中的个体为高光谱影像的一个端元候选解；
排序多变异模块202，用于采用多变异策略操作通过缩放因子参数池来产生变异向量，其中，变异向量用以增加高光谱影像端元的多样性；
二项式交叉模块203，用于对种群中的个体和变异向量，采用二项式交叉操作通过交叉控制参数池来生成试验向量，其中，试验向量用以保存原个体的部分遗传信息；
选择模块204，用于结合快速非支配排序方法和(μ+λ)选择操作来选择后代种群，经过反复上述变异、交叉、选择操作进行多代进化获得一组非支配的Pareto解集，从而获得一组高光谱端元提取的结果。
由于本发明实施例二所介绍的装置，为实施本发明实施例一中基于排序多变异的多目标差分进化的高光谱端元提取方法所采用的装置，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于排序多变异的多目标差分进化的高光谱端元提取方法，其特征在于，将高光谱端元提取问题转化成多目标优化问题，通过排序多变异的(μ+λ)多目标差分进化算法来平衡多目标之间的冲突，具体包括：
S1：通过整数编码来随机初始化种群，其中，种群中的个体为高光谱影像的一个端元候选解；
S2：采用多变异策略操作通过缩放因子参数池来产生变异向量，其中，变异向量用以增加高光谱影像端元的多样性；
S3：对种群中的个体和变异向量，采用二项式交叉操作通过交叉控制参数池来生成试验向量，其中，试验向量用以保存原个体的部分遗传信息；
S4：结合快速非支配排序方法和(μ+λ)选择操作来选择后代种群，经过反复上述变异、交叉、选择操作进行多代进化获得一组非支配的Pareto解集，从而获得一组高光谱端元提取的结果。
2.如权利要求1所述的端元提取方法，其特征在于，将高光谱端元提取问题转化成多目标优化问题，通过排序多变异的(μ+λ)多目标差分进化算法来平衡多目标之间的冲突，包括：
高光谱遥感影像读入大小为L×N的矩阵R中，矩阵中各元素为各波段对应的像素辐射值，L为高光谱遥感影像的波段数，N为高光谱遥感影像的像素数，线性光谱模型表示如下：
R＝EAT+ε
其中，线性光谱模型用于端元提取，R为高光谱图像矩阵，E＝[e1,e2,...,eP]为端元矩阵，A＝[a1,a2,...,aP]为丰度矩阵，ε为误差矩阵；
将端元提取问题转化为一个多目标优化问题，通过体积的倒数和均方根误差达到最小值来衡量端元提取的优劣，端元提取多目标优化问题为：
minimize:F(X)＝(f1(X),f2(X))
其中，X为端元索引号，Q(X)为端元矩阵，P为端元总数，r为原始影像，
为重构影像，重构影像表示如下：
e＝r(X)
其中，e为端元集合，
为丰度，通过非负最小二乘方法获得。
3.如权利要求1所述的端元提取方法，其特征在于，S1具体包括：
采用整数编码随机初始化种群X＝{x1,...,xi...,xNP}，函数randperm(N,P)随机从[1,N]的范围内选取P个不同的整数，xi表示种群中的一个个体，即代表一个候选端元解，N代表高光谱图像中的像素总数量，P代表端元的总数量，NP代表种群中个体的总数。
4.如权利要求1所述的端元提取方法，其特征在于，S2中排序多变异策略操作采用二种不同的变异通过缩放因子参数池生成变异向量，两种变异策略如下：
“DE/rand/1”策略：
“DE/rand–to-Gbest/1”策略：
其中，F为变异缩放因子，G为当前代数，rand为0到1的随机数，xGbest,G是从Pareto解集中随机挑选的最好解，
和
分别为两种变异策略产生的变异向量，索引r1,r2,r3∈{1,2,...,NP}通过根据筛选的概率进行排序向量随机筛选，第i个个体的筛选概率如下：
Ranki＝NP-i,i＝1,2,...NP
其中，pi为第i个个体的筛选概率，NP为种群数，Ranki为排序向量。
5.如权利要求1所述的端元提取方法，其特征在于，S3中采用二项式交叉操作通过交叉控制参数池生成试验向量，二项式交叉如下：
其中，
和
分别表示根据对应的变异向量生成的试验向量，jrand表示[1,P]随机生成的整数，CR表示交叉概率。
6.如权利要求4所述的端元提取方法，其特征在于，S4具体包括：
通过结合快速非支配排序方法把种群按照Pareto前沿等级排序，每个前沿的个体通过拥挤距离再排序，然后通过(μ+λ)选择操作来从(μ+λ)个父代中选择μ个后代作为新一代的种群，其中，Pareto前沿等级在(μ+λ)个父代中算法得到，拥挤距离针对当前Pareto前沿等级上度量每个个体在Pareto前沿上相邻的两个个体的拥挤情况，拥挤距离越大表示种群多样性越好；
判断是否满足迭代条件，当满足迭代条件时，跳转到S2中变异操作顺序执行；
否则，输出一组Pareto解集即端元提取的一组非支配解集。
7.一种基于排序多变异的多目标差分进化的高光谱端元提取装置，其特征在于，将高光谱端元提取问题转化成多目标优化问题，通过排序多变异的(μ+λ)多目标差分进化算法来平衡多目标之间的冲突，该装置包括：
种群初始化模块，用于通过整数编码来随机初始化种群，其中，种群中的个体为高光谱影像的一个端元候选解；
排序多变异模块，用于采用多变异策略操作通过缩放因子参数池来产生变异向量，其中，变异向量用以增加高光谱影像端元的多样性；
二项式交叉模块，用于对种群中的个体和变异向量，采用二项式交叉操作通过交叉控制参数池来生成试验向量，其中，试验向量用以保存原个体的部分遗传信息；
选择模块，用于结合快速非支配排序方法和(μ+λ)选择操作来选择后代种群，经过反复上述变异、交叉、选择操作进行多代进化获得一组非支配的Pareto解集，从而获得一组高光谱端元提取的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010609532.0A CN111797988A (zh) | 2020-06-29 | 2020-06-29 | 一种基于排序多变异的多目标差分进化的高光谱端元提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010609532.0A CN111797988A (zh) | 2020-06-29 | 2020-06-29 | 一种基于排序多变异的多目标差分进化的高光谱端元提取方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111797988A true CN111797988A (zh) | 2020-10-20 |
Family
