CN115545193A - 一种基于遗传算法的高光谱图像波段选择方法、系统、设备以及介质 - Google Patents
一种基于遗传算法的高光谱图像波段选择方法、系统、设备以及介质 Download PDFInfo
- Publication number
- CN115545193A CN115545193A CN202211210578.0A CN202211210578A CN115545193A CN 115545193 A CN115545193 A CN 115545193A CN 202211210578 A CN202211210578 A CN 202211210578A CN 115545193 A CN115545193 A CN 115545193A
- Authority
- CN
- China
- Prior art keywords
- genetic algorithm
- waveband
- hyperspectral image
- subspace
- module
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Remote Sensing (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
一种基于遗传算法的高光谱图像波段选择方法。步骤S1,采用整数编码的方式对遗传算法进行编码;步骤S2,在各个波段子空间内均随机生成一个波段高光谱图像作为该波段子空间内的波段高光谱图像代表,各个波段子空间内选取的波段高光谱图像代表组合在一起构成一个染色体,重复该步骤,生成若干个染色体;步骤S3,利用适应度函数对若干个对染色体进行适应度的度量;步骤S4,选择两个优秀的染色体交叉运算,产生优秀的染色体;步骤S5,通过设置染色体变异概率来判断遗传算法是否需要进行染色体变异操作,若需要,则执行步骤S6,若不需要,则重复步骤S1‑步骤S5;步骤S6,随机选取一个波段将该位置的波段进行替换后,则终止对遗传算法的判断。
Description
技术领域
本发明涉及高光谱成像技术应用与数据分析技术领域,具体涉及一种基于遗传算法的高光谱图像波段选择方法、系统、设备以及介质。
背景技术
高光谱图像波段选择的过程可以看成是一个非线性函数求解极值点的问题,遗传算法作为一种全局寻优搜索算法被广泛应用于高光谱图像的波段选择中,能够较好地解决波段选择过程中组合数目多、难以遍历的问题。
然而,现有技术存在的缺陷为:
1)当高光谱图像的扫描区域以及扫描通道数变大,数据维数也随之增大,将出现Hughes现象,最终导致高光谱图像的分类精度下降;
2)标准的遗传算法将收敛得很慢,并会出现局部最优(早熟)或全局次优的情况;
3)对于高光谱图像这种具有内在空间关系的数据,仅考虑某一类标准作为适应度方程将不能获得最优结果。
发明内容
本发明解决了现有技术中,当高光谱图像的扫描区域以及扫描通道数变大时,出现的Hughes现象,最终导致高光谱图像的分类精度下降,同时,使得算法的收敛速度很慢,导致出现局部最优或全局次优的问题。
本发明所述的一种基于遗传算法的高光谱图像波段选择方法,包括以下步骤:
步骤S1,采用整数编码的方式对遗传算法进行编码;
步骤S2,编码完成的遗传算法在各个波段子空间内均随机生成一个波段高光谱图像,并将该波段高光谱图像作为该波段子空间内的波段高光谱图像代表,各个波段子空间内选取的波段高光谱图像代表组合在一起构成一个染色体;
步骤S3,重复步骤S2,生成若干个染色体;
步骤S4,利用适应度函数对若干个对染色体进行适应度的度量;
步骤S5,根据步骤S4中的结果选择两个优秀的染色体进行交叉运算,产生优秀的染色体;
步骤S6,通过设置染色体变异概率来判断遗传算法是否需要进行染色体变异操作,若需要,则执行步骤S7,若不需要,则重复步骤S1-步骤S6;
步骤S7,随机对波段子空间内进行索引,确定染色体要变异的波段位置,然后,在该波段子空间内随机选取一个波段将该位置的波段进行替换;
步骤S8,判断遗传算法是否满足终止条件,若满足,则遗传算法终止判断,若不满足,则重复步骤S1-步骤S7。
进一步地,在本发明的一个实施例中,所述适应度函数为Jeffries-Matusita距离。
进一步地,在本发明的一个实施例中,所述Jeffries-Matusita距离的计算公式为:
其中,μi、μj分别为第i类和第j类在波段组合上的度量均值矢量,∑i和∑j分别为第i类和第j类在波段组合上的协方差矩阵,s为类别数,Di,j为Bhattacharyya距离,Ji,j为Jeffries-Matusita距离,JM为平均Jeffries-Matusita距离。
进一步地,在本发明的一个实施例中,所述遗传算法终止条件为:
迭代次数达到饱和,且达到预先设置好的适应度函数值时。
本发明所述的一种基于遗传算法的高光谱图像波段选择系统,所述系统包括以下模块:
编码模块,采用整数编码的方式对遗传算法进行编码;
