CN113516019A

CN113516019A - 高光谱图像解混方法、装置及电子设备

Info

Publication number: CN113516019A
Application number: CN202110440646.1A
Authority: CN
Inventors: 梁正平; 王志强; 刘程
Original assignee: Shenzhen University
Current assignee: Shenzhen University
Priority date: 2021-04-23
Filing date: 2021-04-23
Publication date: 2021-10-19
Anticipated expiration: 2041-04-23
Also published as: CN113516019B

Abstract

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。

Description

高光谱图像解混方法、装置及电子设备

技术领域

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

背景技术

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。

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-scaleMulti-objective Evolutionary Algorithms，LSMOEAs)等。其中，LSMOEAs因为其能够提高解混精度而受到青睐。

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。

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。

发明内容

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。

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：

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。

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：

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。

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。

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。

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

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。

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；

图2是本申请一实施例提供的电子设备的结构示意图；

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；

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；

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；

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；

图7是本申请一实施例提供的权值向量维度对齐的原理示意图；

图8是本申请另一实施例提供的权值向量维度对齐的原理示意图；

图9是本申请一实施例提供的权值向量维度还原的原理示意图；

图10是本申请另一实施例提供的权值向量维度还原的原理示意图；

图11是本申请一实施例提供的高光谱图像解混装置的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

可以理解，本申请实施例中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

可以理解，本申请所使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

近十几年来,随着空间技术、电子学、光学和计算机技术的日趋成熟，遥感技术得到了迅速发展。遥感是一种远离目标，通过非直接接触而判定、测量并分析目标性质的技术。通常人们所说的遥感是从不同高度的平台上，使用各种传感器接收来自地球表面的各种信息，从而对地物及其特性进行探测和识别的综合技术。地球遥感卫星是最具有代表性的遥感平台。六十年代以来，卫星遥感传感器不断改进,遥感数据的频谱范围不断扩大,分辨率不断提高,为遥感数据的应用开拓了广阔的前景。

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。

迄今，能够应用于光谱解混的方法主要包括：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)等等。多层感知器和最近邻分类器法是基于有监督的模糊分类方法，该方法由于解混精度较低而未得到广泛应用。ICA是基于信号高阶统计特性的分析方法，在信号领域受到广泛关注。该方法目的是将观察到的数据进行某种线性混合,使其成为混合独立的成分。基于线性光谱混合模型因其相对简单、高效而成为最广泛使用的经典方法。然而基于线性光谱混合模型通常用正则化的权重参数将2个或多个目标函数整合为一个目标函数进行优化，这些参数的设置直接影响解混精度，使解混结果具有不确定性。因此将大规模多目标优化思想引入到高光谱解混模型中，可以有效解决该问题。

以下对大规模多目标优化问题及相关技术中的大规模多目标优化算法进行说明：

现实生活和生产中存在许多涉及多个目标的优化问题。由于不同的目标之间可能相互冲突，通常不存在某个单独的解可以使得所有目标函数同时达到最优，而需要获取多个不同的解以实现各个目标之间的权衡。对于多个目标的优化问题，当决策变量的数量超过100时，称为LSMOPs。

一个具有n维决策变量和m个目标的多目标优化问题，可以用以下数学形式表示：

其中，x＝{x₁，...，x_n}是决策空间Ω中的n维决策变量，F(x)是待求解的m个目标函数。当决策变量的数目n大于100时，称为LSMOPs。若x和y是一个多目标优化问题的两个不同解，所对应目标函数值均满足f_i(x)≤f_j(y)，i∈{1，2，...，m}，并且至少存在一个目标函数满足f_j(x)<f_j(y)，j∈{1，2，...，m}，则称x支配y。不被决策空间中其他任何解支配的解称为帕累托最优解。所有帕累托最优解的集合称为帕累托最优解集(Pareto optimal set，PS)，所有帕累托最优解对应目标向量的集合称为帕累托最优前沿(Pareto optimal front，PF)。

基于种群的进化算法可同时获得多个满足帕累托支配关系的最优解，对于多目标优化问题的求解具有天然的优势，现已成为解决多目标优化问题的最常用方法。然而，对于包含成百上千个决策变量的LSMOPs，随着决策变量数目的线性增加，搜索空间的体积和复杂性将呈指数级增大，导致维度诅咒，使得常规多目标进化算法的优化性能在求解LSMOPs时快速下降。为解决这一问题，相关人员提出了一系列专门针对LSMOPs的进化算法，称之为LSMOEAs。

相关技术中，LSMOEAs主要包括基于分而治之思想的决策变量分析类LSMOPs和协同演化类LSMOPs，基于降维思想的问题转换LSMOPs，以及不对决策变量进行划分或降维，而通过对子代生成相关算法的改进来提升算法在LSMOPs上竞争力的LSMOEAs等。

1)决策变量分析LSMOEAs

决策变量分析LSMOEAs主要基于分而治之思想，根据决策变量的特性将决策变量划分为不同的类别组，并分别进行优化，通过问题规模的降低来提升搜索效率。决策变量分析LSMOEAs存在的不足是由于所产生的决策变量类别较少，对应每类决策变量的子问题仍可能是大规模问题，算法的总体搜索效率尚待提升。

2)协同进化LSMOEAs

协同进化LSMOEAs同样基于分而治之思想，通过特定的分组策略，如随机分组、线性分组、有序分组、差异分组等，将决策变量分为若干小组，对应多个子种群分别进化，再通过子种群间的协同实现对整个问题的优化。协同进化LSMOEAs有利于减缓决策变量的迅速增加带来的挑战，并可采用并行方式提升搜索效率。

基于协同进化的LSMOEAs存在的不足是当子问题之间存在关联关系时，对一个子问题的优化会导致其余子问题的最优值发生变化，需要耗费大量评估次数来平衡各组之间的影响，所需计算资源庞大。

