CN106897703A - 基于aga‑pkf‑svm的遥感影像分类方法 - Google Patents

Abstract

本发明提供一种基于AGA‑PKF‑SVM的遥感影像分类方法，涉及遥感影像处理技术领域。该方法采用全局性多项式核函数(PKF)作为支持向量机(SVM)的核函数，结合交叉验证的方法对支持向量机遥感影像分类模型进行训练，并采用自适应遗传算法(AGA)对支持向量机的惩罚因子、多项式核函数中的各参数及交叉验证的折数进行组合优化。本发明提供的基于AGA‑PKF‑SVM的遥感影像分类方法，能有效防止在对支持向量机参数进行组合优化时陷入局部最优解，并使分类模型具有更好的泛化性能并防止过拟合。

Description

基于AGA-PKF-SVM的遥感影像分类方法

技术领域

本发明涉及遥感影像处理技术领域，尤其涉及一种基于AGA-PKF-SVM的遥感影像分类方法。

背景技术

采用支持向量机对遥感影像进行分类时分类效果受核函数及参数的影响，目前选择核函数时主要采用RBF核函数，对支持向量机参数的优化主要是对支持向量机的惩罚因子C及RBF核函数中gamma参数的组合优化，然而RBF核函数是一种局部核函数，采用RBF核函数的支持向量机具有良好的训练效果，但是其泛化性能稍差，且在参数训练过程中没有充分考虑支持向量机分类模型的过拟合问题，从而使建立的遥感影像分类模型在对新的未知遥感影像数据进行分类时无法保证分类效果。

发明内容

针对现有技术的缺陷，本发明提供一种基于AGA(Adaptive Genetic Algorithm，自适应遗传算法)-PKF(Polynomial Kernel Function，多项式核函数)-SVM(SupportVector Machine，支持向量机)的遥感影像分类方法，采用全局性多项式核函数(PKF)作为支持向量机(SVM)的核函数，结合交叉验证的方法对支持向量机遥感影像分类模型进行训练，并采用自适应遗传算法(AGA)对支持向量机的惩罚因子、多项式核函数中的各参数及交叉验证的折数进行组合优化，有效防止在对支持向量机参数进行组合优化时陷入局部最优解，并使分类模型具有更好的泛化性能并防止过拟合。

一种基于AGA-PKF-SVM的遥感影像分类方法，包括以下步骤：

步骤1：支持向量机的核函数采用多项式核函数，如式(1)所示；

其中，K(x_i，x_j)表示核函数，x_i和x_j分别表示二维空间中的两个点，γ表示多项式核函数中的内积系数，r表示常数项，d表示多项式的项数；

将支持向量机中的惩罚因子C、多项式核函数中内积系数γ、常数项r、多项式的项数d及交叉验证的折数k五种参数组合看作种群的一个个体，对个体进行二进制编码，并对种群进行初始化；

步骤2：对个体进行解码；

步骤3：将分类结果的准确率设为目标函数，通过k折交叉验证，计算支持向量机模型对遥感影像的平均分类准确率，将该平均分类准确率作为个体的适应度值；

步骤4：根据个体的适应度值，进行选择、交叉、变异、重插入操作，对参数组合进行优化；

步骤5：判断优化过程是否满足最大迭代次数，若满足，则得到最优个体，输出最优参数组合，根据最优参数组合建立采用多项式核函数的支持向量机遥感影像分类模型，该模型中记录了优化后得到的参数、分类的个数、支持向量的个数、各支持向量及系数、分类超平面的常数项，否则返回步骤2；

步骤6：根据步骤5建立的支持向量机遥感影像分类模型对遥感影像测试集数据进行分类，输出分类结果、混淆矩阵、总体精度及Kappa系数；混淆矩阵、总体精度及Kappa系数用于表征分类精度；在混淆矩阵中能够显示正确分类的数量及被错分的类别和个数；总体精度指被正确分类的类别像元数与总的类别个数的比值；Kappa系数是通过把所有真实分类中的像元总数乘以混淆矩阵对角线的和，再减去某一类真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果得到的。

进一步地，步骤1中将个体进行二进制编码的步骤如下：

对待优化的多项式核函数三个参数及支持向量机惩罚因子、交叉验证的折数进行二进制编码，其中每组参数组合看作种群中的一个个体，个体编码分成5个单元：

单元1：20位二进制数，用于确定支持向量机惩罚因子C；

单元2：20位二进制数，用于确定多项式核函数参数γ；

单元3：20位二进制数，用于确定多项式核函数参数r；

单元4：20位二进制数，用于解码后按四舍五入确定多项式核函数的项数d；

单元5：20位二进制数，用于解码后按四舍五入确定交叉验证的折数k。

进一步地，步骤4中根据个体适应度值采用轮盘赌法选择优良个体进行交叉、变异操作；通过计算种群的平均适应度值f_avg及最大适应度值f_max，按照式(2)计算自适应交叉概率P_c，以P_c为交叉概率进行交叉操作；

