CN108596118A - 一种基于人工蜂群算法的遥感影像分类方法及系统 - Google Patents
一种基于人工蜂群算法的遥感影像分类方法及系统 Download PDFInfo
- Publication number
- CN108596118A CN108596118A CN201810396733.XA CN201810396733A CN108596118A CN 108596118 A CN108596118 A CN 108596118A CN 201810396733 A CN201810396733 A CN 201810396733A CN 108596118 A CN108596118 A CN 108596118A
- Authority
- CN
- China
- Prior art keywords
- fitness
- bee
- solution
- wave band
- parameter
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于人工蜂群算法的遥感影像分类方法及系统,该方法包括:获取高光谱遥感影像数据;随机生成多个参数组合;根据适应度计算公式计算各所述参数组合的适应度,所述适应度是蜂群算法在解空间中寻找最优参数组合的判断条件;根据所述最优参数组合中的波段掩码确定所述高光谱遥感影像数据中的最优波段,即波段掩码为1时对应的波段;根据所述最优参数组合中的所述惩罚参数和所述核参数确定优化参数后SVM分类器;利用所述优化参数后SVM分类器对所述最优波段的高光谱遥感影像进行分类,得到分类后遥感影像数据。采用此方法或系统可以通过保留数据有效波段以及优化SVM关键参数的方式获取高精度的分类结果。
Description
技术领域
本发明涉及遥感影像分类领域,特别是涉及一种基于人工蜂群算法的遥感影像分类方法及系统。
背景技术
高光谱遥感影像因其具有高光谱分辨率,能够提供更多的信息量,每个像素提供近似连续的光谱曲线,使得地物的精细分类成为可能,这种能力是传统多光谱影像所不可比拟的,因此高光谱遥感技术被认为遥感领域的重要技术革新,近年来引起了广泛的关注和研究。但是,超高的光谱维度也带来了一些问题,其中最突出的就是休斯(Hughes)现象,这是由于波段多且波段间隔窄,导致相邻波段间相似性高,产生了大量的冗余信息,这些冗余信息对于分类工作不仅无益,反而带来了干扰,从而影响分类精度。现有的降维方法主要有特征提取和特征选择两种(对高光谱遥感数据而言,特征即为波段)。其中特征提取是对原始数据的特征空间变换到一个新的特征空间,每一个新的特征(在变换空间中)是原始D维变量的函数变换结果。特征选择算法则是从原始数据的特征中筛选出分类效果较好的组合,与特征提取方法相比具有不改变原有特征物理意义的优点。波段选择的两种主要方法为:滤波(Filter)法和封装(Wrapper)法。大多数过滤方法都是基于单波段评价的剔除算法,即用相关系数、最佳波段指数等指标逐一评价每个特征,然后按照指标分值从高到低排序,选择排在前面的波段作为特征子集。但需要指出的是,特征选择作为一种组合优化问题,由最好的特征形成的集合未必能组成最优的特征子集。而封装法是将分类精度的评价嵌套在特征选择的每一次循环迭代过程中,是一种基于特征子集整体评价的搜索算法,因此,封装法的精度往往优于过滤法。随着对分类精度要求的提高,封装法将成为特征选择的主流方法。
近年来,随着人工智能算法的发展,已有学者将其应用于波段选择中,并取得了很好的效果。例如遗传算法(genetic algorithm,GA),粒子群算法(particle swarmoptimization,PSO)。人工蜂群算法(Artificial Bee ColonyAlgorithm,ABC)是继遗传算法、粒子群算法之后的一种新的群体智能算法,具有鲁棒性强、不易陷入局部最优的特点,近年来在参数优化、图像处理、数据挖掘等领域得到了广泛应用。在特征选择方面。在前人的研究中,ABC算法的特征选择多基于ANN或k-NN算法,而有研究表明,相较于ANN和k-NN算法,SVM具有更强的分类能力,此外SVM在解决小样本、高维数据分类问题中具有突出优势,与本研究的分类对象(高光谱影像)相适应,所以,本研究采用SVM(Support VectorMachine)作为ABC波段选择的分类器。
发明内容
本发明的目的是提供一种基于人工蜂群算法的遥感影像分类方法及系统。解决了不能获取高精度的分类结果的问题。
为实现上述目的,本发明提供了如下方案:
一种基于人工蜂群算法的遥感影像分类方法,包括以下步骤:
获取高光谱遥感影像数据;
随机生成多个参数组合;其中参数组合的形式为SVM分类器中需要优化的惩罚参数和核参数以及高光谱影像的各个波段的波段掩码Bi,i=1,....,n,n为总波段数;当Bi=1时,表示第i个波段被选择,当Bi=0时,表示第i个波段不被选择;
计算各所述参数组合的适应度,所述适应度是蜂群算法在解空间中寻找最优参数组合的判断条件;
根据所述最优参数组合中的波段掩码确定所述高光谱遥感影像数据中的最优波段,即波段掩码为1时对应的波段;