3)问题转换LSMOEAs

问题转换LSMOEAs基于降维思想，将原始大规模决策变量优化问题转换为小规模权值变量优化问题，再基于问题转换函数将对小规模问题的优化映射回对原始大规模问题的优化，从而通过对小规模问题的优化来实现对大规模问题的优化。问题转换LSMOEAs同样有利于应对决策变量的迅速增加并具有较好的搜索效率。

基于问题转换的LSMOEAs存在的不足是：由于一个权值对应多个决策变量，限制了对决策空间的搜索范围，导致对决策空间的搜索不彻底，所获得最终解的质量有待改进。

4)改进子代生成的LSMOEAs

相关技术中改进子代生成的LSMOEAs虽然相较于传统进化算法在一定程度上能增强在决策空间中的搜索效率，但对于高维决策空间仍难以进行有效搜索。

基于上述分析，将大规模多目标优化思想引入到高光谱解混模型中进行高光谱图像解混时，相关技术中的LSMOEAs均存在着各种不足。针对于此，本申请提供一种高光谱图像解混方法、高光谱图像解混装置、电子设备及计算机可读存储介质，旨在确保整体搜索效率的同时，提升搜索质量，实现算法综合性能的改进，从而全面提高高光谱图像解混的速度和效果。本申请提供的高光谱图像解混方法采用进化计算框架和问题转换思想，通过单个权值与多个决策变量的对应，将大规模决策变量多目标优化问题转换为小规模权值变量多目标优化问题，再基于问题转换函数将对小规模权值变量多目标问题的优化映射回对大规模决策变量多目标问题的优化。为了便于说明，以下首先对问题转换LSMOEAs的过程进行简单介绍。

首先，将待优化LSMOPs的决策变量分为若干组，并给每组赋予一个权值，种群中的每个个体对应一个权值向量。图1为一个实施例中，决策变量与权值的对应关系示意图。如图1所示，x为决策空间中含n个决策变量的个体，假设将个体x中的n个决策变量线性均分为k组，w即为与x对应的k维权值向量。

在每轮迭代过程中，先采用子代生成算法对种群所对应的权值向量集进行操作，生成权值向量的子代。再基于问题转换函数，将所生成的权值向量子代转换为原决策空间中的子代。最后，在原决策空间中进行环境选择，生成新的下一代种群。

问题转换函数T的形式可以为：x_new＝T(w,x)。其中，w为权值向量，x为与权值向量对应的决策空间中的个体，x_new为转换后在决策空间中新生成的个体。

下面将结合附图，对本申请中的技术方案进行详细描述。需要说明，在不冲突的情况下，本申请中不同的技术特征之间可以相互结合。

本申请实施例提供的高光谱图像解混方法，可以应用于电子设备。示例性的，图2为本申请一实施例提供的电子设备的结构示意图。如图2所示，电子设备可以包括：处理器20、存储器21以及存储在存储器21中并可在处理器20上运行的计算机程序22，处理器20执行计算机程序22时可以实现本申请实施例提供的高光谱图像解混方法。其中，本申请实施例对处理器20、存储器21的数量和类型不做限定。

其中，本申请实施例对电子设备2的类型不做限定。例如，可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。

本申请提供的高光谱图像解混方法用于对高光谱图像进行解混。具体的，本申请提供的方法是通过基于存档和权值扩展的大规模多目标优化算法(Large-scale Multi-objective Optimization Algorithm Based on Archive and Weight Extension)实现，为了便于说明，以下实施例中，对本申请中涉及的LSMOEAs简称LSMOEA-AWE。

图3示出了本申请提供的高光谱图像解混方法的示意性流程图。如图3所示，本实施例提供的高光谱图像解混方法，可以包括：

S301、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。

可选的，可以基于高光谱图像的稀疏解混模型建立决策空间中的目标函数。

在一个具体的实施例中，高光谱图像的线性光谱解混模型可以如下：

其中，y_i表示在第i个光谱频带处像元的反射率；q表示端元个数；端元代表混合像元中的多种地物，每个端元只包含一种地物信息；m_ij表示第j个端元在第i个光谱频带上的反射率；α_j表示第j个端元的丰度系数；n_i表示第i个光谱频带上的误差项。

如果将高光谱图像数据用矩阵表示，则公式(2)可以表示为：

y＝Mα+n (3)

其中，M∈R^L×q表示端元集合；L表示光谱频带数；y∈R^L×1表示高光谱数据中某一像元在第L个光谱频带上的观测值；α∈R^q×1表示每个端元对应的丰度系数；n表示误差项。

由于丰度系数α还应该满足和为一约束(abundance sum-to-one constraint，ASC)和非负性约束(abundance non-negativity constraint，ANC)，即：

稀疏解混模型就是采用已知的光谱库A来替代端元集合，即此时公式(3)可以写成如下的形式：

y＝Ax+n (5)

其中A∈R_L×m表示已知的光谱库，m为光谱库A中包含的端元数量；x∈R_m×1表示丰度系数向量。n表示误差项。

由于在光谱库A中仅有几个端元是对混合像元y有贡献，因此丰度向量x是稀疏的，那么式(5)也可以转换为：

此时具有两个目标函数其中||y－Ax||₂表示重建误差项RSE，||x||₀表示稀疏项SPA。标准光谱库A∈R_L×m通常包含成百上千个端元光谱样本，这意味着在进行多目标优化时，丰度向量x的维度会很大，因此高光谱稀疏解混问题是一个大规模多目标优化问题。

简而言之，可以通过确定标准光谱库的端元光谱样本数目，并获取丰度向量的维度，根据丰度系数所需要满足的约束条件确定每维丰度向量的取值范围，从而建立决策空间。丰度向量对应决策空间中的决策变量，丰度向量的维度即为决策变量的维度。高光谱图像的解混目标可以基于稀疏项和重建误差项建立。可选的，如公式(6)，可以将高光谱图像解混模型的重建误差项以及稀疏项作为待优化的两个目标函数。

