CN103049757B - 一种基于蜂群智能的遥感影像分类方法 - Google Patents

Abstract

本发明公开一种基于蜂群智能的遥感影像分类方法，属于计算机和遥感影像信息提取技术领域。结合仿生智能计算方法，采用模仿蜜蜂采蜜行为的群智能优化算法，自动搜索遥感影像各波段的最优分割点，定义各波段最优分割点和地物类别节点的连线为蜂群搜索路径，构造以IF-THEN形式表达的遥感分类规则。该智能式遥感分类方法不需使用数学公式，能更清晰地表达地物分类中的复杂关系。与See5.0决策树方法相比，本发明方法的遥感影像总体分类精度和Kappa系数均比See5.0决策树方法更高，该智能遥感分类方法具有更好的遥感影像分类效果。

Description

一种基于蜂群智能的遥感影像分类方法

技术领域

本发明属于计算机和遥感影像信息提取技术领域，特别涉及一种基于蜂群智能的遥感影像分类方法。

背景技术

遥感影像分类是土地利用专题信息提取的一个重要环节，是遥感影像应用的基础。传统的统计分析分类方法主要有最大似然法、最短距离法、光谱角分类法、K-Means法、ISODATA法、贝叶斯分类法。这些方法以统计学原理为基础，为训练数据遵循正态分布为前提，训练样本的选择和参数估计直接影响分类结果。其后，学者们提出一些新的分类方法，如人工神经网络法、决策树分类法、支持向量机分类法和面向对象分类法等，取得了较好的分类效果。仿生智能计算模拟自然界中生物群行为（蚂蚁觅食、鸟类觅食、蜜蜂采蜜等），通过个体间的相互协作和竞争而表现出群体智能行为，逐渐成为解决复杂优化求解的重要工具。当地表状况非常复杂时，一般的遥感分类方法不能很好地处理线性不可分的地物，仿生智能计算通过模拟自然界中生物群行为，智能挖掘影像分类规则为解决这一问题提供新的手段。近年来，已经有学者尝试将仿生智能计算应用到遥感影像分类中，提出基于蚁群智能的遥感影像分类方法、基于粒子群智能优化的遥感分类方法，取得较好的分类效果。目前，仿生智能计算领域出现一种元启发式仿生算法——人工蜂群算法，该算法是一种模拟蜜蜂群采蜜行为的群智能优化算法。与遗传算法、粒子群算法等智能计算方法相比，人工蜂群算法的突出优点是每次迭代中都进行全局和局部搜索，因而找到最优解的概率大大增加，并在较大程度上避免了局部最优。因此，本发明提出一种基于蜂群智能的遥感影像分类方法，将人工蜂群算法应用到遥感影像分类中，并根据遥感图像分类的具体特征对算法进行改进。

发明内容

智能式遥感分类方法能很好地处理遥感影像分类中线性不可分的复杂地物。为提高遥感影像的分类精度，智能挖掘遥感影像的最优分类规则，并在较大程度上避免了局部最优，本发明的目的是提出一种基于蜂群智能的遥感影像分类方法，通过模仿蜜蜂采蜜行为的方式来，在多维空间中不断地搜索遥感影像各波段的最优区间，各波段最优区间与影像类别连接，构造以IF-THEN形式表达的遥感影像分类规则，从而更清晰方便地描述遥感影像分类中的复杂关系。

本发明解决其技术问题所采用的技术方案是：

一种基于蜂群智能的遥感影像分类方法，包括以下步骤：（1）采用分层均匀抽样的方式在遥感影像上采集样本数据，并将样本数据分成两部分：训练样本数据和测试样本数据；（2）定义蜂群搜索路径为各波段最优分割点和地物类别节点的连线，构造以IF-THEN形式表达的遥感影像分类规则；（3）根据遥感图像分类的具体特征，构造遥感影像分类适应度函数；（4）遥感影像分类规则的蜂群智能挖掘及修剪；（5）遥感影像分类规则对训练数据的覆盖；（6）使用蜂群挖掘的分类规则对遥感影像进行分类，并评价测试样本数据的分类精度。