根据所述最优参数组合中的所述惩罚参数和所述核参数确定优化参数后SVM分类器;
利用所述优化参数后SVM分类器对所述最优波段的高光谱遥感影像进行分类,得到分类后遥感影像数据。
可选的,计算各所述参数组合的适应度,根据蜂群算法在解空间中的迭代运算,寻找到最高适应度的参数组合,即最优参数组合具体包括:
初始化采蜜蜂种群,全局随机搜索蜜源,随机生成Ne个可行解;所述采蜜蜂种群由多个采蜜蜂组成;
计算所述采蜜蜂种群中所有的采蜜蜂对应的解的适应度大小;
初始化结束后开始迭代搜索,采蜜蜂在解空间内进行邻域搜索生成新解并计算新解的适应度大小,对每只采蜜蜂在邻域搜索生成的新解和原解进行贪婪选择,保留适应度更大的解;
跟随蜂以设定的概率选择将要跟随的采蜜蜂,所述跟随蜂对应的解的适应度大小即为所述采蜜蜂对应的解适应度大小,设为跟随蜂原解;
跟随蜂在解空间内进行蜜源搜索生成跟随蜂新解,计算所述跟随蜂新解的适应度大小,跟随蜂新解和跟随蜂原解中保留适应度更大的解;
判断所有采蜜蜂和跟随蜂对应的解未更新的次数是否超过第一设定值Limit;
若存在蜜蜂对应的解未更新的次数超过所述第一设定值Limit,则放弃这些蜜蜂对应的解,全局随机搜索蜜源,随机生成新的可行解;
此时完成一次迭代搜索,记录的适应度值中最大值和对应的参数组合作为迭代的最优适应度和对应的最优参数组合;
判断所述蜂群的迭代搜索次数是否超过第二设定值maxCycle;
若所述采蜂群的迭代搜索次数未超过设定的所述第二设定值maxCycle,则跳转至采蜜蜂在解空间内进行邻域搜索生成新解并计算新解的适应度大小,对每只采蜜蜂在邻域搜索生成的新解和原解进行贪婪选择,保留适应度更大的解步骤;否则结束迭代搜索。
可选的,所述设定的概率的计算公式为:其中,P(Xi)为第i只采蜜蜂被选择的概率,fit(Xi)为第i只采蜜蜂的适应度大小。
可选的,所述适应度计算公式具体为:
其中,fitness为所述参数组合的适应度,ω为权重,取值范围为0.7到0.9,Acc为训练样本的精度,所述训练样本为任意选取的所述高光谱遥感影像上的随机点,nb为总波段数,Bi为波段i的掩码。
可选的,还包括:
将所述分类后遥感影像数据转换为影像格式,得到影像格式遥感影像;
根据测试样本对所述影像格式遥感影像进行分类精度的验证;所述测试样本为随机获取的多个所述双精度型遥感影像像元数据;
或者,根据遥感影像对应的地表真实覆盖数据对所述影像格式遥感影像进行分类精度的验证。
一种基于人工蜂群算法的遥感影像分类系统,包括:
数据获取模块,用于获取高光谱遥感影像数据;
参数组合生成模块,用于随机生成多个参数组合;其中参数组合的形式为SVM分类器中需要优化的惩罚参数和核参数以及高光谱影像的各个波段的波段掩码Bi,i=1,....,n,n为总波段数;当Bi=1时,表示第i个波段被选择,当Bi=0时,表示第i个波段不被选择;
适应度计算模块,用于计算各所述参数组合的适应度,所述适应度是蜂群算法在解空间中寻找最优参数组合的判断条件;
最优波段确定模块,用于根据所述最优参数组合中的波段掩码确定所述高光谱遥感影像数据中的最优波段,即波段掩码为1时对应的波段;
分类器优化模块,用于根据所述最优参数组合中的所述惩罚参数和所述核参数确定优化参数后SVM分类器;
分类模块,用于利用所述优化参数后SVM分类器对所述最优波段的高光谱遥感影像进行分类,得到分类后遥感影像数据。
可选的,所述适应度计算模块具体包括:
初始化单元,用于初始化采蜜蜂种群,全局随机搜索蜜源,随机生成Ne个可行解;所述采蜜蜂种群由多个采蜜蜂组成;
适应度计算单元,用于计算所述采蜜蜂种群中所有的采蜜蜂对应的解的适应度大小;
贪婪选择单元,用于采蜜蜂在解空间内进行邻域搜索生成新解并计算新解的适应度大小,对每只采蜜蜂在邻域搜索生成的新解和原解进行贪婪选择,保留适应度更大的解;
跟随蜂选择单元,用于跟随蜂以设定的概率选择将要跟随的采蜜蜂,所述跟随蜂对应的解的适应度大小即为所述采蜜蜂对应的解适应度大小,设为跟随蜂原解;
跟随蜂新解获取单元,用于随蜂在解空间内进行蜜源搜索生成跟随蜂新解,计算所述跟随蜂新解的适应度大小,跟随蜂新解和跟随蜂原解中保留适应度更大的解;
解更新次数判断单元,用于判断所有蜜蜂对应的解未更新的次数是否超过第一设定值Limit;
搜索判断结果执行单元,用于若存在蜜蜂对应的解未更新的次数超过所述第一设定值Limit,则放弃这些蜜蜂对应的解,全局随机搜索蜜源,随机生成新的可行解;
最优值确定单元,用于此时完成一次迭代搜索,记录的适应度值中最大值和对应的参数组合作为迭代的最优适应度和对应的最优参数组合;
迭代搜索次数判断单元,用于判断所述采蜜蜂的搜索次数是否超过第二设定值maxCycle;
迭代判断执行单元,用于若所述采蜜蜂的搜索次数超过设定的第二设定值,则跳转至采蜜蜂在解空间内进行邻域搜索生成新解并计算新解的适应度大小,对每只采蜜蜂在邻域搜索生成的新解和原解进行贪婪选择,保留适应度更大的解步骤。
可选的,所述设定的概率的计算公式为:其中,P(Xi)为第i只采蜜蜂被选择的概率,fit(Xi)为第i只采蜜蜂的适应度。