其中，P_c1、P_c2分别表示交叉概率取值的下限和上限，f′表示参与交叉的两个个体中较大的适应度值；

按照式(3)计算自适应变异概率P_m，以P_m为变异概率进行变异操作；

其中，P_m1、P_m2分别表示变异概率取值的下限和上限，f表示变异个体的适应度值。

由上述技术方案可知，本发明的有益效果在于：本发明提供的基于AGA-PKF-SVM的遥感影像分类方法，采用多项式核函数并结合k折交叉验证建立支持向量机遥感影像分类模型，并且使用自适应遗传算法对交叉验证的折数、支持向量机的惩罚因子及多项式核函数中的参数进行组合优化，使得所建支持向量机遥感影像分类模型能够有效防止过拟合，并且具有良好的泛化性能。

附图说明

图1为本发明实施例提供的遥感影像分类流程图；

图2为本发明实施例提供的自适应遗传算法进化过程示意图；

图3为本发明实施例提供的遥感影像分类结果示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，为基于AGA-PKF-SVM的遥感影像分类方法的流程图，具体方法如下所述。

步骤1：支持向量机的核函数采用多项式核函数，如式(1)所示；

其中，K(x_i，x_j)表示核函数，x_i和x_j分别表示二维空间中的两个点，γ表示多项式核函数中的内积系数，r表示常数项，d表示多项式的项数；

将支持向量机中的惩罚因子C、多项式核函数中参数γ、常数项r、多项式的项数d及交叉验证的折数k五种参数组合看作种群的一个个体，对个体进行二进制编码，并对种群进行初始化。个体即染色体，一个个体对应一个染色体。

其中，个体编码即染色体编码分成5个单元：

单元1：20位二进制数，用于确定支持向量机惩罚因子C；

单元2：20位二进制数，用于确定多项式核函数参数γ；

单元3：20位二进制数，用于确定多项式核函数参数r；

单元4：20位二进制数，用于解码后按四舍五入确定多项式核函数的项数d；

单元5：20位二进制数，用于解码后按四舍五入确定交叉验证的折数k。

步骤2：对个体进行解码。

步骤3：将分类结果的准确率设为目标函数，通过k折交叉验证，计算支持向量机模型对遥感影像的平均分类准确率，将该平均分类准确率作为个体的适应度值。

步骤4：根据个体的适应度值，采用轮盘赌法选择优良个体进行选择、交叉、变异、重插入操作，对参数组合进行优化。

通过计算种群的平均适应度值f_avg及最大适应度值f_max，按照式(2)计算自适应交叉概率P_c，以P_c为交叉概率进行交叉操作；

其中，P_c1、P_c2分别表示交叉概率取值的下限和上限，f′表示参与交叉的两个个体中较大的适应度值；

按照式(3)计算自适应变异概率P_m，以P_m为变异概率进行变异操作；

其中，P_m1、P_m2分别表示变异概率取值的下限和上限，f表示变异个体的适应度值。

步骤5：判断优化过程是否满足最大迭代次数，若满足，则得到最优个体，输出最优参数组合，根据最优参数组合建立采用多项式核函数的支持向量机遥感影像分类模型，该模型中记录了优化后得到的参数、分类的个数、支持向量的个数、各支持向量及系数、分类超平面的常数项，否则返回步骤2。

步骤6：根据步骤5建立的支持向量机遥感影像分类模型对遥感影像测试集数据进行分类，输出分类结果、混淆矩阵、总体精度及Kappa系数。

混淆矩阵、总体精度及Kappa系数用来表征分类精度，在混淆矩阵中能够显示正确分类的数量及被错分的类别和个数，总体精度指被正确分类的类别像元数与总的类别个数的比值，但是其值受到像元数据较多类别的影响较大，不能很好的表征每个类别地物，而Kappa系数可以有效避免上述问题的出现，通过把所有真实分类中的像元总数乘以混淆矩阵对角线的和，再减去某一类真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。

本实施例中选取Pavia University scene高光谱影像中6种类型2000个样本进行分析(首先进行了主成分分析，选择了其中2个指标，其累计贡献率为96.3％)，类别及样本数量见表1。

表1样本类别及数量

序号	类别	样本数量
			1	Asphalt	301
2	Meadows	920
			3	Gravel	608
4	Trees	57
			5	Self-Blocking Bricks	66
6	Shadows	48

本实施例中，4个参数均采用20位二进制编码表示，最大遗传代数为30，代沟为0.9，惩罚因子C的取值范围为(0，20]，多项式核函数中γ的取值范围为(0，5]，常数r的取值范围为[0，10]，多项式的阶数d的取值范围为[1，5]，交叉验证的折数k的取值范围为[2，10]，式(2)中P_c1＝0.95，P_c2＝0.8，式(3)中P_m1＝0.1，P_m2＝0.01。