S302、建立决策空间中的初始化种群P0，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W0。

具体的，建立目标函数后，设置相关参数，并进行种群初始化，生成初始化种群P0。其中，相关参数包括但不限于种群大小(即种群中个体的数量)N、迭代次数等。初始化种群P0中包括N个个体，初始权值向量集W0中包括N个初始权值向量，每个初始权值向量中包括多个权值。每个初始权值向量与初始化种群P0中一个个体对应，初始权值向量中每个权值与对应的个体中的多个权值对应。也即，建立并保存初始化种群P0中的每个个体与初始权值向量集W0中的初始权值向量的对应关系。同时，建立并保存初始权值向量中每个权值与对应的个体中决策变量的对应关系。可以理解，初始权值向量的维度小于初始化种群P0中对应的个体的维度。根据初始化种群P0生成初始权值向量集W0的过程和原理可以参考上述图1对应的实施例，其具体方法本申请不做任何限定。

S303、基于问题转换算法，根据目标函数和初始权值向量集W0生成下一代种群P1和下一代权值向量集W1；下一代种群P1中包括多个下一代个体，下一代权值向量集W1中包括与每个下一代个体分别对应的下一代权值向量。

具体的，在步骤S302的基础上，进一步基于问题转换算法，对初始权值向量集W0进行子代生成，得到初始权值向量集W0的子代集。将初始权值向量集W0的子代集转换为决策空间的子代。根据目标函数，对子代和初始化种群P0中的个体进行环境选择，生成下一代种群P1以及下一代种群P1对应的权值向量集(命名为下一代权值向量)。换句话说，下一代种群P1中的下一代个体与下一代权值向量集W1中的下一代权值向量一一对应。保存下一代个体与下一代权值向量的对应关系。

S304、对下一代权值向量集W1中的瓶颈权值向量进行权值扩展，得到扩展权值向量集；瓶颈权值向量是指下一代种群P1中处于进化瓶颈的下一代个体对应的下一代权值向量。

具体的，处于进化瓶颈的下一代个体是指在进化过程中，出现进化卡顿的次数超过预设阈值β。其中，进化卡顿是指进化中不能产生非支配层的子代个体，也即不能产生高质量的子代。确定下一代种群P1中处于进化瓶颈的下一代个体。根据下一代个体与下一代权值向量的对应关系，将下一代权值向量集W1中与处于进化瓶颈的下一代个体对应的下一代权值向量定义为瓶颈权值向量。相应的，将下一代权值向量集W1中除瓶颈权值向量之外的下一代权值向量定义为非瓶颈权值向量。对瓶颈权值向量进行权值扩展。将权值扩展后的瓶颈权值向量和非瓶颈权值向量组成的集合定义为扩展权值向量集。

S305、判断是否满足预设结束条件。

若否，则执行步骤S306、将下一代种群P1作为初始化种群P0，将扩展权值向量集作为初始权值向量集W0，返回执行步骤S303，即重复执行步骤S303、S304和S305。

若是，执行步骤S307、根据得到的下一代种群P1确定每个混合像元对应的最优丰度向量。

可选的，预设结束条件可以为达到预设迭代次数或者某一参数达到预设阈值等。迭代结束后，根据输出的下一代种群P1确定每个混合像元对应的最优丰度向量。

可选的，可以根据得到的下一代种群P1，确定该种群中的PF，并根据PF确定PS，将得到的PS作为混合像元对应的最优丰度向量。将每个混合像元对应的最优丰度向量进行组合，得到丰度估计图。丰度估计图即为高光谱图像解混的结果。

可以理解，每个权值向量中一个权值对应多个决策变量，若一直使用固定长度的权值向量进行迭代，会导致对决策空间的搜索不彻底。本实施例中，在每轮迭代均对权值向量进行扩展，动态提升权值向量的维度。同时，本实施例中，通过对瓶颈权值向量进行权值扩展，扩大了处于进化瓶颈的下一代个体周围的搜索空间，实现了自适应方式的权值扩展。

另外，可以理解，由于步骤S306中，将下一代种群P1作为初始化种群P0，将扩展权值向量集作为初始权值向量集W0进行了新一轮的迭代。因此，本申请实施例中，初始化种群P0并不特指步骤S302中建立的初始化种群P0，而可以是任一轮迭代中的进化之前的种群。初始权值向量集W0也不特指步骤S302中得到的初始权值向量集W0，而可以是任一轮迭代中的权值扩展之前的权值向量集。

本实施例提供的高光谱图像解混方法，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，建立决策空间中的初始化种群P0，并基于问题转换算法，根据初始化种群P0生成初始权值向量集W0，根据目标函数和初始权值向量集W0生成下一代种群P1和下一代权值向量集W1。每一轮迭代中，均对下一代权值向量集W1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，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。

图4为另一个实施例提供的高光谱图像解混方法的示意性流程图。与上一实施例不同的是，本实施例提供的方法，根据初始化种群P0建立存档A，并基于存档A进行种群的进化。如图4所示，步骤S303之前，所述方法包括：

S401、根据初始化种群P0建立存档A；存档A中包括多个存档个体，每个存档个体与初始化种群P0中的至少一个个体对应，多个存档个体中至少有一个为初始化种群P0中的非支配个体。

非支配个体能够表征初始化种群P0中较优的解。初始化种群P0中的非支配个体是指从初始化种群P0中的费支配层选取的个体，可以从非支配层选取，也可以从第二非支配层选取。可选的，存档A中存档个体可以全部为初始化种群P0中的非支配个体，也可以部分为初始化种群P0中的非支配个体。

可选的，建立并保存存档A中存档个体与初始化种群P0中个体的对应关系。存档A中的每个存档个体可以对应初始化种群P0中的多个个体，也可以对应初始化种群P0中的一个个体。在一个具体的实施例中，可以对初始化种群P0中的个体进行线性均匀分组，并按照分组结果建立存档A中存档个体与初始化种群P0中个体的对应关系。在另一个具体的实施例中，也可以随机建立存档A中存档个体与初始化种群P0中个体的对应关系。