可选的,所述适应度计算公式具体为:其中,fitness为所述参数组合的适应度,ω为权重,取值范围为0.7到0.9,Acc为训练样本的精度,所述训练样本为任意选取的所述高光谱遥感影像上的随机点,nb为总波段数,Bi为波段i的掩码。
可选的,还包括:
格式转换模块,用于将所述分类后遥感影像数据转换为影像格式,得到影像格式遥感影像;
样本验证模块,用于根据测试样本对所述影像格式遥感影像进行分类精度的验证;所述测试样本为随机获取的多个所述双精度型遥感影像像元数据;
数据验证模块,用于根据遥感影像对应的地表真实覆盖数据对所述影像格式遥感影像进行分类精度的验证。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明中介绍了一种基于人工蜂群算法的遥感影像分类方法,包括:获取高光谱遥感影像数据;对高光谱遥感影像数据进行归一化处理,将归一化遥感影像数据转换为双精度型遥感影像数据;将双精度型遥感影像数据划分为训练样本和测试样本;根据训练样本的分类精度和选择波段数的加权和构造适应度函数;根据适应度函数利用人工蜂群算法得到最优适应度;根据最优适应度确定所述训练样本的最佳惩罚参数、核参数和最佳特征掩码;进而根据最优惩罚参数和核参数得到最优的支持向量机(SupportVectorMachine,SVM)分类器;根据特征掩码得到所述高光谱遥感影像数据中的最优波段;利用最优参数的SVM分类器对所述最优波段的遥感影像进行分类,得到分类后遥感影像数据。本发明能够利用人工蜂群算法搜索最优参数,本发明方法不易陷入局部最优,通过筛选高光谱影像的波段以及优化SVM分类器关键参数提高高光谱影像的分类精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例遥感影像分类方法流程图;
图2为本发明实施例利用人工蜂群算法得到最优适应度的方法流程图;
图3为本发明实施例遥感影像分类系统模块图;
图4为本发明实施例利用人工蜂群算法得到最优适应度的系统模块图;
图5为本发明实施例ABC-SVM算法的优化参数示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
本发明的目的是提供一种基于人工蜂群算法的遥感影像分类方法及系统。解决了不能获取高精度的分类结果的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例遥感影像分类方法流程图。参见图1,一种基于人工蜂群算法的遥感影像分类方法,包括:
步骤101:获取高光谱遥感影像数据;
步骤102:随机生成多个参数组合;其中参数组合的形式为SVM分类器中需要优化的惩罚参数和核参数以及高光谱影像的各个波段的波段掩码Bi,i=1,....,n,n为总波段数;当Bi=1时,表示第i个波段被选择,当Bi=0时,表示第i个波段不被选择;
步骤103:计算各所述参数组合的适应度,所述适应度是蜂群算法在解空间中寻找最优参数组合的判断条件;
步骤104:根据所述最优参数组合中的波段掩码确定所述高光谱遥感影像数据中的最优波段,即波段掩码为1时对应的波段;
步骤105:根据所述最优参数组合中的所述惩罚参数和所述核参数确定优化参数后SVM分类器;
步骤106:利用所述优化参数后SVM分类器对所述最优波段的高光谱遥感影像进行分类,得到分类后遥感影像数据。
采用上述方法不易陷入局部最优,通过筛选高光谱影像的波段以及优化SVM分类器关键参数提高高光谱影像的分类精度。
图2为本发明实施例利用人工蜂群算法得到最优适应度的方法流程图。参见图2,步骤103具体包括:
步骤201:初始化采蜜蜂种群,全局随机搜索蜜源,随机生成Ne个可行解;所述采蜜蜂种群由多个采蜜蜂组成;
步骤202:计算所述采蜜蜂种群中所有的采蜜蜂对应的解的适应度大小;
步骤203:初始化结束后开始蜂群的迭代搜索,采蜜蜂在解空间内进行邻域搜索生成新解并计算新解的适应度大小,对每只采蜜蜂在邻域搜索生成的新解和原解进行贪婪选择,保留适应度更大的解;
步骤204:跟随蜂以设定的概率选择将要跟随的采蜜蜂,所述跟随蜂对应的解的适应度大小即为所述采蜜蜂对应的解适应度大小,设为跟随蜂原解;
步骤205:跟随蜂在解空间内进行蜜源搜索生成跟随蜂新解,计算所述跟随蜂新解的适应度大小,跟随蜂新解和跟随蜂原解中保留适应度更大的解;
步骤206:判断所有蜜蜂对应的解未更新的次数是否超过第一设定值Limit;
步骤207:若存在蜜蜂对应的解未更新的次数超过所述第一设定值Limit,则放弃这些蜜蜂对应的解,全局随机搜索蜜源,随机生成新的可行解;
步骤208:此时完成蜂群的一次迭代搜索,记录的适应度值中最大值和对应的参数组合作为迭代的最优适应度和对应的最优参数组合;
步骤209:判断所述蜂群的迭代搜索次数是否超过第二设定值maxCycle;
步骤210:若所述采蜜蜂的搜索次数超过设定的第二设定值maxCycle,则跳转至采蜜蜂在解空间内进行邻域搜索生成新解并计算新解的适应度大小,对每只采蜜蜂在邻域搜索生成的新解和原解进行贪婪选择,保留适应度更大的解步骤;否则结束迭代搜索;
步骤211:记录的最优适应度值和其对应的参数组合即为多次迭代搜索到的最优适应度和最优参数组合。