染色体模块,编码的完成遗传算法在各个波段子空间内均随机生成一个波段高光谱图像,并将该波段高光谱图像作为该波段子空间内的波段高光谱图像代表,各个波段子空间内选取的波段高光谱图像代表组合在一起构成一个染色体;
重复模块,重复染色体模块,生成若干个染色体;
度量模块,利用适应度函数对若干个对染色体进行适应度的度量;
交叉模块,根据度量模块中的结果选择两个优秀的染色体进行交叉运算,产生优秀的染色体;
判断模块,通过设置染色体变异概率来判断遗传算法是否需要进行染色体变异操作,若需要,则执行终止模块,若不需要,则重复编码模块-判断模块;
替换模块,随机对波段子空间内进行索引,确定染色体要变异的波段位置,然后,在该波段子空间内随机选取一个波段将该位置的波段进行替换;
终止模块,判断遗传算法是否满足终止条件,若满足,则遗传算法终止判断,若不满足,则重复编码模块-替换模块。
本发明所述的一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述方法中任一所述的方法步骤。
本发明所述的一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述方法中任一所述的方法步骤。
本发明解决了现有技术中,当高光谱图像的扫描区域以及扫描通道数变大时,出现的Hughes现象,最终导致高光谱图像的分类精度下降,同时,使得算法的收敛速度很慢,导致出现局部最优或全局次优的问题。具体有益效果包括:
1、本发明所述的一种基于遗传算法的高光谱图像波段选择方法,可以能够较好地解决波段选择过程中组合数目多、难以遍历的问题,同时,解决当高光谱图像的扫描区域以及扫描通道数变大时,出现的Hughes现象,提高高光谱图像的分类精度,同时,使得算法的收敛速度有所提高,解决出现局部最优(早熟)或全局次优的问题;
2、本发明所述的一种基于遗传算法的高光谱图像波段选择方法,选择整数编码的方式对遗传算法进行编码,确保突变和交叉后的每个波段子空间内有且只有一个波段;
3、本发明所述的一种基于遗传算法的高光谱图像波段选择方法,在各个波段子空间内随机生成一个波段,由于每个子空间内的波段图像之间相关性较高,因此可以将随机选取的波段图像作为该子空间内的波段代表。各个子空间内选取的波段组合在一起构成一个染色体,依照此种方法随机生成若干个染色体,确保了算法的随机性和样本种群的多样性;
4、本发明所述的一种基于遗传算法的高光谱图像波段选择方法,将Jeffries-Matusita距离作为适应度函数。Jeffries-Matusita距离可以同时兼顾一次统计变量和二次统计变量,在测度高光谱多维空间中两类统计距离时该距离是最佳测度。
5、本发明所述的一种基于遗传算法的高光谱图像波段选择方法,优选出若干适应度函数值最大时对应的染色体作为下一代的父本,并利用其进行交叉运算,确保产生下一代为优良个体;
6、本发明所述的一种基于遗传算法的高光谱图像波段选择方法,采用分步变异的策略,保持种群多样性和提高遗传算法的局部搜索能力。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是具体实施方式所述的一种基于遗传算法的高光谱图像波段选择方法流程图。
具体实施方式
下面结合附图将对本发明的多种实施方式进行清楚、完整地描述。通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本实施方式所述的一种基于遗传算法的高光谱图像波段选择方法,包括以下步骤:
步骤S1,采用整数编码的方式对遗传算法进行编码;
步骤S2,编码完成的遗传算法在各个波段子空间内均随机生成一个波段高光谱图像,并将该波段高光谱图像作为该波段子空间内的波段高光谱图像代表,各个波段子空间内选取的波段高光谱图像代表组合在一起构成一个染色体;
步骤S3,重复步骤S2,生成若干个染色体;
步骤S4,利用适应度函数对若干个对染色体进行适应度的度量;
步骤S5,根据步骤S4中的结果选择两个优秀的染色体进行交叉运算,产生优秀的染色体;
步骤S6,通过设置染色体变异概率来判断遗传算法是否需要进行染色体变异操作,若需要,则执行步骤S7,若不需要,则重复步骤S1-步骤S6;
步骤S7,随机对波段子空间内进行索引,确定染色体要变异的波段位置,然后,在该波段子空间内随机选取一个波段将该位置的波段进行替换;
步骤S8,判断遗传算法是否满足终止条件,若满足,则遗传算法终止判断,若不满足,则重复步骤S1-步骤S7。
本实施方式中,所述适应度函数为Jeffries-Matusita距离。
本实施方式中,所述Jeffries-Matusita距离的计算公式为:
其中,μi、μj分别为第i类和第j类在波段组合上的度量均值矢量,∑i、∑j分别为第i类和第j类在波段组合上的协方差矩阵,s为类别数,Di,j为Bhattacharyya距离,Ji,j为Jeffries-Matusita距离,表征了两类别间的可分性,JM为平均Jeffries-Matusita距离。
本实施方式中,所述遗传算法终止条件为:
迭代次数达到饱和,且达到预先设置好的适应度函数值时。