可选的，初始化种群P0中每个个体可以包括4个属性值：id值、fid值、aid值和bn值。其中，id值用于表征个体在初始化种群P0中的序号。fid值用于表征个体的父代id值，即表征个体对应的父代在上一代种群中的序号，fid值的初始值为0。aid用于表征个体所对应的存档个体在存档A中的序号。bn值即blocknumber，为进化卡顿次数，用于表征个体在进化过程中累计出现进化卡顿的次数，bn值的初始值为0。

可选的，存档A中每个存档个体可以包括2个属性值：存档id值和count值。其中，存档id值用于表征存档个体在存档A中的序号。count值也即计数值，用于表征初始化种群P0中与该存档个体相关的个体的数量，count值的初始值为0。

相应的，步骤S303包括：S402、基于问题转换算法，根据目标函数、初始权值向量集W0和存档A，生成下一代种群P1和下一代权值向量集W1。

本步骤的大体过程同步骤S303，不同的是，本步骤在将初始权值向量集W0的子代集转换为决策空间的子代时，是基于存档A将初始权值向量集W0的子代转换为决策空间中的子代。

相应的，步骤S306包括：S403、将下一代种群P1作为初始化种群P0，将扩展权值向量集作为初始权值向量集W0，返回步骤S401，即，重复执行步骤S401、S402、S304和S305。

本实施例中，通过建立存档A，并根据存档A和初始权值向量集W0生成下一代种群P1和下一代权值向量集W1。存档A的存档个体中至少有一个为初始化种群P0中的非支配个体，相较于直接通过初始化种群P0生成下一代种群P1和下一代权值向量集W1，通过存档A引导种群的进化方向，生成的下一代种群P1的质量更高，因而能够提高算法的整体搜索效率。同时，在不满足预设停止条件时，返回步骤S401，即在每一轮迭代中根据生成的下一代种群P1更新存档，从而基于种群中的高质量解为后续进化持续提供有效的方向，实现对决策空间的高效搜索，进而提高高光谱图像解混的效率。

以下结合附图，对上述图3及图4对应的实施例中的各个步骤进行进一步详细说明。

1)关于初始权值向量的生成

在一个实施例中，步骤S302中“基于问题转换算法根据初始化种群P0生成初始权值向量集W0”可以通过以下方式实现。对于初始化种群P0中的每个第一个体，执行下述操作：将第一个体的决策变量聚类为多样性决策变量集和收敛性决策变量集，其中，第一个体为初始化种群P0中任一个个体；为多样性决策变量集随机对应[0，1]区间内的第一权值；为收敛性决策变量集随机对应[0，1]区间内的第二权值；将第一权值和第二权值组成的二元组确定为第一个体对应的初始权值向量。

具体的，对于包含n个决策变量的个体x＝(x₁，...，x_n)，首先将其决策变量聚类为多样性决策变量集D：{x₁ ^d，...，x_||D|| ^d}和收敛性决策变量集C：{x₁ ^c，...，x_||C|| ^c}。其中，||D||表示D中元素的个数，||C||表示C中元素的个数。然后为D和C分别随机对应一个[0，1]区间的第一权值w_d和第二权值w_c。此时，二元组(w_d，w_c)即为个体x所对应的初始权值向量。

本实施例中，通过将决策变量聚类为多样性决策变量集和收敛性决策变量集，然后通过随机方式，为个体随机分配对应的权值，如此，完成权值向量的初始化，得到初始权值向量集W0。本实施例提供的方法对多样性变量和收敛性变量分开处理，能够促进种群多样性和收敛性的平衡，有利于提升算法的综合性能。同时，本实施例提供的方法中，权值向量的维度小，对应的搜索空间较小，完成整个搜索所需的评价次数少。

在一个实施例中，作为“根据初始化种群P0建立存档”的一种可能的实现方式，步骤S401包括：基于拥挤距离，从初始化种群P0中选择预设数量的非支配个体；预设数量小于或等于初始化种群P0的大小的一半；计算每个非支配个体在决策空间中的对立点所对应的个体，得到对立点个体；将非支配个体和对立点个体确定为存档个体，得到存档；分别建立每个存档个体与初始化种群P0中个体的对应关系。

具体的，可以先将存档A清空，然后基于拥挤距离从初始化种群P0中选取λ个非支配个体作为存档个体放入存档A中，其中λ为存档A大小的一半。可选的，可以按照拥挤距离从大到小的顺序从初始化种群P0中选取非支配个体。可选的，若初始化种群P0中非支配层的个体数目不足λ，则继续基于拥挤距离从初始化种群P0的第二非支配层中选取，以此类推，直至选够为止。之后，基于对立点的概念，计算寻找决策空间中与每个非支配个体的对立点，将对立点对应的个体也作为存档个体放入存档A中，得到存档A。设个体x＝(x₁，x₂，...，x_n)，个体x中的第i个决策变量x_i的上限为x_i ^max，下限为x_i ^min，则个体x的对立点x'中每个元素x_i'的定义如下：

可选的，可以采用随机方式，将存档A中每个存档个体与初始化种群P0中的个体进行均匀关联和对应。生成的存档A及建立的对应关系用于后续在问题转换过程中引导种群的进化方向，并为生成子代个体做好准备。

本实施例中，通过选择初始化种群P0非支配个体，并计算非支配个体的对立点，进而建立存档。基于非支配个体及其对立点建立存档，能够持续引导种群的有效进化方向，避免陷入局部最优的情形，从而提高种群在后续进化的多样性能，实现对决策空间的高效搜索。

图5为本申请一个实施例提供的二维空间中基于初始化种群P0构建存档的示意图。图5中，横坐标x₁表示第一维度，纵坐标x₂表示第二维度。黑色加粗曲线表示PS，圆点和三角形为初始化种群P0中的个体，其中，三角形为非支配个体，五角星为对立点个体。p₁，p₂，p₃，p₄，p₅为基于拥挤距离选取的非支配个体，作为存档A中的一半存档个体。p₁'，p₂'，p₃'，p₄'，p₅'分别为p₁，p₂，p₃，p₄，p₅的对立点个体，作为存档A中的另一半存档个体。从图5中可见，将基于拥挤距离选取的非支配个体及其对立点个体作为存档A，有利于提升后续进化过程中种群的多样性，同时也有利于快速搜索决策空间中其它尚未搜索的区域。