可选的,所述设定的概率的计算公式为:其中,P(Xi)为第i只采蜜蜂被选择的概率,fit(Xi)为第i只采蜜蜂的适应度大小。
所述适应度计算公式具体为:其中,fitness为所述参数组合的适应度,ω为权重,取值范围为0.7到0.9,Acc为训练样本的精度,所述训练样本为任意选取的所述高光谱遥感影像上的随机点,nb为总波段数,Bi为波段i的掩码。
本发明中还包括:
将所述分类后遥感影像数据转换为影像格式,得到影像格式遥感影像;
根据测试样本对所述影像格式遥感影像进行分类精度的验证;所述测试样本为随机获取的多个所述双精度型遥感影像像元数据数据;
或者,根据地表真实覆盖数据对所述影像格式遥感影像进行分类精度的验证。
图3为本发明实施例遥感影像分类系统模块图。参见图3,一种基于人工蜂群算法的遥感影像分类系统,包括:
数据获取模块301,用于获取高光谱遥感影像数据;
参数组合生成模块302,用于随机生成多个参数组合;其中参数组合的形式为SVM分类器中需要优化的惩罚参数和核参数以及高光谱影像的各个波段的波段掩码Bi,i=1,....,n,n为总波段数;当Bi=1时,表示第i个波段被选择,当Bi=0时,表示第i个波段不被选择;
适应度计算模块303,用于计算各所述参数组合的适应度,所述适应度是蜂群算法在解空间中寻找最优参数组合的判断条件;
最优波段确定模块304,用于根据所述最优参数组合中的波段掩码确定所述高光谱遥感影像数据中的最优波段,即波段掩码为1时对应的波段;
分类器优化模块305,用于根据所述最优参数组合中的所述惩罚参数和所述核参数确定优化参数后SVM分类器;
分类模块306,用于利用所述优化参数后SVM分类器对所述最优波段的高光谱遥感影像进行分类,得到分类后遥感影像数据。
采用上述系统应用于高光谱影像的波段选择和SVM分类器的关键参数优化,从而获取高光谱影像高精度的分类结果。
图4为本发明实施例利用人工蜂群算法得到最优适应度的系统模块图。参见图4,所述适应度计算模块303具体包括:
初始化单元401,用于初始化采蜜蜂种群,全局随机搜索蜜源,随机生成Ne个可行解;所述采蜜蜂种群由多个采蜜蜂组成;
适应度计算单元402,用于计算所述采蜜蜂种群中所有的采蜜蜂对应的解的适应度大小;
贪婪选择单元403,用于采蜜蜂在解空间内进行邻域搜索生成新解并计算新解的适应度大小,对每只采蜜蜂在邻域搜索生成的新解和原解进行贪婪选择,保留适应度更大的解;
跟随蜂选择单元404,用于跟随蜂以设定的概率选择将要跟随的采蜜蜂,所述跟随蜂对应的解的适应度大小即为所述采蜜蜂对应的解适应度大小,设为跟随蜂原解;
跟随蜂新解获取单元405,用于随蜂在解空间内进行蜜源搜索生成跟随蜂新解,计算所述跟随蜂新解的适应度大小,跟随蜂新解和跟随蜂原解中保留适应度更大的解;
解更新次数判断单元406,用于判断采蜜蜂对应的解未更新的次数是否超过第一设定值Limit;
搜索判断结果执行单元407,用于若存在蜜蜂对应的解未更新的次数超过所述第一设定值Limit,则放弃这些蜜蜂对应的解,全局随机搜索蜜源,随机生成新的可行解;
最优值获取单元408,用于记录的适应度值中最大值和对应的参数组合作为迭代的最优适应度和对应的最优参数组合;
搜索次数判断单元409,用于判断所述采蜜蜂的搜索次数是否超过第二设定值maxCycle;
迭代判断执行单元410,用于若所述采蜜蜂的搜索次数超过设定的第二设定值,则跳转至采蜜蜂在解空间内进行邻域搜索生成新解并计算新解的适应度大小,对每只采蜜蜂在邻域搜索生成的新解和原解进行贪婪选择,保留适应度更大的解步骤。
其中,所述设定的概率的计算公式为:其中,P(Xi)为第i只采蜜蜂被选择的概率,fit(Xi)为第i只采蜜蜂的适应度大小。
本发明系统还包括:
格式转换模块,用于将所述分类后遥感影像数据转换为影像格式,得到影像格式遥感影像;
样本验证模块,用于根据根据测试样本对所述影像格式遥感影像进行分类精度的验证;所述测试样本为随机获取的多个所述双精度型遥感影像像元数据数据;
数据验证模块,用于根据地表真实覆盖数据对所述影像格式遥感影像进行分类精度的验证;所述地表真实覆盖数据为。
本发明中采用的人工蜂群算法,现对人工蜂群算法进行详细的介绍:
人工蜂群算法(ArtificialBee Colony Algorithm,ABC)是一种群体智能模型,由Karaboga(Karaboga,2005)提出,是一种模拟蜜蜂群体寻找优良蜜源的仿生智能计算方法。其基本思想为:首先随机初始化一些可行解,然后通过迭代、邻域搜索的策略向更优质的解靠近,从而得到最优解。寻优的过程基于蜂群的两种基本行为模型(为优质食物源招揽蜜蜂和放弃某个质量较低的食物源)来实现。
步骤1:用代表一个采蜜蜂种群,用X(0)表示初始的采蜜蜂种群,Ne表示采蜜蜂的个数。初始化蜜时,全局随机搜索蜜源,随机生成Ne个可行解;公式如下:
式中,为第i个蜜蜂在参数j值,和为参数j的最大值和最小值,j∈{1,…D}。
步骤2:初始化结束后,采蜜蜂在其所在位置附近寻找新的蜜源,并采用贪婪选择,在新、旧蜜源(参数)中选取适应度更高的保留给下一代种群,以实现对参数进行优化。对于第n次循环,采蜜蜂在当前位置附近邻域搜索新的位置的公式为:
式中,为第i个采蜜蜂在参数j的原值,j∈{1,…D},k∈{1,2,…k},且k≠j,k,j均随机生成;Vij为第i个采蜜蜂在参数j的新值;为[-1,1]之间的随机数,同时应保证V∈S。
步骤3:当采蜜蜂优化结束后,跟随蜂依照采蜜蜂的适应度大小,以一定的概率选择一个采蜜蜂,并在其领域内同样进行邻域搜索。具体的概率的计算公式为:
式中,P(Xi)为第i只采蜜蜂被选中的概率,fit(xi)为第i只采蜜蜂的适应度。
步骤4:重复步骤2和步骤3,每次迭代记下更新后的最高适应度值和所对应的参数组合。
步骤5:当某个参数组合经过多次迭代仍未更新,即搜索次数超过第一设定值Limit,则放弃该蜜源,采蜜蜂转换为侦察蜂随机寻找新蜜源,公式同步骤1。
步骤6:当迭代次数超过第二设定值maxCycle时,循环终止,输出此时最优适应度和相应参数组合,否则转向步骤2,继续优化。其中,ABC算法中涉及到的符号含义请参见表1。
表1 ABC算法符号含义
注:一般定义采蜜蜂和跟随蜂数量相等,即Ne=Nu=SN/2。
ABC-SVM算法的优化参数(参数组合即为蜂群算法中的蜜源Xi)设计见图5,前两位代表SVM分类器的惩罚参数C和RBF核参数σ,其取值范围可以根据数据需求自定义。在SVM分类器参数之后的是波段掩码,用与表征各波段是否被选择,n代表数据的总特征数,Bi为第i波段的掩码,在计算过程中,当bi<0.5时,将Bi赋值为0,表示剔除i波段,反之,赋值为1,即选择i波段。
适应度函数用来衡量选择的波段组合和SVM优化参数的优劣,它决定了参数的搜索方向,因此设计合理的适应度函数尤为重要。本研究中ABC算法的优化目标为SVM分类器参数(C,σ)和波段掩码,在保证高精度的前提下需要兼顾波段选择的数量,本研究的适应度函数见公式(4),其中,Acc为训练样本的3折交叉验证精度,ω为权重,取值范围为0.7到0.9,nb为总波段数,Bi为波段i的掩码。根据公式(4)易知,分类精度越高且选择的波段越少的参数组合得到的适应度函数值越高。需要说明的是,为了避免过拟合和欠拟合现象,这里的精度(Acc)采用的是训练样本的交叉验证精度,本研究选择的是3折交叉验证精度,具体做法是:将原始训练样本均分为3个子集,依次抽选一个子集作为测试样本,剩余的2个子集作为新的训练样本,共得到3个模型,以3个模型得到的平均精度作为最后的精度。
对于SVM分类器而言,选定核函数后,分类器的性能仅与判别函数中的惩罚参数C以及核函数中的核参数σ相关。因此本研究将ABC算法的优化目标设定为选择最优参数组合(C,σ)和特征掩码(特征子集)。ABC-SVM的遥感影像分类本质上是基于训练样本的人工蜂群算法最优参数提取,搜索出最优参数带入支持向量机,并基于筛选出的最优波段的遥感影像进行分类。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
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 (10)
1.一种基于人工蜂群算法的遥感影像分类方法,其特征在于,包括以下步骤:
获取高光谱遥感影像数据;
随机生成多个参数组合;其中参数组合的形式为SVM分类器中需要优化的惩罚参数和核参数以及高光谱影像的各个波段的波段掩码Bi,i=1,....,n,n为总波段数;当Bi=1时,表示第i个波段被选择,当Bi=0时,表示第i个波段不被选择;
根据适应度计算公式计算各所述参数组合的适应度,所述适应度是蜂群算法在解空间中寻找最优参数组合的判断条件;
根据所述最优参数组合中的波段掩码确定所述高光谱遥感影像数据中的最优波段,即波段掩码为1时对应的波段;
根据所述最优参数组合中的所述惩罚参数和所述核参数确定优化参数后SVM分类器;
利用所述优化参数后SVM分类器对所述最优波段的高光谱遥感影像进行分类,得到分类后遥感影像数据。
2.根据权利要求1所述的分类方法,其特征在于,所述计算各所述参数组合的适应度,所述适应度是蜂群算法在解空间中寻找最优参数组合的判断条件具体包括:
初始化采蜜蜂种群,全局随机搜索蜜源,随机生成Ne个可行解;所述采蜜蜂种群由多个采蜜蜂组成;
计算所述采蜜蜂种群中所有的采蜜蜂对应的解的适应度大小;
初始化结束后开始迭代搜索,采蜜蜂在解空间内进行邻域搜索生成新解并计算新解的适应度大小,对每只采蜜蜂在邻域搜索生成的新解和原解进行贪婪选择,保留适应度更大的解;
跟随蜂以设定的概率选择将要跟随的采蜜蜂,所述跟随蜂对应的解的适应度大小即为所述采蜜蜂对应的解适应度大小,设为跟随蜂原解;
跟随蜂在解空间内进行蜜源搜索生成跟随蜂新解,计算所述跟随蜂新解的适应度大小,跟随蜂新解和跟随蜂原解中保留适应度更大的解;
判断所有蜜蜂对应的解未更新的次数是否超过第一设定值Limit;
若存在蜜蜂对应的解未更新的次数超过所述第一设定值Limit,则放弃这些蜜蜂对应的解,全局随机搜索蜜源,随机生成新的可行解;
此时完成一次迭代搜索,记录的适应度值中最大值和对应的参数组合作为迭代的最优适应度和对应的最优参数组合;
判断所述蜂群的迭代搜索次数是否超过第二设定值maxCycle;