本实施方式基于本发明所述的一种基于遗传算法的高光谱图像波段选择方法,结合图1能更好的理解本实施方式,提供一种实际的实施方式:
高光谱图像在光谱维具有较强相关性,即空间上同一位置的地物,相邻波段的图像具有相似性。谱间相似的主要原因是同一地物在相邻波段的光在反射率上非常相近,导致相邻波段之间的相关性比不相邻波段之间的相关性更高。因此,在一定范围内的连续波段可以被划分至同一波段子空间。利用公式(1)计算不同波段之间的相关系数,并构建相关系数矩阵,根据相关系数矩阵对高光谱图像进行波段子空间划分。相关系数可以用来表示两个波段图像之间的相关程度,值越大表明两波段之间的相关性越强;
主要流程如下:
(1)编码
在利用遗传算法进行问题解的求解过程中,要将目标问题与遗传算法中的染色体建立对应关系,从而实现对目标问题的编码和解码。为确保突变和交叉后的每个波段子空间内有且只有一个波段,因此本文选择整数编码的方式对遗传算法进行编码。
(2)群体初始化
通过随机方法在每个波段子空间内各生成一个随机波段,按照子空间顺序排列后形成一个新的个体。
(3)适应度函数的选择
适应度函数是遗传算法搜索过程的依据,是与算法的收敛速度以及能否收敛到问题的最优解紧密相关。Jeffries-Matusita距离在高光谱地物分类过程中可以兼顾一次统计变量和二次统计变量,在测度高光谱多维空间中两类统计距离时,该距离是最佳测度。因此,本文采用类间可分性函数Jeffries-Matusita距离作为适应度函数,Jeffries-Matusita距离的计算方式如下:
其中,μi、μj分别为第i类和第j类在波段组合上的度量均值矢量,∑i、∑j分别为第i类和第j类在波段组合上的协方差矩阵,s为类别数,Di,j为Bhattacharyya距离,用于衡量高光谱图像中类间可分性大小的准则,表征了两类别间的可分性,Ji,j为Jeffries-Matusita距离,用于衡量高光谱图像中类间可分性大小的准则,表征了两类别间的可分性。JM为平均Jeffries-Matusita距离。
(4)交叉
由于本文中使用的是整数编码,且波段子空间数目有限,因此选择单点交叉的方式选择两个优秀亲本进行个体交叉操作,交叉点设置在中心波段处。
(5)变异
为了保持种群多样性和提高遗传算法的局部搜索能力,本文采用分步变异的策略。首先通过设置变异概率Pm来确认遗传算法是否要进行变异操作;然后随机对波段子空间进行索引,确定要变异的波段位置;最后在该波段子空间内随机选取一个波段将原位置的波段进行替换。
为了更好的说明本申请所述的一种基于遗传算法的高光谱图像波段选择方法,通过以下实施例进行详细描述:
高光谱图像在光谱维具有较强相关性,即空间上同一位置的地物,相邻波段的图像具有相似性。谱间相似的主要原因是同一地物在相邻波段的光在反射率上非常相近,导致相邻波段之间的相关性比不相邻波段之间的相关性更高。因此,在一定范围内的连续波段可以被划分至同一波段子空间。因此本发明首先利用公式(1)计算出高光谱图像不同波段间的相关系数,然后利用求取的相关系数构建相关系数矩阵,依据相关系数矩阵完成对高光谱图像的全波段进行波段子空间的划分。
在标准遗传算法的基础上进行了如下改进:
(1)在利用遗传算法进行问题解的求解过程中,要将目标问题与遗传算法中的染色体建立对应关系,从而实现对目标问题的编码和解码。为确保突变和交叉后的每个波段子空间内有且只有一个波段,因此本文选择整数编码的方式对遗传算法进行编码。
(2)为确保算法的随机性和样本种群的多样性,本发明在各个波段子空间内随机生成一个波段,由于每个子空间内的波段图像之间相关性较高,因此可以将随机选取的波段图像作为该子空间内的波段代表。各个子空间内选取的波段组合在一起构成一个染色体,依照此种方法随机生成若干个染色体,确保样本初始种群的多样性。
(3)将Jeffries-Matusita距离作为适应度函数。Jeffries-Matusita距离可以同时兼顾一次统计变量和二次统计变量,在测度高光谱多维空间中两类统计距离时该距离是最佳测度。利用公式(2)~(4)计算Jeffries-Matusita距离,提高新波段组合的类间可分性。
(4)优选出若干适应度函数值最大时对应的染色体作为下一代的父本,并利用其进行交叉运算以产生下一代的优良个体。
(5)染色体分级变异运算。为了保持种群多样性和提高遗传算法的局部搜索能力,本文采用分步变异的策略。首先通过设置变异概率来确认遗传算法是否要进行变异操作,若满足要求需要进行变异操作,则进入到下一步,随机选择要进行变异的波段子空间;若不满足变异要求,则进入下一次迭代过程。
(6)算法终止判断。本发明中算法的终止条件有两重:达到最大迭代次数和预先设置好所需要达到最大适应度函数值时算法终止。
本实施方式所述的一种基于遗传算法的高光谱图像波段选择系统,所述系统包括以下模块:
编码模块,采用整数编码的方式对遗传算法进行编码;
染色体模块,编码完成的遗传算法在各个波段子空间内均随机生成一个波段高光谱图像,并将该波段高光谱图像作为该波段子空间内的波段高光谱图像代表,各个波段子空间内选取的波段高光谱图像代表组合在一起构成一个染色体;
重复模块,重复染色体模块,生成若干个染色体;
度量模块,利用适应度函数对若干个对染色体进行适应度的度量;
交叉模块,根据度量模块中的结果选择两个优秀的染色体进行交叉运算,产生优秀的染色体;
判断模块,通过设置染色体变异概率来判断遗传算法是否需要进行染色体变异操作,若需要,则执行终止模块,若不需要,则重复编码模块-判断模块;
替换模块,随机对波段子空间内进行索引,确定染色体要变异的波段位置,然后,在该波段子空间内随机选取一个波段将该位置的波段进行替换;
终止模块,判断遗传算法是否满足终止条件,若满足,则遗传算法终止判断,若不满足,则重复编码模块-替换模块。
本实施方式所述的一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述实施方式中任一所述的方法步骤。
本实施方式所述的一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述实施方式中任一所述的方法步骤。
本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasablePROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambusRAM,DR RAM)。应注意,本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,高密度数字视频光盘(digital video disc,DVD))、或者半导体介质(例如,固态硬盘(solid state disc,SSD))等。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
应注意,本申请实施例中的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
以上对本发明所提出的一种基于遗传算法的高光谱图像波段选择方法、系统、设备以及介质进行了详细介绍,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 (7)
1.一种基于遗传算法的高光谱图像波段选择方法,其特征在于,包括以下步骤:
步骤S1,采用整数编码的方式对遗传算法进行编码;
步骤S2,编码完成的遗传算法在各个波段子空间内均随机生成一个波段高光谱图像,并将该波段高光谱图像作为该波段子空间内的波段高光谱图像代表,各个波段子空间内选取的波段高光谱图像代表组合在一起构成一个染色体;
步骤S3,重复步骤S2,生成若干个染色体;
步骤S4,利用适应度函数对若干个对染色体进行适应度的度量;
步骤S5,根据步骤S4中的结果选择两个优秀的染色体进行交叉运算,产生优秀的染色体;
步骤S6,通过设置染色体变异概率来判断遗传算法是否需要进行染色体变异操作,若需要,则执行步骤S7,若不需要,则重复步骤S1-步骤S6;
步骤S7,随机对波段子空间内进行索引,确定染色体要变异的波段位置,然后,在该波段子空间内随机选取一个波段将该位置的波段进行替换;
步骤S8,判断遗传算法是否满足终止条件,若满足,则遗传算法终止判断,若不满足,则重复步骤S1-步骤S7。
2.根据权利要求1所述的一种基于遗传算法的高光谱图像波段选择方法,其特征在于,所述适应度函数为Jeffries-Matusita距离。
4.根据权利要求1所述的一种基于遗传算法的高光谱图像波段选择方法,其特征在于,所述遗传算法终止条件为:
迭代次数达到饱和,且达到预先设置好的适应度函数值时。
5.一种基于遗传算法的高光谱图像波段选择系统,其特征在于,所述系统包括以下模块:
编码模块,采用整数编码的方式对遗传算法进行编码;
染色体模块,编码的完成遗传算法在各个波段子空间内均随机生成一个波段高光谱图像,并将该波段高光谱图像作为该波段子空间内的波段高光谱图像代表,各个波段子空间内选取的波段高光谱图像代表组合在一起构成一个染色体;
重复模块,重复染色体模块,生成若干个染色体;
度量模块,利用适应度函数对若干个对染色体进行适应度的度量;
交叉模块,根据度量模块中的结果选择两个优秀的染色体进行交叉运算,产生优秀的染色体;
判断模块,通过设置染色体变异概率来判断遗传算法是否需要进行染色体变异操作,若需要,则执行终止模块,若不需要,则重复编码模块-判断模块;
替换模块,随机对波段子空间内进行索引,确定染色体要变异的波段位置,然后,在该波段子空间内随机选取一个波段将该位置的波段进行替换;
终止模块,判断遗传算法是否满足终止条件,若满足,则遗传算法终止判断,若不满足,则重复编码模块-替换模块。
6.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-4任一所述的方法步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211210578.0A CN115545193A (zh) | 2022-09-30 | 2022-09-30 | 一种基于遗传算法的高光谱图像波段选择方法、系统、设备以及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211210578.0A CN115545193A (zh) | 2022-09-30 | 2022-09-30 | 一种基于遗传算法的高光谱图像波段选择方法、系统、设备以及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115545193A true CN115545193A (zh) | 2022-12-30 |
Family
ID=84731825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211210578.0A Pending CN115545193A (zh) | 2022-09-30 | 2022-09-30 | 一种基于遗传算法的高光谱图像波段选择方法、系统、设备以及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545193A (zh) |
-
2022
- 2022-09-30 CN CN202211210578.0A patent/CN115545193A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mitchell et al. | Sampling permutations for shapley value estimation | |
US20220092413A1 (en) | Method and system for relation learning by multi-hop attention graph neural network | |
Wu | The decision tree approach to classification. | |
CN111210382B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
Zhou et al. | Octr: Octree-based transformer for 3d object detection | |
CN111860124A (zh) | 基于空谱胶囊生成对抗网络的遥感图像分类方法 | |
CN115546601A (zh) | 一种多目标识别模型及其构建方法、装置及应用 | |
CN111985336A (zh) | 人脸图像聚类方法、装置、计算机设备和存储介质 | |
CN115545193A (zh) | 一种基于遗传算法的高光谱图像波段选择方法、系统、设备以及介质 | |
KR101642597B1 (ko) | 공간 분할 방법, 공간 분할 장치 및 기록 매체 | |
CN116091847A (zh) | 像素点分类方法、装置、处理器及电子设备 | |
CN110830939A (zh) | 基于改进的cpn-wlan指纹定位数据库的定位方法 | |
CN115810401A (zh) | 配方建构系统、方法、可读存储介质与计算机程序产品 | |
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 | |
CN115426671A (zh) | 图神经网络训练、无线小区故障预测方法、系统及设备 | |
CN111179326B (zh) | 一种单目深度估计方法、系统、设备及存储介质 | |
CN112614199A (zh) | 语义分割图像转换方法、装置、计算机设备和存储介质 | |
CN113902959A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
US11551041B2 (en) | Method and device for conducting measurements for an N-dimensional data structure | |
CN117222005B (zh) | 指纹定位方法、装置、电子设备及存储介质 | |
CN117235584B (zh) | 图数据分类方法、装置、电子装置和存储介质 | |
Shahbazi et al. | Robust sparse matching and motion estimation using genetic algorithms | |
CN112669408A (zh) | 多模态实景地图图像生成方法、装置、计算机设备和介质 | |
CN117828462A (zh) | 一种融合图注意力机制和随机近邻的异常检测方法及系统 | |
Pulipaka et al. | Invariant Attention: Provable Clustering Under Transformations |
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 |