2)关于下一代种群P1和下一代权值向量集W1的生成

图6为一个实施例中，“基于问题转换算法，根据目标函数、初始权值向量集W0和存档A，生成下一代种群P1和下一代权值向量集W1”的一种可能的实现方式。如图6所示，S402包括：

S601、采用子代生成算子对初始权值向量集W0进行操作，生成子代权值向量集W′。子代权值向量集W′中包括多个子代权值向量

可选的，可以选用差分进化算法(Differential Evolution Algorithm，DE)对初始权值向量集W0进行操作。

S602、基于问题转换算法，根据存档A，将子代权值向量集W′转换为决策空间中的子代O。子代O中包括与每个子代权值向量

分别对应的子代个体O_i。

S603、根据目标函数，对初始化种群P0和子代O的并集进行环境选择，生成下一代种群P1。

S604、根据下一代种群P1，生成下一代权值向量集W1。

在一个实施例中，S601、采用子代生成算子对初始权值向量集W0进行操作，生成子代权值向量集W′，包括：从初始权值向量集W0中随机选取第一初始权值向量w_a和第二初始权值向量w_b；采用子代生成算子，根据第一初始权值向量w_a和第二初始权值向量w_b进行进化操作，得到子代权值向量

重复执行上述两个步骤，直至得到的子代权值向量

的数量等于初始化种群P0的种群大小，将得到的子代权值向量

的集合确定为子代权值向量集W′。

可选的，可以采用轮盘赌的方式，从初始权值向量集W0中随机选取第一初始权值向量w_a和第二初始权值向量w_b。将第一初始权值向量w_a和第二初始权值向量w_b作为父代个体，进行进化，得到子代权值向量

由于进化过程中不同权值向量的进化程度不同，各自的维度可能存在差异，在进一步操作前，可以先对所选取权值向量第一初始权值向量w_a和第二初始权值向量w_b的维度进行对齐。具体而言，若第一初始权值向量w_a和第二初始权值向量w_b的维度不一致，则可以选取两者中维度大的作为基准，对维度小的权值向量进行扩展。基于维度对齐后的第一初始权值向量w_a和第二初始权值向量w_b生成对齐子代权值向量w′_i，再进一步进行维度还原，得到子代权值向量

作为一种实现方式的，上述采用子代生成算子，根据第一初始权值向量w_a和第二初始权值向量w_b进行进化操作，得到子代权值向量

可以通过以下方法实现：对第一初始权值向量w_a和第二初始权值向量w_b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w′_i；根据第一初始权值向量w_a的维度对对齐子代权值向量w′_i进行维度还原，得到子代权值向量

可选的，上述对第一初始权值向量w_a和第二初始权值向量w_b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

可以通过以下方法实现：根据第二初始权值向量w_b的维度和第一初始权值向量w_a的维度的倍数关系，对第二初始权值向量w_b中的权值进行线性分组；其中，第一初始权值向量w_a的维度小于第二初始权值向量w_b的维度；对应第二初始权值向量w_b的线性分组结果，向第一初始权值向量w_a中插入权值，得到第一对齐权值向量

以使第一对齐权值向量

的维度与第二初始权值向量w_b的维度相同；将第二初始权值向量w_b作为第二对齐向量权值向量

图7为一个实施例中，权值向量维度对齐的原理示意图。本实施例中，第二初始权值向量w_b的维度是第一初始权值向量w_a的维度的整数倍。如图7所示，假设第一初始权值向量w_a的维度为3维，第二初始权值向量w_b的维度为6维。根据二者维度的倍数关系，将第二初始权值向量w_b中的权值向量分为3组，每组2个权值。其中，w_b，1和w_b，2为第一组，w_b，3和w_b，4为第二组，w_b，5和w_b，6为第三组。对应该分组结果，第一初始权值向量w_a中的w_a，1为第一组，第一初始权值向量w_a中的w_a，2为第二组，第一初始权值向量w_a中的w_a，3为第三组。向第一初始权值向量w_a中逐一插入权值，以使得到的第一对齐权值向量

中每组的维度与第二初始权值向量w_b中每组的维度相同。可选的，插入的权值可以与该组中原权值相同，如图7所示，在第一初始权值向量w_a的第一组中插入一个w_a，1，在第一初始权值向量w_a的第二组中插入一个w_a，2，在第一初始权值向量w_a的第三组中插入一个w_a，3，得到第一对齐权值向量

图8为另一个实施例中，权值向量维度对齐的原理示意图。本实施例中，第二初始权值向量w_b的维度为第一初始权值向量w_a的维度的非整数倍。如图8所示，假设第一初始权值向量w_a的维度为3维，第二初始权值向量w_b的维度为7维。根据二者维度的倍数关系，将第二初始权值向量w_b中的权值向量分为3组，第一组和第二组中均包括2个权值，第三组包括3个权值。其中，w_b，1和w_b，2为第一组，w_b，3和w_b，4为第二组，w_b，5、w_b，6和w_b，7为第三组。对应该分组结果，第一初始权值向量w_a中的w_a，1为第一组，第一初始权值向量w_a中的w_a，2为第二组，第一初始权值向量w_a中的w_a，3为第三组。向第一初始权值向量w_a中逐一插入权值，以使得到的第一对齐权值向量

中每组的维度与第二初始权值向量w_b中每组的维度相同。如图8所示，在第一初始权值向量w_a的第一组中插入一个w_a，1，在第一初始权值向量w_a的第二组中插入一个w_a，2，在第一初始权值向量w_a的第三组中插入2个w_a，3，得到第一对齐权值向量

可以理解，维度还原的过程与维度对齐的过程相反。可选的，上述根据第一初始权值向量w_a的维度对对齐子代权值向量w′_i进行维度还原，得到子代权值向量

可以通过下述方式实现：根据对齐子代权值向量w′_i的维度与第一初始权值向量w_a的维度的倍数关系，对对齐子代权值向量w′_i中的权值向量进行线性分组；根据对齐子代权值向量w′_i的线性分组结果，从对齐子代权值向量w′_i中抽取权值，抽取后得到的权值向量即为子代权值向量