若所述采蜂群的迭代搜索次数未超过设定的所述第二设定值maxCycle,则跳转至采蜜蜂在解空间内进行邻域搜索生成新解并计算新解的适应度大小,对每只采蜜蜂在邻域搜索生成的新解和原解进行贪婪选择,保留适应度更大的解步骤;否则结束迭代搜索。
3.根据权利要求2所述的分类方法,其特征在于,包括:所述设定的概率的计算公式为:其中,P(Xi)为第i只采蜜蜂被选择的概率,fit(Xi)为第i只采蜜蜂的适应度大小。
4.根据权利要求1所述的分类方法,其特征在于,所述适应度计算公式具体为:其中,fitness为所述参数组合的适应度,ω为权重,取值范围为0.7到0.9,Acc为训练样本的精度,所述训练样本为任意选取的所述高光谱遥感影像上的随机点,nb为总波段数,Bi为波段i的掩码。
5.根据权利要求1所述的分类方法,其特征在于,还包括:
将所述分类后遥感影像数据转换为影像格式,得到影像格式遥感影像;
根据测试样本对所述影像格式遥感影像进行分类精度的验证;所述测试样本为随机获取的多个所述双精度型遥感影像像元数据;
或者,根据遥感影像对应的地表真实覆盖数据对所述影像格式遥感影像进行分类精度的验证。
6.一种基于人工蜂群算法的遥感影像分类系统,其特征在于,包括:
数据获取模块,用于获取高光谱遥感影像数据;
参数组合生成模块,用于随机生成多个参数组合;其中参数组合的形式为SVM分类器中需要优化的惩罚参数和核参数以及高光谱影像的各个波段的波段掩码Bi,i=1,....,n,n为总波段数;当Bi=1时,表示第i个波段被选择,当Bi=0时,表示第i个波段不被选择;
适应度计算模块,用于计算各所述参数组合的适应度,所述适应度是蜂群算法在解空间中寻找最优参数组合的判断条件;
最优波段确定模块,用于根据所述最优参数组合中的波段掩码确定所述高光谱遥感影像数据中的最优波段,即波段掩码为1时对应的波段;
分类器优化模块,用于根据所述最优参数组合中的所述惩罚参数和所述核参数确定优化参数后SVM分类器;
分类模块,用于利用所述优化参数后SVM分类器对所述最优波段的高光谱遥感影像进行分类,得到分类后遥感影像数据。
7.根据权利要求6所述的分类系统,其特征在于,所述适应度计算模块具体包括:
初始化单元,用于初始化采蜜蜂种群,全局随机搜索蜜源,随机生成Ne个可行解;所述采蜜蜂种群由多个采蜜蜂组成;
适应度计算单元,用于计算所述采蜜蜂种群中所有的采蜜蜂对应的解的适应度大小;
贪婪选择单元,用于采蜜蜂在解空间内进行邻域搜索生成新解并计算新解的适应度大小,对每只采蜜蜂在邻域搜索生成的新解和原解进行贪婪选择,保留适应度更大的解;
跟随蜂选择单元,用于跟随蜂以设定的概率选择将要跟随的采蜜蜂,所述跟随蜂对应的解的适应度大小即为所述采蜜蜂对应的解适应度大小,设为跟随蜂原解;
跟随蜂新解获取单元,用于随蜂在解空间内进行蜜源搜索生成跟随蜂新解,计算所述跟随蜂新解的适应度大小,跟随蜂新解和跟随蜂原解中保留适应度更大的解;
解更新次数判断单元,用于判断所有蜜蜂对应的解未更新的次数是否超过第一设定值Limit;
搜索判断结果执行单元,用于若存在蜜蜂对应的解未更新的次数超过所述第一设定值Limit,则放弃这些蜜蜂对应的解,全局随机搜索蜜源,随机生成新的可行解;
最优值确定单元,用于此时完成一次迭代搜索,记录的适应度值中最大值和对应的参数组合作为迭代的最优适应度和对应的最优参数组合;
迭代搜索次数判断单元,用于判断所述采蜜蜂的搜索次数是否超过第二设定值maxCycle;
迭代判断执行单元,用于若所述采蜜蜂的搜索次数超过设定的第二设定值maxCycle,则跳转至采蜜蜂在解空间内进行邻域搜索生成新解并计算新解的适应度大小,对每只采蜜蜂在邻域搜索生成的新解和原解进行贪婪选择,保留适应度更大的解步骤。
8.根据权利要求7所述的分类系统,其特征在于,所述设定的概率的计算公式为:其中,P(Xi)为第i只采蜜蜂被选择的概率,fit(Xi)为第i只采蜜蜂的适应度大小。
9.根据权利要求6所述的分类系统,其特征在于,所述适应度计算公式具体为:其中,fitness为所述参数组合的适应度,ω为权重,取值范围为0.7到0.9,Acc为训练样本的精度,所述训练样本为任意选取的所述高光谱遥感影像上的随机点,nb为总波段数,Bi为波段i的掩码。
10.根据权利要求6所述的分类系统,其特征在于,还包括:
格式转换模块,用于将所述分类后遥感影像数据转换为影像格式,得到影像格式遥感影像;
样本验证模块,用于根据根据测试样本对所述影像格式遥感影像进行分类精度的验证;所述测试样本为随机获取的多个所述双精度型遥感影像像元数据数据;
数据验证模块,用于根据遥感影像对应的地表真实覆盖数据对所述影像格式遥感影像进行分类精度的验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810396733.XA CN108596118B (zh) | 2018-04-28 | 2018-04-28 | 一种基于人工蜂群算法的遥感影像分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810396733.XA CN108596118B (zh) | 2018-04-28 | 2018-04-28 | 一种基于人工蜂群算法的遥感影像分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596118A true CN108596118A (zh) | 2018-09-28 |
CN108596118B CN108596118B (zh) | 2021-04-23 |
Family
ID=63610993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810396733.XA Active CN108596118B (zh) | 2018-04-28 | 2018-04-28 | 一种基于人工蜂群算法的遥感影像分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596118B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705657A (zh) * | 2019-11-21 | 2020-01-17 | 北京交通大学 | 一种质子交换膜燃料电池系统的模式识别故障诊断方法 |
CN112380945A (zh) * | 2020-11-06 | 2021-02-19 | 中国电力科学研究院有限公司 | 一种输电通道环境隐患的识别方法和系统 |
CN114332492A (zh) * | 2021-12-15 | 2022-04-12 | 南京林业大学 | 一种基于长时间序列的植被特征提取及选择方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101101234A (zh) * | 2007-06-25 | 2008-01-09 | 北京航空航天大学 | 一种实现高光谱地物精细分类的独立成分分析全局搜索方法 |
CN103049757A (zh) * | 2012-11-16 | 2013-04-17 | 南京师范大学 | 一种基于蜂群智能的遥感影像分类方法 |
US20140072209A1 (en) * | 2012-09-13 | 2014-03-13 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
CN105447510A (zh) * | 2015-11-11 | 2016-03-30 | 上海大学 | 基于人工蜂群优化lssvm的脉动风速预测方法 |
CN105976048A (zh) * | 2016-04-28 | 2016-09-28 | 苏州泛能电力科技有限公司 | 一种基于改进人工蜂群算法的输电网扩展规划方法 |
CN106897703A (zh) * | 2017-02-27 | 2017-06-27 | 辽宁工程技术大学 | 基于aga‑pkf‑svm的遥感影像分类方法 |
CN107437098A (zh) * | 2017-07-31 | 2017-12-05 | 湖北工业大学 | 一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法 |
-
2018
- 2018-04-28 CN CN201810396733.XA patent/CN108596118B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101101234A (zh) * | 2007-06-25 | 2008-01-09 | 北京航空航天大学 | 一种实现高光谱地物精细分类的独立成分分析全局搜索方法 |
US20140072209A1 (en) * | 2012-09-13 | 2014-03-13 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
CN103049757A (zh) * | 2012-11-16 | 2013-04-17 | 南京师范大学 | 一种基于蜂群智能的遥感影像分类方法 |
CN105447510A (zh) * | 2015-11-11 | 2016-03-30 | 上海大学 | 基于人工蜂群优化lssvm的脉动风速预测方法 |
CN105976048A (zh) * | 2016-04-28 | 2016-09-28 | 苏州泛能电力科技有限公司 | 一种基于改进人工蜂群算法的输电网扩展规划方法 |
CN106897703A (zh) * | 2017-02-27 | 2017-06-27 | 辽宁工程技术大学 | 基于aga‑pkf‑svm的遥感影像分类方法 |
CN107437098A (zh) * | 2017-07-31 | 2017-12-05 | 湖北工业大学 | 一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法 |
Non-Patent Citations (2)
Title |
---|
任越美: "<一种基于多粒子群协同进化的高光谱图像波段选择与分类方法>", <计算机科学> * |
杜远丽: "<基于人工蜂群算法的支持向量机集成研究>", <中国优秀硕士学位论文全文数据库信息科技辑> * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705657A (zh) * | 2019-11-21 | 2020-01-17 | 北京交通大学 | 一种质子交换膜燃料电池系统的模式识别故障诊断方法 |
CN110705657B (zh) * | 2019-11-21 | 2022-08-30 | 北京交通大学 | 一种质子交换膜燃料电池系统的模式识别故障诊断方法 |
CN112380945A (zh) * | 2020-11-06 | 2021-02-19 | 中国电力科学研究院有限公司 | 一种输电通道环境隐患的识别方法和系统 |
CN114332492A (zh) * | 2021-12-15 | 2022-04-12 | 南京林业大学 | 一种基于长时间序列的植被特征提取及选择方法 |
CN114332492B (zh) * | 2021-12-15 | 2024-03-19 | 南京林业大学 | 一种基于长时间序列的植被特征提取及选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108596118B (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614985B (zh) | 一种基于密集连接特征金字塔网络的目标检测方法 | |
CN109670528B (zh) | 面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法 | |
CN110414377B (zh) | 一种基于尺度注意力网络的遥感图像场景分类方法 | |
Eigen et al. | Nonparametric image parsing using adaptive neighbor sets | |
CN103258214B (zh) | 基于图像块主动学习的遥感图像分类方法 | |
CN110032926A (zh) | 一种基于深度学习的视频分类方法以及设备 | |
CN104680173B (zh) | 一种遥感图像场景分类方法 | |
Costea et al. | Creating roadmaps in aerial images with generative adversarial networks and smoothing-based optimization | |
CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
CN106991382A (zh) | 一种遥感场景分类方法 | |
CN111353463A (zh) | 基于随机深度残差网络的高光谱图像分类方法 | |
Capobianco et al. | Target detection with semisupervised kernel orthogonal subspace projection | |
CN108596118A (zh) | 一种基于人工蜂群算法的遥感影像分类方法及系统 | |
CN109977994A (zh) | 一种基于多示例主动学习的代表性图像选取方法 | |
CN110443286A (zh) | 神经网络模型的训练方法、图像识别方法以及装置 | |
Zhang et al. | Unsupervised spatial-spectral cnn-based feature learning for hyperspectral image classification | |
CN108564111A (zh) | 一种基于邻域粗糙集特征选择的图像分类方法 | |
CN108932455B (zh) | 遥感图像场景识别方法及装置 | |
CN113159300A (zh) | 图像检测神经网络模型及其训练方法、图像检测方法 | |
CN110147725A (zh) | 一种基于正交指数局保投影的高光谱图像特征提取方法 | |
Yang et al. | Research into a feature selection method for hyperspectral imagery using PSO and SVM | |
Bai et al. | Crowd counting on images with scale variation and isolated clusters | |
CN112862871A (zh) | 图像融合方法及装置 | |
CN112949738A (zh) | 基于eecnn算法的多类不平衡高光谱图像分类方法 | |
CN114510594A (zh) | 一种基于自注意力机制的传统纹样子图检索方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |