CN113011589A - 一种基于协同进化的高光谱图像波段选择方法及系统 - Google Patents
一种基于协同进化的高光谱图像波段选择方法及系统 Download PDFInfo
- Publication number
- CN113011589A CN113011589A CN202110333508.3A CN202110333508A CN113011589A CN 113011589 A CN113011589 A CN 113011589A CN 202110333508 A CN202110333508 A CN 202110333508A CN 113011589 A CN113011589 A CN 113011589A
- Authority
- CN
- China
- Prior art keywords
- population
- sub
- wave band
- individual
- fitness
- 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.)
- Granted
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 17
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 30
- 235000009566 rice Nutrition 0.000 claims abstract description 30
- 238000009395 breeding Methods 0.000 claims abstract description 26
- 230000001488 breeding effect Effects 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 241000209094 Oryza Species 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 16
- 238000009396 hybridization Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000005855 radiation Effects 0.000 abstract description 3
- 240000007594 Oryza sativa Species 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000001228 spectrum Methods 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于协同进化的高光谱图像波段选择方法及系统，对高光谱遥感影像进行波段选择。结合协同进化水稻育种优化算法，能在不损失重要信息的情况下从原始数据中尽可能的保留地物光谱辐射信息，剔除冗余和有噪声的波段影像、降低数据维度，提高图像分类与地物检测等实际应用的效率与精度，有效解决算法使用时的缺陷。
Description
技术领域
本发明涉及遥感图像处理技术领域，特别是涉及一种基于协同进化的高光谱图像波段选择方法及系统。
背景技术
近年来，随着遥感技术的发展，高光谱图像(HSI)得到了越来越广泛的应用。高光谱分辨率遥感(Hyperspectral Remote Sensing)是用窄而连续的光谱通道对地物持续遥感成像的技术。在可见光到短波红外波段，其光谱分辨率可达纳米(nm)数量级，通常具有波段多的特点。高光谱数据可以获得几乎连续的地物波谱，在获取信息的同时，给高光谱图像分类带来了巨大的计算量和冗余，在某些具体实际应用中，数据量的增加并没有增加原有的信息量。对高光谱图像进行波段选择是一种降低数据冗余，提高高光谱遥感影像分类的精度和速度的方法。
然而，目前为止还没有一种能够高效率的实现高光谱图像波段选择的方法。
发明内容
本发明的目的是提供一种基于协同进化的高光谱图像波段选择方法及系统，能够对高光谱遥感图像进行波段选择，提高图像分类与地物检测等实际应用的效率与精度，有效解决算法使用时的缺陷。
为实现上述目的，本发明提供了如下方案：
一种基于协同进化的高光谱图像波段选择方法，具体包括：
对协同进化水稻育种优化算法的种群进行初始化；
执行协同进化水稻育种优化算法对种群中每一种子的位置进行更新；
对每一种子的种子位置进行二进制编码，得到该种子的二进制序列；