得到的子代权值向量

的维度与第一初始权值向量w_a的维度相同。

图9为一个实施例中，权值向量维度还原的原理示意图。本实施例中，对齐子代权值向量w′_i的维度为第一初始权值向量w_a的维度的整数倍。如图9所示，假设对齐子代权值向量w′_i的维度的维度为6维，第一初始权值向量w_a的维度为3维。根据二者维度的倍数关系，将对齐子代权值向量w′_i中的权值向量分为3组，每组2个权值。其中，w′_i，1和w′_i，2为第一组，w′_i，3和w′_i，4为第二组，w′_i，5和w′_i，6为第三组。对应该分组结果，第一初始权值向量w_a中的w_a，1为第一组，第一初始权值向量w_a中的w_a，2为第二组，第一初始权值向量w_a中的w_a，3为第三组。根据该分组结果，从对齐子代权值向量w′_i中逐一抽取权值，以使得到的子代权值向量

中每组的维度与第一初始权值向量w_a中每组的维度相同。可选的，可以随机从每组中抽取权值，如图9所示，从对齐子代权值向量w′_i中的第一组中抽取w′_i，2，从对第二组中抽取w′_i，4，从对第三组中抽取w′_i，6，得到子代权值向量

图10为另一个实施例中，权值向量维度还原的原理示意图。本实施例中，对齐子代权值向量w′_i的维度为第一初始权值向量w_a的维度的非整数倍。如图10所示，假设对齐子代权值向量w′_i的维度的维度为5维，第一初始权值向量w_a的维度为3维。根据二者维度的倍数关系，将对齐子代权值向量w′_i中的权值向量分为3组，第一组和第二组均包括2个权值，第三组包括1个权值。其中，w′_i，1和w′_i，2为第一组，w′_i，3和w′_i，4为第二组，w′_i，5为第三组。对应该分组结果，第一初始权值向量w_a中的w_a，1为第一组，第一初始权值向量w_a中的w_a，2为第二组，第一初始权值向量w_a中的w_a，3为第三组。根据该分组结果，从对齐子代权值向量w′_i中逐一抽取权值，以使得到的子代权值向量

中每组的维度与第一初始权值向量w_a中每组的维度相同。可选的，如图10所示，从对齐子代权值向量w′_i中的第一组中抽取w′_i，2，从对第二组中抽取w′_i，4，第三组中不抽取，得到子代权值向量

进一步的，基于问题转换算法，根据存档A，将上述得到的子代权值向量集W′转换为决策空间中的子代O。在一个实施例中，将子代权值向量集W′转换为决策空间中的子代O，可以通过以下方式实现：

对于子代权值向量集W′中的每个目标子代权值向量，确定初始化种群P0中与目标子代权值向量对应的目标个体；其中，目标子代权值向量为子代权值向量集W′中的任一个子代权值向量；确定存档A中与目标个体对应的目标存档个体；基于问题转换算法，根据目标子代权值向量和目标存档个体，得到目标子代权值向量对应的目标子代个体；将所有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子代O。

可选的，可以根据子代权值向量

与初始化种群P0的对应关系，确定初始化种群P0中与目标子代权值向量对应的目标个体。可选的，可以根据目标个体的aid值，确定与目标个体对应的目标存档个体。将目标个体的id值作为生成的目标子代个体的fid值。

在一个实施例中，基于问题转换算法，根据目标子代权值向量和目标存档个体，得到目标子代权值向量对应的目标子代个体，可以通过以下方式实现：

根据公式(7)得到目标子代权值向量对应的目标子代个体；

其中，x_new＝(x₁ ^new，...，x_n ^new)为目标子代个体，

为目标子代个体中的第i个决策变量，a＝(a₁，...，a_n)为目标存档个体，a_i为目标存档个体中的第i个决策变量，w＝(w₁，...，w_k)为目标子代权值向量，w_j为目标子代权值向量中的第j个权值，

为决策空间中第i个决策变量的下限值，

为决策空间中第i个决策变量的上限值。

当w_j∈[0，0.5]时，新生成决策变量x_i ^new的取值范围为[x_i ^min，x_i]；当w_j∈(0.5，1]时，x_i ^new的取值范围为(x_i，x_i ^max]，故通过线性变换方程(7)可扩大通过转换生成的新个体在原决策空间的分布范围，实现对原问题整个决策空间的探索，提升算法的搜索能力，进而可以提高高光谱图像解混的效率。

可以理解，实际应用中，也可以按照循环的方式，每得到一个子代权值向量

便根据存档A，将子代权值向量

转换为决策空间中的子代个体O_i。之后，基于每个子代个体O_i，通过公式(7)，得到对应的目标子代个体，直至得到最终的子代O。

3)权值扩展

在一个实施例中，在生成下一代种群P1的同时，更新下一代种群P1中每一个下一代个体的bn值。在权值扩展之前，先根据bn值确定处于进化瓶颈的下一代个体，进而确定瓶颈权值向量。具体过程如下：

可选的，步骤S304、对下一代权值向量集W1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：确定每个下一代个体的当前进化卡顿次数(即bn值)，当前进化卡顿次数用于表征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；将当前进化卡顿次数大于预设阈值β的下一代个体确定为处于进化瓶颈的下一代个体。

可选的，上述确定每个下一代个体的当前进化卡顿次数，可以通过以下方式实现：获取每个下一代个体的fid值；将下一代种群P1中非支配且fid值不为0的下一代个体组成的集合确定为高质量子代集Q；对于高质量子代集中的每个第一下一代个体，将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，第一下一代个体为高质量子代集的任一个下一代个体；将fid值为0的下一代个体组成的集合确定为低质量子代集U；对于低质量子代集中的每个第二下一代个体，若第二下一代个体参与上一次子代生成，且第二下一代个体生成的子代个体在环境选择后不属于高质量子代集Q，说明该第二下一代个体未能生成高质量子代，则将该第二下一代个体的上次进化卡顿次数加1，得到第二下一代个体的当前进化卡顿次数；否则将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，第二下一代个体为低质量子代集中的任一个下一代个体。

每轮迭代中，将当前进化卡顿次数大于预设阈值β的下一代个体确定为处于进化瓶颈的下一代个体，处于进化瓶颈的下一代个体对应的权值向量为瓶颈权值向量。对瓶颈权值向量进行权值扩展。可选的，在对瓶颈权值向量进行扩展之后，进一步对对应的处于进化瓶颈的下一代个体的进化卡顿次数进行重置。可选的，可以将卡顿次数重置为0。

权值扩展的过程与上述实施例中权值向量维度对齐的过程类似。关于权值扩展过程中，若拟扩展权值向量的维度小于或等于原决策空间中个体决策变量维度的一半，则可以采用逐一间隔复制形式，将该权值向量的维度扩展一倍，形成新的权值向量。若拟扩展权值向量的维度小于原决策空间中个体决策变量的维度，但大于其一半，则将该权值向量的维度扩展至与个体的决策变量维度一致。若拟扩展权值向量的维度已等于原决策空间中个体决策变量的维度，则不再进行扩展。具体过程如下：

在一个实施例中，作为“对下一代权值向量集W1中的瓶颈权值向量进行权值扩展，得到扩展权值向量集”的一种可能的实现方式，步骤S304包括：

获取目标函数的决策变量的维度，得到决策变量维度；对于下一代权值向量集W1中的每个第一瓶颈权值向量，确定第一瓶颈权值向量的维度，并根据决策变量维度和第一瓶颈权值向量的维度，对第一瓶颈权值向量进行权值扩展，得到扩展权值向量；其中第一瓶颈权值向量为任一个瓶颈权值向量，扩展权值向量的维度小于或等于决策变量维度；将下一代权值向量集W1中未进行权值扩展的下一代权值向量和扩展权值向量组成的集合确定为扩展权值向量集。

可选的，上述根据决策变量维度和第一瓶颈权值向量的维度，对第一瓶颈权值向量进行权值扩展，得到扩展权值向量，包括：若第一瓶颈权值向量的维度小于或等于决策变量维度的一半，则向第一瓶颈权值向量插入权值，将第一瓶颈权值向量的维度扩展一倍，得到扩展权值向量；若第一瓶颈权值向量的维度小于决策变量维度且大于决策变量维度的一半，则向第一瓶颈权值向量插入权值，将第一瓶颈权值向量的维度扩展至与决策变量维度一致，得到扩展权值向量。

本实施例中，通过自适应方式对权值向量逐步进行动态扩展，有利于逐步提高种群中解的质量，可在搜索效率和搜索质量方面达到较好的均衡，有利于算法综合性能的提升，进而可以提高高光谱图像解混的精确度和效率。

可以理解，参考上述权值向量初始化的实施例，当初始权值向量包括多样性决策变量集对应的权值和收敛性决策变量集对应的权值时，可以结合本实施例方法，分别对多样性决策变量集对应的权值和收敛性决策变量集对应的权值重复上述步骤，对对应多样性决策变量的权值和对应收敛性决策变量的权值分别进行扩展，从而充分发挥分别处理多样性决策变量和收敛性决策变量所具有的优势，提升算法的综合性能，进而提高高光谱图像解混的精确度和效率。

为了进一步说明本申请提供的方法的有益效果，以下结合实验进行对比分析：

将LSMOEA-AWE与相关技术中6种LSMOEAs在预先建立的大规模多目标基准测试问题集上进行对比实验，并对LSMOEA-AWE中存档策略和权值扩展策略的有效性进行单独验证，同时对LSMOEA-AWE中独有参数的敏感性进行分析。

1)测试问题集

对比实验所采用的基准测试问题集包括9个大规模多目标问题集LSMOP1–LSMOP9。这9个基准测试问题集分别包含不同的特性：不规则PF、多模、决策变量之间不可分离、决策变量与目标函数完全相关等。各基准测试问题集的详细特性如表1所示。

表1各个大规模多目标问题集的特性

问题	PF形状	模态	可分离性	相关性
					LSMOP1	线性	单模	完全可分离	可分离相关性
LSMOP2	线性	混合	部分可分离	可分离相关性
					LSMOP3	线性	多模	混合	可分离相关性
LSMOP4	线性	混合	混合	可分离相关性
					LSMOP5	凹	单模	完全可分离	重叠相关性
LSMOP6	凹	混合	部分可分离	重叠相关性
					LSMOP7	凹	多模	混合	重叠相关性
LSMOP8	凹	混合	混合	重叠相关性
					LSMOP9	断开	混合	完全可分离	完全相关性

LSMOP中各问题的目标数和决策变量数均可扩展，为全面测试LSMOEA-AWE的整体表现，分别在目标数为2和3，决策变量数为200，500，1000，2000，3000，5000，共108个的测试实例上进行实验。

2)对比算法和参数

(1)对比算法

所选择的6种对比算法分别为：MOEA/DVA，CCGDE3，WOFSMPSO，WOF-MMOPSO-RDG，LSMOF和LMOCSO。其中，MOEA/DVA为决策变量分析类算法，CCGDE3为协同进化类算法，WOFSMPSO、WOF-MMOPSO-RDG和LSMOF为问题转换类算法，LMOCSO为对子代生成算子进行改进的算法。

(2)参数设置

为公平地比较各个算法，为各算法设置相同的种群大小和迭代次数，分别为100和100000。各算法子代生成过程中所用到算子：模拟二进制交叉(Simulated binarycrossover，SBX)，变异(PM)和DE的参数设置如表2所示。LSMOEA-AWE中用于控制存档A大小的参数设为5，权值扩展阈值设为10。各对比算法的其它独有参数，分别按照各自原始文献中的数值进行设置。

表2子代生成算子参数设置

参数名	参数值
		SBX交叉概率(Pc)	1.0
变异概率(Pm)	1/D
		交叉分布指标(muc)	20
变异分布指标(mum)	20
		DE交叉概率(CR)	1
缩放因子(F)	0.5

3)性能指标

为全面测试算法的综合性能，采用多目标优化领域使用最广泛的逆代距离(inverted generational distance，IGD)作为评估指标，IGD的定义如下：

其中，P*是PF上一组均匀分布的参考点，而Ω是种群中非支配解的集合，dis(x，Ω)是x与Ω中的点之间的最小欧几里得距离。IGD通过计算真实PF与算法所获得的解集之间的接近程度来评价算法的综合性能。IGD的值越小，表示算法的性能越好。

4)实验结果分析

基于所有测试实例上获得的IGD值和标准差，采用置信水平为95％的Wilcoxon秩和检验，对LSMOEA-AWE和其他6个对比算法的性能进行衡量。符号-，+和＝分别代表比较算法的IGD指标值明显差于，优于和类似于LSMOEA-AWE。

(1)2目标上各算法的实验结果与分析

表3列出了LSMOP上54个2目标测试实例的IGD值统计结果。从表中可见，LSMOEA-AWE在绝大部分测试实例上取得了最佳的IGD值，说明所采用的存档策略和权值扩展策略在2目标的LSMOP上具有优秀的总体性能。

表3各算法在测试问题为LSMOP1-9的2目标问题上获得的IGD值统计结果

同时，通过各算法在1000维LSMOP上的IGD值变化曲线图可知，在所有测试实例上，可更好地均衡问题转换过程中的搜索效率和搜索质量，在处理2目标的LSMOP时展示了最为优异的性能。

(2)3目标上各算法的实验结果与分析

经过统计LSMOP上54个3目标测试实例的IGD值，发现LSMOEA-AWE几乎在全部测试实例上均取得了最佳的IGD值，只有WOFSMPSO在5000维LSMOP1，以及LMOCSO在2000、3000、5000维LSMOP2上拥有与LSMOEA-AWE相似的结果，充分展示了LSMOP-AWE在3目标LSMOP上的优秀性能，说明LSMOP-AWE所采用存档策略和权值扩展策略非常有效。

同时，通过在3目标1000维LSMOP测试实例上进行30次独立运行，MOEA/DVA、CCGDE3、WOFSMPSO、WOF-MMOPSO-RDG、LSMOF、LMOCSO和LSMOEA-AWE的平均IGD值的变化曲线，发现LSMOEA-AWE在处理3目标的LSMOP时取得了比处理2目标时更明显的优势。

(3)全部测试实例上各算法整体性能的对比

为更直观展示各算法在全部108个2目标和3目标LSMOP测试实例上的整体性能，采用θ-DEA中提出的平均得分计算方法，依次在LSMOP1-LSMOP9上对所有算法进行打分，分数越小表示算法的性能越好。经过统计各算法在LSMOP1-LSMOP9上的得分，发现LSMOEA-AWE在整体性能上具有明显的竞争优势。

图11示出了本申请实施例提供的高光谱图像解混装置的结构框图。如图11所示，本实施例提供的高光谱图像解混装置，可以包括：

建模模块1101，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1102，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1103，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1104，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1105，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。

在一个实施例中，扩展模块1104具体用于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。

在一个实施例中，扩展模块1104具体用于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。

在一个实施例中，扩展模块1104具体用于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。

在一个实施例中，进化模块1103还用于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。

在一个实施例中，进化模块1103还用于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。

在一个实施例中，本实施例提供的高光谱图像解混装置还包括存档模块1106，用于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；进化模块1103具体用于基于问题转换算法，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；循环模块1105具体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所述每个混合像元对应的最优丰度向量。

在一个实施例中，存档模块1106具体用于基于拥挤距离，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。

在一个实施例中，存档模块1106还用于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。

在一个实施例中，进化模块1103具体用于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。

在一个实施例中，所述初始权值向量集中包括多个初始权值向量，进化模块1103具体用于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；采用子代生成算子，根据所述第一初始权值向量和所述第二初始权值向量进行进化操作，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。

在一个实施例中，进化模块1103具体用于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，得到所述子代权值向量。

在一个实施例中，进化模块1103具体用于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。

在一个实施例中，进化模块1103具体用于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。

在一个实施例中，进化模块1103具体用于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。

在一个实施例中，进化模块1103具体用于根据公式(7)得到所述目标子代权值向量对应的目标子代个体；

其中，x_new＝(x₁ ^new，...，x_n ^new)为所述目标子代个体，

为所述目标子代个体中的第i个决策变量，a＝(a₁，...，a_n)为所述目标存档个体，a_i为所述目标存档个体中的第i个决策变量，w＝(w₁，...，w_k)为所述目标子代权值向量，w_j为所述目标子代权值向量中的第j个权值，

为所述决策空间中第i个决策变量的下限值，

为所述决策空间中第i个决策变量的上限值。

在一个实施例中，所述初始化种群中包括多个个体，所述初始权值向量集中包括与所述初始化种群中每个个体分别对应的初始权值向量，初始化模块1102具体用于对于所述初始化种群中的每个第一个体，将所述第一个体的决策变量聚类为多样性决策变量集和收敛性决策变量集，其中，所述第一个体为所述初始化种群中任一个个体；为所述多样性决策变量集随机对应[0，1]区间内的第一权值；为所述收敛性决策变量集随机对应[0，1]区间内的第二权值；将所述第一权值和所述第二权值组成的二元组确定为所述第一个体对应的初始权值向量。

本实施例提供的高光谱图像解混装置，用于执行本申请方法实施例提供的高光谱图像解混方法，技术原理和技术效果相似，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种电子设备，例如图2所示，该电子设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个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任意方法实施例中的步骤。

本申请实施例还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可实现上述任意方法实施例中的步骤。

本申请实施例还提供了一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，以实现上述实施例中的方法。

其中，本实施例提供的电子设备、计算机可读存储介质、计算机程序产品均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。

本领域技术人员可以理解，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims

1.一种高光谱图像解混方法，其特征在于，包括：

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：

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。