ID=72809743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010609532.0A Pending CN111797988A (zh) | 2020-06-29 | 2020-06-29 | 一种基于排序多变异的多目标差分进化的高光谱端元提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797988A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113252586A (zh) * | 2021-04-28 | 2021-08-13 | 深圳大学 | 高光谱图像重建方法、终端设备及计算机可读存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274387A (zh) * | 2017-05-19 | 2017-10-20 | 西安电子科技大学 | 基于进化多目标优化的高光谱遥感影像的端元提取方法 |
| CN107482645A (zh) * | 2017-08-22 | 2017-12-15 | 广东工业大学 | 基于多目标混合宇宙大爆炸算法的配电网无功优化方法 |
-
2020
- 2020-06-29 CN CN202010609532.0A patent/CN111797988A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274387A (zh) * | 2017-05-19 | 2017-10-20 | 西安电子科技大学 | 基于进化多目标优化的高光谱遥感影像的端元提取方法 |
| CN107482645A (zh) * | 2017-08-22 | 2017-12-15 | 广东工业大学 | 基于多目标混合宇宙大爆炸算法的配电网无功优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| RONG LIU ETAL.: "Multiobjective Optimized Endmember Extraction for Hyperspectral Image", 《REMOTE SENSING》 * |
| 徐皓等: "基于多目标优化的高光谱遥感影像端元提取技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
| 童旅杨等: "基于分解和多策略变异的多目标差分进化算法", 《计算机应用研究》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113252586A (zh) * | 2021-04-28 | 2021-08-13 | 深圳大学 | 高光谱图像重建方法、终端设备及计算机可读存储介质 |
| CN113252586B (zh) * | 2021-04-28 | 2023-04-28 | 深圳大学 | 高光谱图像重建方法、终端设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111798921B (zh) | 一种基于多尺度注意力卷积神经网络的rna结合蛋白预测方法及装置 | |
| Khan et al. | Multi-objective feature subset selection using non-dominated sorting genetic algorithm | |
| CN111210871A (zh) | 基于深度森林的蛋白质-蛋白质相互作用预测方法 | |
| CN107742061A (zh) | 一种蛋白质相互作用预测方法、系统和装置 | |
| CN112052755A (zh) | 基于多路注意力机制的语义卷积高光谱图像分类方法 | |
| CN111898689A (zh) | 一种基于神经网络架构搜索的图像分类方法 | |
| Kerr et al. | Collaborative deep learning models to handle class imbalance in flowcam plankton imagery | |
| JP2024524795A (ja) | グラフニューラルネットワークに基づく遺伝子表現型予測 | |
| CN116601715A (zh) | 通过主动学习进行药物优化 | |
| CN112084877A (zh) | 基于nsga-net的遥感图像识别方法 | |
| Pichel et al. | Sparse matrix classification on imbalanced datasets using convolutional neural networks | |
| Pichel et al. | A new approach for sparse matrix classification based on deep learning techniques | |
| CN116580848A (zh) | 一种基于多头注意力机制的分析癌症多组学数据方法 | |
| CN115312118A (zh) | 一种基于图神经网络的单序列蛋白质接触图预测方法 | |
| Wu et al. | AAE-SC: A scRNA-seq clustering framework based on adversarial autoencoder | |
| CN112613391B (zh) | 一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法 | |
| CN111797988A (zh) | 一种基于排序多变异的多目标差分进化的高光谱端元提取方法及装置 | |
| CN104573004B (zh) | 一种基于双阶遗传计算的基因表达数据的双聚类方法 | |
| CN114241267A (zh) | 基于结构熵采样的多目标架构搜索骨质疏松图像识别方法 | |
| CN116230091B (zh) | 一种迭代分析生物学大样本数据的知识推理方法及系统 | |
| CN113516019A (zh) | 高光谱图像解混方法、装置及电子设备 | |
| CN115908909A (zh) | 基于贝叶斯卷积神经网络的进化神经架构搜索方法及系统 | |
| Çakmak | Grapevine Leaves Classification Using Transfer Learning and Fine Tuning | |
| CN110162704B (zh) | 基于多因子遗传算法的多规模关键用户提取方法 | |
| Husseini et al. | Type2 soft biclustering framework for Alzheimer microarray |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201020 |