本发明依赖的理论基础是人工蜂群算法模型。蜜蜂是一种典型的群居生物，自然界的蜜蜂无论身处什么环境总能很自如地发现优良的食物源。人工蜂群算法模型主要包含三个基本部分：食物源、采蜜蜂、待工蜂。食物源代表各种可能的解，相当于优化问题解的位置。采蜜蜂EF储存有某一个食物源的相关信息(相对于蜂巢的距离方向、花蜜的数量等)并且将这些信息以一定的概率与其它蜜蜂分享，根据路径长度排序，按一定比例，部分成为引领蜂。待工蜂UF分为跟随蜂和侦查蜂。跟随蜂在蜂巢观察完引领蜂的摇摆舞后，通过舞蹈的剧烈程度、持续时间等，来确定食物源的收益率，并依据收益率来选择到哪个食物源采蜜；侦查蜂负责随机搜索蜂巢附近的食物源，增强算法跳出局部最优解的能力。

本发明一种基于人工蜂群算法的智能式遥感分类方法，适用于各种遥感影像的分类，采用模仿蜜蜂采蜜行为的群智能优化算法，自动搜索遥感影像各波段的最优分割点，定义各波段最优分割点和地物类别节点的连线为蜂群搜索路径，构造以IF-THEN形式表达的遥感分类规则，分类规则的挖掘过程隐含有图像波段优点的选取。

附图说明

图1是本发明蜂群智能遥感分类方法的原理图。

图2是蜜蜂采蜜工作图。

图3为本发明遥感影像分类规则示意图。

具体实施方式

下面对本发明实例中的技术方案进行清楚、完整的描述。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。

本发明的一种基于人工蜂群算法的智能式遥感分类方法，如图1所示，包括以下步骤：（1）采用分层均匀抽样的方式在遥感影像上采集样本数据，并将样本数据分成两部分：训练样本数据和测试样本数据；（2）定义蜂群搜索路径为各波段最优分割点和地物类别节点的连线，构造以IF-THEN形式表达的遥感影像分类规则；（3）根据遥感图像分类的具体特征，构 造遥感影像分类适应度函数；（4）遥感影像分类规则的蜂群智能挖掘及修剪；（5）遥感影像分类规则对训练数据的覆盖；（6）使用蜂群挖掘的分类规则对遥感影像进行分类，并评价测试样本数据的分类精度。

蜜蜂采蜜工作图如图2所示。设有两个已经发现的食物源A和B，初始时，待工蜂没有任何关于蜂巢附近食物源的信息，有两种选择的可能：①成为侦察蜂，由于某一内部激励或可能的外在因素，开始自发地搜寻在蜂巢附近的食物源（图2中“S”线）。②可以被招募并开始按照获得的信息寻找食物源（图2中“R”线）。初始时刻，所有蜜蜂没有任何先验知识，其角色都是侦察蜂。随机搜索到食物源后，侦察蜂返回蜂巢的舞蹈区，根据食物源收益度的相对大小，侦察蜂可做如下选择：①放弃食物源，成为跟随蜂；②在返回同一食物源前，招募蜂巢其他伙伴（图2中“EF1”线）；③重复自己的采蜜路径，继续进行采蜜（图2中“EF2”线）。

采用分层均匀抽样的方式在遥感影像上采集样本数据，并将样本数据分成两部分：训练样本数据和测试样本数据；将样本数据进行格式化处理，其组织格式如下：（‘波段1’‘波段2值’‘波段3值’……‘类型’）。

影像分类规则挖掘时，定义蜂群搜索路径为遥感影像各波段最优分割点和影像分类节点的连线，构造以IF-THEN形式表达的遥感影像分类规则。遥感影像分类规则如图3所示，其中各波段最优分割点最多只出现一次，且必须有影像分类节点。每条路径对应一条分类规则，分类规则的挖掘相当于是对最优路径的搜索，即多维空间最优解的搜索。分类规则的格式如下：

IF X^1low<Band1<X^1upAND X^2low<Band2<X^2up…AND X^jlow<Bandj<X^jup

（a）

THEN Class=k

式中，IF部分为规则的条件项，X^jlow为波段j最优区间的下界，X^jup为波段j最优区间的上界，Bandj为波段j的属性值；THEN部分为规则结论，即定义了样本的分类类别。

分类规则（蜜蜂种群）的适应度可以用来衡量蜜蜂位置的优劣，合理的构造适应度函数是问题的求解的关键，遥感影像分类的适应度函数如下：

$\mathrm{fit}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}}\&CenterDot;\frac{\mathrm{TN}}{\mathrm{FP}+\mathrm{TN}}---\left(b\right)$

式中，fit为分类规则的适应度；TP为满足规则并且和规则预测类型相同的样本数；FP为满足规则并且和规则预测不同的样本数；TN为不满足规则并且和规则预测不同的样本数； FN为不满足规则并且和规则预测相同的样本数。

分类规则的挖掘模仿了蜜蜂的采蜜行为，蜂群在每个遥感影像波段搜索最优上界和最优下界，对于波段数为k的遥感影像，则是在2k维空间内搜索最优值。假设蜜蜂总数为Ns，其中，采蜜蜂种群规模为Ne，跟随蜂种群规模也为Nu，一般定义Ne与Nu相等，个体向量维度为D=2k，S=R^D为个体搜索空间，S^Ne为采蜜蜂种群空间。若Xi∈S（i≤Ne）是Ne个个体，则X=(X₁,X₂,…,X_Ne)代表一个采蜜蜂种群。用X(0)表示初始采蜜蜂种群，X(n)表示第n代采蜜蜂种群。则遥感影像分类规则的蜂群智能挖掘及修剪的过程包括以下步骤：

（1）对于n＝0时刻，初始化采蜜蜂种群，随机生成N_s个可行解(X₁,X₂,…,X_Ns)，具体随机产生的可行解X_i为：

$\left\{\begin{array}{c}{X}_i^{\mathrm{jlow}}=X_{\min }^j+\mathrm{rand}\left(\mathrm{0,1}\right)(X_{\max }^j-X_{\min }^j)\\ X_i^{\mathrm{jup}}=X_i^{\mathrm{jlow}}+\mathrm{rand}\left(\mathrm{0,1}\right)(X_{\max }^j-X_i^{\mathrm{jlow}})\end{array}\right.---\left(c\right)$

式中，为波段j的最小值，为波段j的最大值,j∈{1,2，…,k}；为第i个解向量在第j波段的下界分量,为第i个解向量在j波段的上界分量。利用适应度函数分别计算各解向量的适应度值，并将排名前Ne的解作为初始的采蜜蜂种群X(0)。将蜜蜂位置向量按IF-THEN形式构造分类规则，使用规则修剪函数对当前分类规则中条件项进行修剪处理，即依次删掉规则中的某条件项后，如果该规则的适应度变大，就删除该条件项；否则保留该条件项；

（2）开始蜂群进化过程，采蜜蜂在当前蜜源周围搜索邻居蜜源，用分类适应度函数计算邻居蜜源的蜂群分类适应度；使用规则修剪函数对当前分类规则中条件项进行修剪处理；对于第n步的采蜜蜂X_i(n)，在当前位置向量附近领域进行搜索新的位置，搜索公式为：

${V_i}^j={X_i}^j+{{\mathrm{\&Phi;}}_i}^j({X_i}^j-{X_k}^j)---\left(d\right)$

式中，为采蜜蜂i在第j波段的原位置向量，为采蜜蜂i在第j波段的新位置向量，j∈{1,2，…,D}，k∈{1,2，…,Ne}，且k≠j，k,j均随机生成，为[-1,1]之间的随机数，同时应保证V∈S；

（3）采用贪婪选择算子，在采蜜蜂搜索到新位置向量V_i和原向量X_i中，选取具有更优适应度的保留给下一代的种群，从而保证了种群能够保留精英个体，使得进化方向不会后退。贪婪选择过程可记作Ts:S2→S，其概率分布为：

$P\{T_S(X_i,V_i)=V_i\}=\left\{\begin{array}{c}1,\mathrm{fit}\left(V_i\right)\&GreaterEqual;\mathrm{fit}\left(X_i\right)\\ 0,\mathrm{fit}\left(V_i\right)<\mathrm{fit}\left(X_i\right)\end{array}\right.---\left(e\right)$

式中，P{T_S(X_i,V_i)=V_i}为采蜜蜂新位置向量V_i代替原位置向量X_i的概率，fit(X_i)为采蜜蜂原向量X_i的适应度；fit(V_i)为采蜜蜂新位置向量V_i的适应度。

（4）跟随蜂依照采蜜蜂种群适应度值大小，选择一个采蜜蜂，并在其领域内同样进行新位置搜索。该算子是在一个采蜜蜂种群内选择一个个体，选择概率为：

$P\{T_{S1}\left(X\right)=X_i\}=\frac{\mathrm{fit}\left(X_i\right)}{{\mathrm{\&Sigma;}}_{m=1}^{\mathrm{Ne}}\mathrm{fit}\left(X_m\right)}---\left(f\right)$

式中，P{T_S1(X)=X_i}为采蜜蜂种群内选个体X_i为作为跟随蜂的选择概率，fit(X_i)为采蜜蜂向量X_i的适应度；为采蜜蜂种群的适应度总和。

（5）同步骤（2）和（3），每只跟随蜂搜索蜜源，并记下种群最终更新过后达到的最优适应度值及相应的参数；

（6）当在某只蜜蜂的位置周围搜索次数到达一定阈值T1，而仍没有找到更优位置时，则用蜂群初始化函数重新初始化该采蜜蜂的位置。

（7）当全局最优适应度值达到一定的稳定值或迭代次数达到一定阈值T2时，则循环终止并输出最优适应度值及相应的参数；否则转向步骤（2），继续进行蜂群优化。

分类规则的挖掘过程隐含有图像波段优点的选取，由于分类模型没有事先确定波段的段点，得到的分类规则可能存在重叠的情形，即某些样本同时满足两条分类规则。采用规则覆盖机制来避免分类规则的重叠，移除训练数据中当前规则覆盖的样本数据，即影像波段属性和土地利用类型均与分类规则的相匹配的数据；当训练数据中某一类别的规则样本覆盖度达到一定阈值T3时，终止该类别数据的规则挖掘。遥感影像分类规则对训练数据的覆盖过程包括以下步骤：

（1）使用规则保存函数，将蜂群智能挖掘的最优分类规则及其适应度值保存到遥感影像分类规则集中；

（2）在训练数据中移除当前规则覆盖的样本数据，即影像波段属性和土地利用类型均与 分类规则的相匹配的数据；

（3）使用规则覆盖移除后的训练数据搜索下一分类规则；

（4）当训练数据中某一土地利用类别的规则样本覆盖度，即某一类别的规则所覆盖的样本数/该类别样本数，达到一定阈值T3时，终止该类别数据的规则挖掘，开始下一类别的规则挖掘，直至所有类别的规则挖掘完毕。

人工蜂群算法构造分类规则的伪代码如下：

将所挖掘的分类规则应用到遥感影像分类中，并评价其分类精度。如果测试样本数据的分类精度达到分类要求，则输出遥感影像分类结果；如果测试样本数据的分类精度没有到分类要求，则重新进行训练样本数据采样，重新挖掘分类规则。

实施例1

取长江口北岸2007年ALOS影像（1995×2000pixels）作为实验数据，影像分辨率为2.5m，分别有蓝色、绿色、红色和近红外4个波段。除了4个波段值，影像的光谱特征和纹理特征也可以作为影像分类的属性依据，实验利用遥感影像处理软件ENVI，提取了1个光谱特征（植 被指数NDVI）和8个纹理特征（均值、方差、一致性、对比度、非相似度、熵、二阶矩阵、灰度相关）。每个特征作为一个波段，实验数据共有13个波段属性。

实验使用C#编程实现训练样本数据的分类规则挖掘，并根据所挖掘的分类规则对遥感影像进行分类。训练样本的选择规则学习的基础，并直接关系到分类规则的质量。根据实地调查和土地利用分布特征，对实验数据进行分层均匀采样，获取了10000个样本作为训练样本数据，样本数据的格式如下：

蜂群在每个波段搜索最优上界和最优下界,实验数据的属性波段k为13。因此，蜜蜂个体向量的维数D为26（D=2k），即在26维空间搜索最优值。实验影像共分为六种土地利用类型，分类类别数N为6。设置蜂群初始化参数如下：蜜蜂种群规模N_s为20；采蜜蜂种群规模N_e为10；每只蜜蜂最大搜索次数的T1取20;每个类别的最大迭代次数T2取200;各土地利用类别规则的样本覆盖度阈值T3取0.95，实验共获得58条分类规则，部分的分类规则如下：

根据所获取的分类规则，对实验区ALOS遥感影像进行土地利用分类，经聚类分析处理和去除分析，将小于4×4像素的小图斑合并到相邻最大的斑块中，结合实地调查，该分类结果比较真实地反映了实际的土地利用覆盖类型。同时，对相同的训练样本数据，使用See5.0决策树方法获取分类规则，并对实验区相同影像进行了分类。

为了验证对比两种分类方法的精度，在实验影像范围内分层随机选取10000样本数据，作为验证样本数据集，比较实际参考地类与规则分类结果，分别统计两种方法的分类精度（见表1和表2），ABC遥感分类方法的总体精度为84.23%、Kappa系数为0.817，See5.0决策树方法的总体精度为80.67%、Kappa系数为0.772，两种方法的精度之间有一定的差异。可见，ABC遥感分类方法具有更高的分类精度，其分类效果更好。

表1基于蜂群智能的实验影像分类精度评价

表2基于See5.0的实验影像分类精度评价

智能式遥感分类方法应用仿生智能计算方法挖掘遥感影像分类规则，在遥感影像各波段自动搜索最优分割点，适用于复杂地物分类规则的挖掘，能有效提高遥感分类精度。人工蜂群算法是一种模拟蜜蜂群智能搜索行为的群智能优化算法，具有控制参数少、易于实现、计算简洁等优点，本发明将人工蜂群算法引进到遥感影像分类中，通过模仿蜜蜂采蜜行为的方式，搜索遥感影像各波段的最优分割点，构造以IF-THEN形式表达的遥感分类规则，相比数 学公式更清晰地描述地物分类中的复杂关系。最后，将蜂群智能遥感分类方法应用于长江口北岸ALOS影像分类中，取得了较好的分类结果，并与See5.0决策树方法进行了对比分析，蜂群智能遥感分类的总体精度和Kappa系数均比See5.0决策树方法更高，该智能遥感分类方法更好分类效果。

Claims (1)

1.一种基于蜂群智能的遥感影像分类方法，其特征在于：包括以下步骤：

(1)采用分层均匀抽样的方式在遥感影像上采集样本数据，并将样本数据分成两部分：训练样本数据和测试样本数据；

(2)定义蜂群搜索路径为各波段最优分割点和地物类别节点的连线，构造以IF-THEN形式表达的遥感影像分类规则；

(3)根据遥感图像分类的具体特征，构造遥感影像分类适应度函数；

(4)遥感影像分类规则的蜂群智能挖掘及修剪；模仿蜜蜂的采蜜行为挖掘遥感影像的分类规则，蜂群在每个遥感影像波段搜索最优上界和最优下界，遥感影像分类规则的挖掘过程隐含有图像波段优点的选取，遥感影像分类规则的蜂群智能挖掘及修剪的具体过程包括以下步骤：

①使用蜂群初始化函数生成初始采蜜蜂种群，并用分类适应度函数计算蜂群分类适应度；然后，使用规则修剪函数对初始分类规则中条件项进行修剪处理，即依次删掉规则中的某条件项后，如果该规则的适应度变大，就删除该条件项；否则保留该条件项，从而简化分类规则；

②开始蜂群进化过程，采蜜蜂在当前蜜源周围不断搜索邻居蜜源，用分类适应度函数计算该邻居蜜源上蜂群分类适应度；同样使用规则修剪函数修剪当前邻居蜜源上蜂群分类规则，对该邻居蜜源上蜂群分类规则中条件项进行修剪处理，仅保留对当前分类规则的适应度有影响的主要条件项；

③采用贪婪选择算子，如果邻居蜜源的蜂群分类适应度值大于当前蜜源的蜂群分类适应度值，则将该邻居蜜源替代当前蜜源，使采蜜蜂选取更优适应度的蜜源保留给下一代的种群，从而保证了种群能够保留精英个体，使得进化方向不会后退；

④跟随蜂依照采蜜蜂种群适应度值大小选择一个采蜜蜂；

⑤同步骤②和③，每只跟随蜂搜索邻居蜜源，并记下种群最终更新过后达到的最优适应度值及相应的参数；

⑥当蜜蜂搜索次数达到某阈值T1而仍没有找到更优位置时，则用蜂群初始化函数重初始化该蜜蜂的位置；

⑦当全局最优适应度值达到一定的稳定值或迭代次数达到一定阈值T2时，终止蜂群进化过程，并输出最优蜂群分类规则和其最优分类适应度值；否则转向步骤②，继续进行蜂群优化；

(5)遥感影像分类规则对训练数据的覆盖；其具体过程包括以下步骤：

①使用规则保存函数，将蜂群智能挖掘的最优分类规则及其最优分类适应度值保存到遥感影像分类规则集中；

②使用样本刷新函数，在训练数据中移除当前规则覆盖的样本数据，即影像波段属性和土地利用类型均与分类规则的相匹配的数据；

③使用规则覆盖移除后的训练数据搜索下一条分类规则；

④当训练数据中某一土地利用类别的规则样本覆盖度，即某一类别的规则所覆盖的样本数/该类别样本数，达到一定阈值T3时，终止该类别数据的规则挖掘，开始下一类别的规则挖掘，直至所有类别的规则挖掘完毕；

(6)使用蜂群挖掘的分类规则对遥感影像进行分类，并评价测试样本数据的分类精度。