在Matlab2010a中选取样本集中前1000个样本作为训练集采用交叉验证对支持向量机的参数进行训练，后1000个样本作为测试集对模型进行验证，经过258.861186秒的计算(数值随电脑配置不同而不同，运行电脑基本配置为CPU：AMDA8-4500M，1.9GHz；内存：4G；操作系统：Windows 7，64位)，得到最优参数组合为C＝7.6805，γ＝0.23827，r＝9.5661，d＝3，k＝7，交叉验证的正确分类率为95.9％，对应的遗传算法进化过程如图2所示。

采用上述参数对测试集中遥感影像数据进行分类，图3为分类结果，得到的总体精度为0.892，对应的Kappa值为0.8404，表明本方法减少了84.04％的分类错误，具有很高的一致性。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部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发明权利要求所限定的范围。

Claims (3)

1.一种基于AGA-PKF-SVM的遥感影像分类方法，其特征在于：该方法包括以下步骤：

步骤1：支持向量机的核函数采用多项式核函数，如式(1)所示；

$K(x_i,x_j)={({\mathrm{\γx}}_i^T{x}_j+r)}^d,\mathrm{\γ}>0---\left(1\right)$

其中，K(x_i，x_j)表示核函数，x_i和x_j分别表示二维空间中的两个点，γ表示多项式核函数中的内积系数，r表示常数项，d表示多项式的项数；

将支持向量机中的惩罚因子C、多项式核函数中内积系数γ、常数项r、多项式的项数d及交叉验证的折数k五种参数组合看作种群的一个个体，对个体进行二进制编码，并对种群进行初始化；

步骤2：对个体进行解码；

步骤3：将分类结果的准确率设为目标函数，通过k折交叉验证，计算支持向量机模型对遥感影像的平均分类准确率，将该平均分类准确率作为个体的适应度值；

步骤4：根据个体的适应度值，进行选择、交叉、变异、重插入操作，对参数组合进行优化；

步骤5：判断优化过程是否满足最大迭代次数，若满足，则得到最优个体，输出最优参数组合，根据最优参数组合建立采用多项式核函数的支持向量机遥感影像分类模型，该模型中记录了优化后得到的参数、分类的个数、支持向量的个数、各支持向量及系数、分类超平面的常数项，否则返回步骤2；

步骤6：根据步骤5建立的支持向量机遥感影像分类模型对遥感影像测试集数据进行分类，输出分类结果、混淆矩阵、总体精度及Kappa系数；所述混淆矩阵、总体精度及Kappa系数用于表征分类精度；在混淆矩阵中能够显示正确分类的数量及被错分的类别和个数；总体精度指被正确分类的类别像元数与总的类别个数的比值；Kappa系数是通过把所有真实分类中的像元总数乘以混淆矩阵对角线的和，再减去某一类真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果得到的。

2.根据权利要求1所述的基于AGA-PKF-SVM的遥感影像分类方法，其特征在于：所述步骤1中将个体进行二进制编码的步骤如下：

对待优化的多项式核函数三个参数及支持向量机惩罚因子、交叉验证的折数进行二进制编码，其中每组参数组合看作种群中的一个个体，个体编码分成5个单元：

单元1：20位二进制数，用于确定支持向量机惩罚因子C；

单元2：20位二进制数，用于确定多项式核函数参数γ；

单元3：20位二进制数，用于确定多项式核函数参数r；

单元4：20位二进制数，用于解码后按四舍五入确定多项式核函数的项数d；

单元5：20位二进制数，用于解码后按四舍五入确定交叉验证的折数k。

3.根据权利要求1所述的基于AGA-PKF-SVM的遥感影像分类方法，其特征在于：所述步骤4中根据个体适应度值采用轮盘赌法选择优良个体进行交叉、变异操作；通过计算种群的平均适应度值f_avg及最大适应度值f_max，按照式(2)计算自适应交叉概率P_c，以P_c为交叉概率进行交叉操作；

$P_c=\left\{\begin{array}{cc}{P}_{c1}-\frac{(P_{c2}-P_{c1})(f^{\&prime;}-f_{avg})}{f_{max}-f_{avg}}& f^{\&prime;}\&GreaterEqual;f_{avg}\\ P_{c2}& f^{\&prime;}<f_{avg}\end{array}\right.---\left(2\right)$

其中，P_c1、P_c2分别表示交叉概率取值的下限和上限，f′表示参与交叉的两个个体中较大的适应度值；

按照式(3)计算自适应变异概率P_m，以P_m为变异概率进行变异操作；

$P_m=\left\{\begin{array}{cc}{P}_{m1}-\frac{(P_{m2}-P_{m1})(f_{max}-f)}{f_{max}-f_{avg}}& f\&GreaterEqual;f_{avg}\\ P_{m2}& f<f_{avg}\end{array}\right.---\left(3\right)$

其中，P_m1、P_m2分别表示变异概率取值的下限和上限，f表示变异个体的适应度值。