高光谱图像波段选择方法、装置、电子设备及存储介质与流程

本技术涉及图像处理，尤其涉及一种高光谱图像波段选择方法、装置、电子设备及存储介质。

背景技术：

1、高光谱图像已广泛应用于多个领域，如医学成像、机器控制、城市规划和环境监测。然而，随着高光谱图像中光谱信息的增加，对高光谱图像的处理和分析带来了新的挑战。现有的波段选择方法主要可以分为三类：有监督波段选择方法、半监督波段选择方法和无监督波段选择方法。现有的无监督波段选择方法大多将高光谱图像视为一个整体，并同时为所有像素执行同一波段选择过程，这样的方法忽略了高光谱图像的空间和光谱信息，未能充分考虑高光谱图像的特点，无法实现针对不同像素类别按照偏好进行波段选择，不足以识别不同像素类别的最佳波段子集。另外，大多数现有方法倾向于直接在数据规模较大的原始高光谱图像上进行波段选择。然而，高光谱图像固有的庞大搜索空间对这些方法的探索能力构成了巨大挑战。大多数现有波段选择方法通常被设计为搜索具有固定大小的最佳波段子集，当需要同时获取不同大小的波段子集时，需要耗费大量时间。

技术实现思路

1、有鉴于此，本技术实施例提供了一种高光谱图像波段选择方法、装置、电子设备及存储介质，可以得到不同数量、分类精度较高的波段子集，解决现有技术获取不同大小波段子集时耗时较大的问题。

2、本技术实施例的第一方面提供了一种高光谱图像波段选择方法，包括：

3、获取高光谱图像；

4、对所述高光谱图像进行超像素分割，得到多个超像素块，根据所述多个超像素块初始化得到多个子种群，其中，所述多个超像素块与所述多个子种群一一对应；

5、针对所述多个子种群中的每个子种群，采用带有自适应知识迁移的粒子群优化算法对所述子种群中的所有个体进行速度和位置更新，获得所述子种群中所有个体各自对应的速度和位置；

6、根据所述子种群中所有个体各自对应的速度和位置，采用预设的波段选择评价机制对所述子种群中所有个体进行评价，获得所述子种群中所有个体各自对应的适应度值；

7、根据所述子种群中所有个体各自对应的适应度值，确定所述高光谱图像对应选择的波段子集。

8、在一种可能实现方式中，所述采用带有自适应知识迁移的粒子群优化算法对所述子种群中的所有个体进行速度和位置更新的步骤，包括：

9、将所述子种群中的所有个体逐一作为目标个体，采用带有自适应知识迁移的粒子群优化算法对所述目标个体进行速度和位置更新，并记录所述目标个体当前的更新次数；

10、将所述目标个体当前的更新次数与预设的迭代次数阈值进行比较，判断所述目标个体的当前的更新次数是否达到所述迭代次数阈值，若是，则停止对所述目标个体的速度和位置更新，直至所述子种群中的所有个体均停止更新为止。

11、在一种可能实现方式中，所述带有自适应知识迁移的粒子群优化算法中包含无知识迁移更新算法和有知识迁移更新算法，所述将所述子种群中的所有个体逐一作为目标个体，采用带有自适应知识迁移的粒子群优化算法对所述目标个体进行速度和位置更新的步骤，包括：

12、在每一次更新中，生成所述目标个体对应的随机数，其中，所述随机数为0至1之间的随机实数；

13、将所述随机数与预设的迁移概率进行比较，若所述随机数大于所述迁移概率，则采用所述无知识迁移更新算法对所述目标个体进行速度和位置更新，否则，采用所述有知识迁移更新算法对所述目标个体进行速度和位置更新。

14、在一种可能实现方式中，所述采用所述有知识迁移更新算法对所述目标个体进行速度和位置更新的步骤，包括：

15、采用互信息对所述目标个体所对应的子种群与其他子种群分别进行相似性计算，获得多个相似性因子，其中，所述相似性因子的数量与所述其他子种群的数量相等，所述其他子种群为所述多个子种群中除所述目标个体所对应的子种群以外的所有子种群；

16、根据所述多个相似性因子，确定与所述目标个体所对应的子种群具有相似性的预设数量个相似子种群，获取每个相似子种群中具有最小适应度值的个体；

17、采用所述有知识迁移更新算法，根据获取的所有具有最小适应度值的个体对所述目标个体进行速度和位置更新。

18、在一种可能实现方式中，所述采用预设的波段选择评价机制对所述子种群中所有个体进行评价，获得所述子种群中所有个体各自对应的适应度值的步骤，包括：

19、采用所述预设的波段选择评价机制中设定的适应度值计算公式计算所述子种群中所有个体各自对应的适应度值，其中，所述适应度值计算公式为：

20、

21、其中，sj表示为子种群j的解；i表示为所选波段的数量；和分别表示为子种群j对应的超像素块中第i个和第q个波段的像素点集合；ie(·)和mi(·)分别表示为是波段的信息量和波段的相关性。

22、在一种可能实现方式中，所述对所述高光谱图像进行超像素分割，得到多个超像素块的步骤，包括：

23、将所述高光谱图像映射到一个图中进行图构建，获得采用像素点以及像素点的边集合表示的第一构图，利用所述像素点的边集合对所述第一构图进行分割，获得多个连接子图；

24、采用预设的熵率函数和平衡函数对所述第一构图中的多个连接子图进行优化，获得多个超像素块。

25、本技术实施例的第二方面提供了一种高光谱图像波段选择装置，包括：

26、获取模块，用于获取高光谱图像；

27、分割模块，用于对所述高光谱图像进行超像素分割，得到多个超像素块，根据所述多个超像素块初始化得到多个子种群，其中，所述多个超像素块与所述多个子种群一一对应；

28、更新模块，用于针对所述多个子种群中的每个子种群，采用带有自适应知识迁移的粒子群优化算法对所述子种群中的所有个体进行速度和位置更新，获得所述子种群中所有个体各自对应的速度和位置；

29、评价模块，用于根据所述子种群中所有个体各自对应的速度和位置，采用预设的波段选择评价机制对所述子种群中所有个体进行评价，获得所述子种群中所有个体各自对应的适应度值；

30、确定模块，用于根据所述子种群中所有个体各自对应的适应度值，确定所述高光谱图像对应选择的波段子集。

31、在一种可能实现方式中，所述高光谱图像波段选择装置还包括：

32、更新子模块，用于将所述子种群中的所有个体逐一作为目标个体，采用带有自适应知识迁移的粒子群优化算法对所述目标个体进行速度和位置更新，并记录所述目标个体当前的更新次数；

33、比较子模块，用于将所述目标个体当前的更新次数与预设的迭代次数阈值进行比较，判断所述目标个体的当前的更新次数是否达到所述迭代次数阈值，若是，则停止对所述目标个体的速度和位置更新，直至所述子种群中的所有个体均停止更新为止。

34、本技术实施例的第三方面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电子设备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第一方面提供的高光谱图像波段选择方法的各步骤。

35、本技术实施例的第四方面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第一方面提供的高光谱图像波段选择方法的各步骤。

36、本技术实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时实现第一方面提供的高光谱图像波段选择方法的各步骤。

37、本技术实施例提供的一种高光谱图像波段选择方法及其电子设备，具有以下有益效果：

38、本技术通过对高光谱图像进行超像素分割，得到多个超像素块，再根据多个超像素块初始化得到多个子种群，可以在高光谱图像的波段选择过程中考虑到了不同像素类别对不同波段的偏好，为不同的超像素块分别进行不同的波段选择，显著提高了降维后波段子集的分类精度。而针对多个子种群中的每个子种群，采用带有自适应知识迁移的粒子群优化算法对子种群中的所有个体进行速度和位置更新，能够利用不同子种群间的有效知识求解多各子种群的优化问题，采用预设的波段选择评价机制对所述子种群中所有个体进行评价，能够一次性得到多个大小的波段子集，大大减少时间成本，解决现有技术中获取不同大小波段子集时存在的耗时较大的问题。