[发明专利]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

权利要求书

1.一种基于多目标水稻育种算法的高光谱图像波段选择方法，其特征在于：包括以下步骤：

步骤1：首先输入原始遥感图像数据，随机生成初始波段组合，产生初始种群；

步骤2：初始化多目标水稻育种算法相关参数；

步骤3：计算种群个体的目标函数值；根据平均熵和KL散度两个目标函数公式计算图像数据的目标函数值；

步骤4：根据分层非支配排序思想计算种群中每个个体相应的Pareto层级rank，再根据拥挤度函数计算同层级的每个个体相应的拥挤度；

步骤5：根据Pareto解集关系对种群个体进行三系划分；按照种群中个体适应度值rank(x)的排序大小，取前三分之一为保持系，后三分之一为不育系，中间为恢复系；

步骤6：对种群中的不育系和保持系进行杂交操作，生成不育系个体；对种群中恢复系个体进行自交和重置操作，生成恢复系个体；保持系不进行更新操作，与原种群中的保持系保持相同；

步骤7：不育系和恢复系更新后生成的子种群与原种群合并成临时大种群，并计算临时的大种群中每个个体相应的Pareto层级rank和拥挤度；

步骤8：精英策略筛选阶段；对临时的大种群进行精英策略筛选，使得整体种群得到更新，并且朝着Pareto前沿方向进化；

步骤9：对精英策略筛选后产生的新种群计算每个个体相应的Pareto层级和拥挤度；判断当前Pareto层非支配解加上已保留解数目是否小于设定的种群大小，若是，则将当前Pareto层的非支配解全部保留到新的种群，然后回转执行步骤5；否则，按照拥挤度排序顺序依次保留个体直至新种群达到设定的种群大小后执行步骤10；

步骤10：判断进化代数是否达到设置的最大迭代次数，若是，则执行步骤11，否则，回转执行步骤5；

步骤11：输出最终Pareto解集。

2.根据权利要求1所述的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，其特征在于：步骤3中所述的平均熵和KL散度两个目标函数公式定义为：

平均熵值的公式如下：

其中，K是选择波段的个数，p(x_im)是选择的第i个波段中像元x_im的概率密度函数；一个波段的熵可以考虑表示信息量，熵越大，图像中包含的信息也就越多，由于本发明中选择的波段组合不是单一的波段，所以我们取平均熵值来代表组合的细节信息；平均熵值越大，波段组合携带的细节信息越丰富；

KL散度是描述两个概率分布差异的一种方法，用来表示波段之间的差异性；

对于高光谱图像，多波段组合之间的差异性用对称的平均相对熵来测量：

其中，K是选择波段的个数，p(x_im)是选择的第i个波段中像元x_im的概率密度函数，N是一个波段内所有的像元总数；我们可以发现，KL散度是非负值，只有当p(x_im)和p(x_jm)相同时KL散度为零；从信息论可以知道，KL散度越大，两个分布的差异性越大，对于高光谱图像的两个波段来说，它们之间的KL散度越大代表它们之间的冗余信息越小。

3.根据权利要求1所述的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，其特征在于：步骤4中所述的拥挤度是按照目标函数值稀疏程度的大小来判断的，目标函数值越稀疏，则拥挤度越大，反之，则拥挤度越小；由于不同目标函数值之间可能存在数量级差异，故拥挤度计算方式需进行归一化处理；计算公式为：

crowd＝(f_j(x_i+1)-f_j(x_i-1))/(f_jmax-f_jmin)

其中f_j代表着第j个目标函数，f_jmax和f_jmin分别代表着当前非支配层次的自变量个体在第j个目标函数上的最大值和最小值。