利用所述二进制序列对高光谱图像进行波段选择，得到若干波段子集；
利用目标函数评价若干所述波段子集的适应度，得到当前次最优波段子集，并将所述当前次最优波段子集的适应度与预设阈值进行比较，若所述当前次最优波段子集的适应度满足预设阈值，则将所述当前次最优波段子集作为高光谱图像波段选择结果；若所述当前次最优波段子集的适应度不满足预设阈值，则返回所述“执行协同进化水稻育种优化算法对种群中每一种子的位置进行更新”步骤。
一种基于协同进化的高光谱图像波段选择系统，系统包括：
初始化模块，用于对协同进化水稻育种优化算法的种群进行初始化；
协同进化模块，用于执行协同进化水稻育种优化算法对种群中每一种子的位置进行更新；
波段选择模块，用于对每一种子的种子位置进行二进制编码，得到该种子的二进制序列；利用所述二进制序列对高光谱图像进行波段选择，得到若干波段子集；
终止判断模块，用于利用目标函数评价若干所述波段子集的适应度，得到当前次最优波段子集，并将所述当前次最优波段子集的适应度与预设阈值进行比较，若所述当前次最优波段子集的适应度满足预设阈值，则将所述当前次最优波段子集作为高光谱图像波段选择结果；若所述当前次最优波段子集的适应度不满足预设阈值，则返回所述“执行协同进化水稻育种优化算法对种群中每一种子的位置进行更新”步骤。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于协同进化的高光谱图像波段选择方法及系统，将协同进化水稻育种优化算法与高光谱图像的波段选择相结合，能够在不损失重要信息的情况下从原始数据中尽可能的保留地物光谱辐射信息，剔除冗余和有噪声的波段影像、降低数据维度，提高图像分类与地物检测等实际应用的效率与精度，为遥感图像技术的发展提供了有力支撑。
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为本发明实施例提供的一种基于协同进化的高光谱图像波段选择方法流程图；
图2为本发明实施例提供的协同进化过程中全局最优值交流原理图；
图3为本发明实施例提供的一种基于协同进化的高光谱图像波段选择系统框图。
具体实施方式
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，所描述的实施例仅仅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。
由于波段选择问题是一个NP难题，到目前为止还不能完全解决。本发明的目的是提供一种基于协同进化的高光谱图像波段选择方法及系统，基于新近提出的一种性能优良的协同进化水稻育种优化算法，通过对种群进行协同进化，运用协同进化水稻育种优化算法并对最优个体进行柯西变异，使其性能能够进一步提升。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提供了一种基于协同进化的高光谱图像波段选择方法，具体包括：
步骤101：对协同进化水稻育种优化算法的种群进行初始化；
步骤102：执行协同进化水稻育种优化算法对种群中每一种子的位置进行更新；
步骤103：对每一种子的种子位置进行二进制编码，得到该种子的二进制序列；利用所述二进制序列对高光谱图像进行波段选择，得到若干波段子集；
利用目标函数评价若干所述波段子集的适应度，得到当前次最优波段子集，并将所述当前次最优波段子集的适应度与预设阈值进行比较，若所述当前次最优波段子集的适应度满足预设阈值，则将所述当前次最优波段子集作为高光谱图像波段选择结果；若所述当前次最优波段子集的适应度不满足预设阈值，则返回所述“执行协同进化水稻育种优化算法对种群中每一种子的位置进行更新”步骤。
由此，本实施例提供的高光谱图像波段选择方法，结合协同进化水稻育种优化算法，能在不损失重要信息的情况下从原始数据中尽可能的保留地物光谱辐射信息，剔除冗余和有噪声的波段影像、降低数据维度，提高图像分类与地物检测等实际应用的效率与精度，有效解决算法使用时的缺陷。
协同进化思想为：将群体中的个体划分为多个子群，每个子群代表解空间中的一个子空间，所有子群共享初始的全局最优种子gbest，每隔R代，将M个子群中当前的gbesti(i＝1,2,...M)进行比较，得到全局最好gbest，各个子群共享最优位置从而有效地提高算法的搜索效率。
基于协同进化思想，首先对协同进化水稻育种优化算法的种群规模、最大自交次数、最大迭代次数以及种群初始位置等进行初始化。具体包括：
其中，X为含有d维变量的水稻个体，Xi表示其第i维的序列值，
和
分别代表第i维的序列值取值范围的上下限，rand为产生0至1的小数随机函数。
为了便于种群划分，保证各个子种群的个体数目一致，从而提高协同进化的精确度，可将种群规模设置为子种群个数的整数倍，本实施例中具体设置种群大小为3的倍数。
初始化后，接着对种群进行划分，将种群划分为保持系子种群、不育系子种群和恢复系子种群。如图2所示，本实施例通过将种群整体划分为多个子种群，所有子种群并行展开搜索，将搜索到的较好个体在不同子种群间进行迁徙，对于第i个子种群，其全局最优位置gbesti(i＝1,2,...M)。如果i子种群中的种子不能更新gbest，则从其他子种群中选择最佳gbest替换此当前子种群的最优位置，从而提高算法的搜索效率。
为了提高算法的搜索效率，本实施例中，在对种群进行划分时，先根据个体的适应度值将种群中所有个体进行排序：
Xsorted＝sort(f(X1),f(X2)，...f(XN))
Xsorted＝{Xi,Xj,...Xk},s.t.f(Xi)≤f(Xj)≤...≤f(Xk)
其中Xi代表第i个水稻个体，f(Xi)表示其适应度值，sort为升序排序函数，Xsorted表示已排序的水稻种群，将Xsorted种群依序等额划分为3等份，排序最靠前的一部分组成保持系子种群，排序最靠后的一部分组成不育系子种群，其余组成恢复系子种群。这样的排序方式，能够使得更新的不育系子种群与恢复系子种群具有更高的适应度，从而更加容易得到符合条件的种子位置，进一步提高了算法的搜索效率。
然后利用杂交操作对不育系子种群进行更新；利用自交操作对恢复系子种群进行更新。
对于不育系子种群的更新，本实施例采用杂交操作。每一次育种进化中，进行杂交的次数与不育系子种群中个体的数量相等，杂交的雄性亲本或雌性亲本都可以分别从不育系子种群和保持系子种群中选择，由父本和母本的基因重组产生具有新基因的新个体。选择的方式包括随机选择或对应选择。具体的：
初始化次数变量为零；
根据公式
计算所述不育系子种群中某个体对应的新个体，并且次数变量加1，
其中，
代表第k代某个体的第i维变量，即当前次杂交产生的新个体的第i维变量,
是从第k代种群的不育系子种群中随机挑选的个体,
是从第k代种群的保持系子种群中随机挑选的个体,rk1,rk2是两个从范围[-1,1]中随机选取的值；
将
的适应度值与
的适应度值进行对比，若
的适应度值优于
的适应度值，则将
代替
否则保留
将次数变量与所述不育系子种群中的个体数量进行比较，若所述次数变量小于所述不育系子种群中的个体数量，则返回“根据公式
计算所述不育系子种群中某个体对应的新个体”步骤，否则结束更新。
对于恢复系子种群的更新，本实施例选择自交操作。依次遍历每一个恢复系子种群的个体，通过其与全局最优水稻个体及随机挑选的一恢复系个体的差值的结合，利用梯度下降法进行最优值搜索。
其中，对所述恢复系子种群中的某一个体进行更新包括：
根据Xnew(i)＝r3(Xbest-Xr(j))+Xr(i)计算所述恢复系子种群的某个体Xr(i)对应的新个体；
其中，Xnew(i)是从第i代种群的恢复系子种群中通过自交操作产生的新个体,Xr(i)与Xr(j)分别为第i代和第j代种群中恢复系子种群的个体，其中i≠j,r3是[0,1]之间的小数；Xbest
将Xnew(i)的适应度值与Xr(i)的适应度值进行比较，若Xnew(i)的适应度值优于Xr(i)的适应度值，则使用Xnew(i)替换Xr(i)并置零Xr(i)个体的自交次数；否则，不更新Xr(i)并且Xr(i)的自交次数加1。
为了避免恢复系子种群的更新陷入局部最优，对于恢复系子种群的每个个体设置了自交次数变量。当自交次数变量的值累加到超过预设自交阈值时，则对该个体执行重置操作并将该个体的自交次数置零。
重置操作如下：
Xnew(i)＝Rmin+r5(Rmax-Rmin)+Xr(i)
这里Xnew(i)是从第i代种群的恢复系子种群中，由于个体自交次数超过限定次数而通过重置操作产生的新个体,Rmax和Rmin是当前维度自变量取值范围的上下限,r5是[0,1]之间的随机小数。
在一次更新完成后，将种子位置进行二进制编码，利用编码得到的二进制序列对高光谱图像进行波段选择，得到若干波段子集。
在编码时，将种子的位置值转化为[0,1]之间的一个概率值。一般情况下，使用sigmoid函数将种子的基因值转换为概率值，依据概率值大小判定当前种子的位置值。但本实施例采用双曲正切函数代替sigmoid函数对位置值进行转化，获得了更高的适应度值。此时，每个种子的位置采用公式进行转化，每一种子得到一二进制序列：
其中，tanh()为双曲正切函数，t代表当前迭代次数。
然后利用二进制序列选择高光谱图像的波段子集，使所述二进制序列中的每一位分别对应所述高光谱图像的波段，选择与所述二进制序列中值为1的位对应的波段组成波段子集。例如，一副高光谱图像共包含10个波段，则可以采用“0100101010”形式进行编码，用对10个波段的光谱特征进行标记。由该编码形式可以看出，在所有波段中只有编号为2、5、7和9四个波段“被选择”组成波段子集，采用波段子集替代原有数据集，降低数据维度，避免“维数灾难”问题。
具体的，根据波段子集，通过支持向量机对高光谱图像数据进行分类，基于支持向量机的特征选择，每个种子的位置是一个二进制向量，其中每个数字对应一个原始波段。0表示对应的波段不被选择，1表示对应的波段被选择。得到与波段子集对应的高光谱图像数据组成波段子集图像数据。
为了进一步降低运算量，在对高光谱图像进行处理前，还包括对高光谱图像预处理的步骤，通过将高光谱图像数据归一化处理，将数据限制在所需要的一定范围内，去除冗杂数据，便于后续数据处理。
在得到各种子位置对应的波段子集后，根据以下适应度函数对波段子集进行评估：
其中fitness是适应度函数；Error是分类错误率，可以通过替代训练集或原始训练集来测量，
为控制因子，用于控制两个目标的贡献，#selectedBand表示被选择图像数据，#original表示原始图像数据。
评估后，得到当前次迭代的最优波段子集，将与当前次迭代的最优波段子集对应的当前次最优种子位置通过全局多个子种群之间的最优值交流，使得各个子种群中的最优种子位置与当前次最优种子位置一致，然后对该当前次自由种子位置进行柯西变异：
p′obest＝pgbest+(Xmax-Xmin)·Cauchy(o，s)
Xmax为当前种子空间的最大值，Xmin为当前种子空间的最小值，Cauchy(0，1)为标准柯西分布，s是一个柯西分布的比例参数，pgbest为种子位置，p’gbest为柯西变异后的种子位置，随着迭代过程的进行线性递减:
s(t+1)＝s(t)-(1/Itermax)
Itermax为种子迭代的最大次数。
柯西分布具有较高的两翼概率特性，容易产生一个远离原点具有更宽的分布范围的随机数，本实施例通过柯西变异，使算法可以在更宽的范围进行搜索，同时降低种子陷入局部最优的危险。
对种子的最优位置进行柯西变异后，通过目标函数评价种子变异后的位置，将较优的位置作为全局最优种子位置赋给种子，让种子群体拥有一个较好的领导种子，可以有效提高算法的收敛精度。
在得到全局最优种子位置后，将与该全局最优种子位置对应的波段子集作为当前次最优波段子集，将当前次最优波段子集的适应度与预设阈值进行比较，若当前次最优波段子集的适应度满足预设阈值，则输出当前次最优波段子集及其对应的适应度值，将当前次最优波段子集作为高光谱图像波段选择结果；若当前次最优波段子集的适应度不满足预设阈值，则继续下一次更新，直至得到符合条件的波段子集或达到最大迭代次数。
实施例2
本实施例用于提供一种基于协同进化的高光谱图像波段选择系统，如图3所示，所述系统包括：
初始化模块M1，用于对协同进化水稻育种优化算法的种群进行初始化；
协同进化模块M2，用于执行协同进化水稻育种优化算法对种群中每一种子的位置进行更新；
波段选择模块M3，用于对每一种子的种子位置进行二进制编码，得到该种子的二进制序列；利用所述二进制序列对高光谱图像进行波段选择，得到若干波段子集；
终止判断模块M4，用于利用目标函数评价若干所述波段子集的适应度，得到当前次最优波段子集，并将所述当前次最优波段子集的适应度与预设阈值进行比较，若所述当前次最优波段子集的适应度满足预设阈值，则将所述当前次最优波段子集作为高光谱图像波段选择结果；若所述当前次最优波段子集的适应度不满足预设阈值，则返回所述“执行协同进化水稻育种优化算法对种群中每一种子的位置进行更新”步骤。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于协同进化的高光谱图像波段选择方法，其特征在于，所述方法包括：
对协同进化水稻育种优化算法的种群进行初始化；
执行协同进化水稻育种优化算法对种群中每一种子的位置进行更新；
对每一种子的种子位置进行二进制编码，得到该种子的二进制序列；
利用所述二进制序列对高光谱图像进行波段选择，得到若干波段子集；
利用目标函数评价若干所述波段子集的适应度，得到当前次最优波段子集，并将所述当前次最优波段子集的适应度与预设阈值进行比较，若所述当前次最优波段子集的适应度满足预设阈值，则将所述当前次最优波段子集作为高光谱图像波段选择结果；若所述当前次最优波段子集的适应度不满足预设阈值，则返回所述“执行协同进化水稻育种优化算法对种群中每一种子的位置进行更新”的步骤。
2.根据权利要求1所述的一种基于协同进化的高光谱图像波段选择方法，其特征在于，所述对协同进化水稻育种优化算法的种群进行初始化包括：
其中，X为含有d维变量的水稻个体，Xi表示其第i维的序列值，
和
分别代表第i维的序列值取值范围的上下限，rand为产生0至1的小数随机函数。
3.根据权利要求1所述的一种基于协同进化的高光谱图像波段选择方法，其特征在于，所述执行协同进化水稻育种优化算法对种群中每一种子的位置进行更新包括：
将所述种群划分为保持系子种群、不育系子种群和恢复系子种群；
利用杂交操作对所述不育系子种群进行更新；
利用自交操作对所述恢复系子种群进行更新。
4.根据权利要求3所述的一种基于协同进化的高光谱图像波段选择方法，其特征在于，所述将所述种群划分为保持系子种群、不育系子种群和恢复系子种群包括：
根据个体的适应度值对所述种群中的所有个体进行排序；
按照适应度值从小到大顺次将所述种群划分为保持系子种群、不育系子种群和恢复系子种群。
5.根据权利要求3所述的一种基于协同进化的高光谱图像波段选择方法，其特征在于，所述利用杂交操作对所述不育系子种群进行更新包括：
初始化次数变量为零；
根据公式
计算所述不育系子种群中某个体对应的新个体，并且所述次数变量加1，
其中，
代表第k代种群某个体的第i维变量，即当前次杂交产生的新个体的第i维变量,
是从第k代种群的不育系子种群中随机挑选的个体,
是从第k代种群的保持系子种群中随机挑选的个体,rk1,rk2是两个从范围[-1,1]中随机选取的值；
将
的适应度值与
的适应度值进行对比，若
的适应度值优于
的适应度值，则将
代替
否则保留
将所述次数变量与所述不育系子种群中的个体数量进行比较，若所述次数变量小于所述不育系子种群中的个体数量，则返回“根据公式
计算所述不育系子种群中某个体对应的新个体”步骤，否则结束更新。
6.根据权利要求3所述的一种基于协同进化的高光谱图像波段选择方法，其特征在于，所述利用自交操作对所述恢复系子种群进行更新包括对所述恢复系子种群中的每一个体进行更新；
其中，对所述恢复系子种群中的某一个体进行更新包括：
根据Xnew(i)＝r3(Xbest-Xr(j))+Xr(i)计算所述恢复系子种群的某一个体对应的新个体；
其中，Xnew(i)是从第i代种群的恢复系子种群中通过自交操作产生的新个体,Xr(i)与Xr(j)分别为第i代和第j代种群中恢复系子种群的某一个体，Xbest为种群中最优种子其中i≠j,r3是[0,1]之间的小数；
将Xnew(i)的适应度值与Xr(i)的适应度值进行比较，若Xnew(i)的适应度值优于Xr(i)的适应度值，则使用Xnew(i)替换Xr(i)并将Xr(i)的自交次数置零；否则，不更新Xr(i)并且将Xr(i)的自交次数加1。
7.根据权利要求6所述的一种基于协同进化的高光谱图像波段选择方法，其特征在于，在对所述恢复系子种群中的某一个体进行更新后，还包括将该个体的自交次数与预设自交阈值进行比较，若该个体的自交次数超过所述预设自交阈值，则对该个体执行重置操作并将该个体的自交次数置零。
8.根据权利要求3所述的一种基于协同进化的高光谱图像波段选择方法，其特征在于，在利用目标函数评价若干所述波段子集的适应度，得到当前次最优波段子集后，还包括将所述保持系子种群、所述不育系子种群和所述恢复系子种群的子种群最优种子位置均替换为所述当前次最优波段子集对应的种子位置；
在利用目标函数评价若干所述波段子集的适应度，得到当前次最优波段子集后，还包括对所述当前次最优波段子集对应的种子位置进行柯西变异。
9.根据权利要求1所述的一种基于协同进化的高光谱图像波段选择方法，其特征在于，所述利用所述二进制序列对高光谱图像进行波段选择包括：
使所述二进制序列中的每一位分别对应所述高光谱图像的一波段；
选择与所述二进制序列中值为1的位对应的波段组成波段子集。
10.一种基于协同进化的高光谱图像波段选择系统，其特征在于，所述系统包括：
初始化模块，用于对协同进化水稻育种优化算法的种群进行初始化；
协同进化模块，用于执行协同进化水稻育种优化算法对种群中每一种子的位置进行更新；
波段选择模块，用于对每一种子的种子位置进行二进制编码，得到该种子的二进制序列；利用所述二进制序列对高光谱图像进行波段选择，得到若干波段子集；
终止判断模块，用于利用目标函数评价若干所述波段子集的适应度，得到当前次最优波段子集，并将所述当前次最优波段子集的适应度与预设阈值进行比较，若所述当前次最优波段子集的适应度满足预设阈值，则将所述当前次最优波段子集作为高光谱图像波段选择结果；若所述当前次最优波段子集的适应度不满足预设阈值，则返回所述协同进化模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110333508.3A CN113011589B (zh) | 2021-03-29 | 2021-03-29 | 一种基于协同进化的高光谱图像波段选择方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110333508.3A CN113011589B (zh) | 2021-03-29 | 2021-03-29 | 一种基于协同进化的高光谱图像波段选择方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113011589A true CN113011589A (zh) | 2021-06-22 |
| CN113011589B CN113011589B (zh) | 2024-03-08 |
Family
ID=76408652
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110333508.3A Active CN113011589B (zh) | 2021-03-29 | 2021-03-29 | 一种基于协同进化的高光谱图像波段选择方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113011589B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6665438B1 (en) * | 1999-05-05 | 2003-12-16 | American Gnc Corporation | Method for hyperspectral imagery exploitation and pixel spectral unmixing |
| US20090074297A1 (en) * | 2007-09-17 | 2009-03-19 | Raytheon Company | Hyperspectral image dimension reduction system and method |
| CN101826160A (zh) * | 2010-03-31 | 2010-09-08 | 北京航空航天大学 | 基于免疫进化策略的高光谱图像分类方法 |
| CN103714354A (zh) * | 2014-01-16 | 2014-04-09 | 西安电子科技大学 | 基于量子粒子群算法的高光谱图像波段选择方法 |
| SE1451071A1 (sv) * | 2013-09-16 | 2015-03-17 | Umbio Ab | Method and apparatus for determining a grouping of a plurality of objects into at least one group according to extent of relatedness of the objects |
| CN105678342A (zh) * | 2016-02-24 | 2016-06-15 | 江南大学 | 基于联合偏度的玉米种子高光谱图像波段选择方法 |
| CN107169510A (zh) * | 2017-04-27 | 2017-09-15 | 河海大学 | 基于遗传蜂群算法的高光谱遥感影像波段选择方法 |
| CN107437098A (zh) * | 2017-07-31 | 2017-12-05 | 湖北工业大学 | 一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法 |
| CN107451562A (zh) * | 2017-07-31 | 2017-12-08 | 湖北工业大学 | 一种基于混沌二进制引力搜索算法的波段选择方法 |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN108710970A (zh) * | 2018-05-07 | 2018-10-26 | 华中科技大学 | 一种巨型梯级水电系统的多目标调度并行降维方法 |
| CN109829420A (zh) * | 2019-01-18 | 2019-05-31 | 湖北工业大学 | 一种基于改进蚁狮优化算法的高光谱图像的特征选择方法 |
| CN111912799A (zh) * | 2020-07-17 | 2020-11-10 | 中国科学院西安光学精密机械研究所 | 一种基于高光谱水体库的自适应波段选择方法 |
-
2021
- 2021-03-29 CN CN202110333508.3A patent/CN113011589B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6665438B1 (en) * | 1999-05-05 | 2003-12-16 | American Gnc Corporation | Method for hyperspectral imagery exploitation and pixel spectral unmixing |
| US20090074297A1 (en) * | 2007-09-17 | 2009-03-19 | Raytheon Company | Hyperspectral image dimension reduction system and method |
| CN101826160A (zh) * | 2010-03-31 | 2010-09-08 | 北京航空航天大学 | 基于免疫进化策略的高光谱图像分类方法 |
| SE1451071A1 (sv) * | 2013-09-16 | 2015-03-17 | Umbio Ab | Method and apparatus for determining a grouping of a plurality of objects into at least one group according to extent of relatedness of the objects |
| CN103714354A (zh) * | 2014-01-16 | 2014-04-09 | 西安电子科技大学 | 基于量子粒子群算法的高光谱图像波段选择方法 |
| CN105678342A (zh) * | 2016-02-24 | 2016-06-15 | 江南大学 | 基于联合偏度的玉米种子高光谱图像波段选择方法 |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN107169510A (zh) * | 2017-04-27 | 2017-09-15 | 河海大学 | 基于遗传蜂群算法的高光谱遥感影像波段选择方法 |
| CN107437098A (zh) * | 2017-07-31 | 2017-12-05 | 湖北工业大学 | 一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法 |
| CN107451562A (zh) * | 2017-07-31 | 2017-12-08 | 湖北工业大学 | 一种基于混沌二进制引力搜索算法的波段选择方法 |
| CN108710970A (zh) * | 2018-05-07 | 2018-10-26 | 华中科技大学 | 一种巨型梯级水电系统的多目标调度并行降维方法 |
| CN109829420A (zh) * | 2019-01-18 | 2019-05-31 | 湖北工业大学 | 一种基于改进蚁狮优化算法的高光谱图像的特征选择方法 |
| CN111912799A (zh) * | 2020-07-17 | 2020-11-10 | 中国科学院西安光学精密机械研究所 | 一种基于高光谱水体库的自适应波段选择方法 |
Non-Patent Citations (6)
| Title |
|---|
| CITATIONS TO DATE 0 ALTMETRIC ARTICLES DIMENSIONALITY REDUCTION BASED ON BINARY ENCODING FOR HYPERSPECTRAL DATA MARIO ERNESTO JIJÓ: "Dimensionality reduction based on binary encoding for hyperspectral data", INTERNATIONAL JOURNAL OF REMOTE SENSING, vol. 40, no. 9, 11 December 2018 (2018-12-11) * |
| XIA XU, ET AL.: "A New Unsupervised Hyperspectral Band Selection Method Based on Multiobjective Optimization", IEEE GEOSCIENCE AND REMOTE SENSING LETTERS, vol. 14, no. 10, 4 October 2017 (2017-10-04) * |
| 丁胜: "智能优化算法在高光谱遥感影像分类中的应用研究", 博士电子期刊, no. 05, 15 May 2015 (2015-05-15) * |
| 任越美;李垒;张艳宁;魏巍;李映;: "一种基于多粒子群协同进化的高光谱图像波段选择与分类方法", 计算机科学, no. 12 * |
| 胡成玉;姚宏;颜雪松;: "基于多粒子群协同的动态多目标优化算法及应用", 计算机研究与发展, no. 06, 15 June 2013 (2013-06-15) * |
| 金灿: "改进杂交水稻优化算法在多目标聚类中的应用研究", 硕士电子期刊, no. 8, pages 2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113011589B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107730474B (zh) | 图像处理方法、处理装置和处理设备 | |
| CN109829420B (zh) | 一种基于改进蚁狮优化算法的高光谱图像的特征选择方法 | |
| CN111368662A (zh) | 一种人脸图像属性编辑方法、装置、存储介质及设备 | |
| CN110941734B (zh) | 基于稀疏图结构的深度无监督图像检索方法 | |
| US10460201B2 (en) | Structure and training for image classification | |
| CN109858518B (zh) | 一种基于MapReduce的大型数据集聚类方法 | |
| CN112633457A (zh) | 一种基于多目标水稻育种算法的高光谱图像波段选择方法 | |
| CN111723731A (zh) | 基于空谱卷积核的高光谱图像分类方法、存储介质及设备 | |
| WO2016095068A1 (en) | Pedestrian detection apparatus and method | |
| CN104318271B (zh) | 一种基于适应性编码和几何平滑汇合的图像分类方法 | |
| JP5262582B2 (ja) | 表面欠陥の分布形態解析装置、方法、及びプログラム | |
| Hsu et al. | Unsupervised convolutional neural networks for large-scale image clustering | |
| CN114925767A (zh) | 一种基于变分自编码器的场景生成方法和装置 | |
| CN114880538A (zh) | 基于自监督的属性图社团检测方法 | |
| CN115116139A (zh) | 基于图卷积网络的多粒度人体动作分类方法 | |
| CN115393632A (zh) | 一种基于进化多目标神经网络架构构造的图像分类方法 | |
| Qi et al. | Learning low resource consumption cnn through pruning and quantization | |
| CN111126467B (zh) | 一种基于多目标正余弦算法的遥感影像空谱聚类方法 | |
| CN113011589A (zh) | 一种基于协同进化的高光谱图像波段选择方法及系统 | |
| CN113628104B (zh) | 针对无序图像增量式SfM的初始图像对选取方法 | |
| CN113177627B (zh) | 优化系统、重新训练系统及其方法及处理器和可读介质 | |
| CN115063374A (zh) | 模型训练、人脸图像质量评分方法、电子设备及存储介质 | |
| Zhou et al. | Scalable algorithms for convex clustering | |
| Huang et al. | Multi-view deep matrix factorization with consensual solution from multiple paths | |
| CN113807164A (zh) | 一种基于余弦损失函数的人脸识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |