CN109919202A - 分类模型训练方法及装置 - Google Patents

Abstract

本发明实施例涉及图像处理领域，提供一种分类模型训练方法及装置，所述分类模型训练方法包括：获取待训练数据集，并将待训练数据集划分为训练样本集及验证样本集；建立对地物进行分类的分类模型，分类模型包括模型参数；基于验证样本集，利用粒子群优化算法对分类模型包括的模型参数进行参数优化，得到优化后的分类模型；利用训练样本集对优化后的分类模型进行训练，以使得训练后的分类模型对遥感图像进行地物分类。与现有技术相比，本发明实施例利用粒子群优化算法迭代选取分类模型的最优模型参数，避免了分类模型训练过程中模型参数选择的盲目性，提高了遥感图像的分类精度。

Description

分类模型训练方法及装置

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种分类模型训练方法及装置。

背景技术

随着遥感图像分辨率的提高，遥感图像被广泛应用到资源调查、自然灾害观测、植被保护等方面，研究者可以从遥感图像中获得更多有用的数据和信息。

由于不同的应用领域对遥感图像有不同的处理要求，而研究者通常只关注遥感图像中的感兴趣区域，因此图像分类便成为了遥感图像处理过程中的一个重要环节，各种分类模型也被广泛应用到遥感图像分类中。但是，目前在对分类模型进行训练时，主要依靠经验设置模型参数，导致遥感图像分类精度不足。

发明内容

有鉴于此，本发明提供一种分类模型训练方法及装置，用以解决盲目选择模型参数导致遥感图像分类精度差的问题。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明提供了一种分类模型训练方法，该方法包括：

获取待训练数据集，并将待训练数据集划分为训练样本集及验证样本集；

建立对地物进行分类的分类模型，该分类模型包括模型参数；

基于验证样本集，利用粒子群优化算法对分类模型包括的模型参数进行参数优化，得到优化后的分类模型；

利用训练样本集对优化后的分类模型进行训练，以使得训练后的分类模型对遥感图像进行地物分类。

第二方面，本发明还提供了一种分类模型训练装置，该装置包括：

获取模块，用于获取待训练数据集，并将待训练数据集划分为训练样本集及验证样本集；

模型建立模块，用于建立对地物进行分类的分类模型，该分类模型包括模型参数；

参数优化模块，用于基于验证样本集，利用粒子群优化算法对分类模型包括的模型参数进行参数优化，得到优化后的分类模型；

训练模块，用于利用训练样本集对优化后的分类模型进行训练，以使得训练后的分类模型对遥感图像进行地物分类。

相对现有技术，本发明提供的一种分类模型训练方法及装置，首先，获取训练样本集和验证样本集，并建立对地物进行分类的分类模型，该分类模型包括模型参数；然后，基于验证样本集，利用粒子群优化算法对分类模型包括的模型参数进行参数优化得到优化后的分类模型；最后，利用训练样本集对优化后的分类模型进行训练，以使得训练后的分类模型对遥感图像进行地物分类。与现有技术相比，本发明利用粒子群优化算法迭代选取分类模型的最优模型参数，避免了分类模型训练过程中模型参数选择的盲目性，提高了遥感图像的分类精度。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了支持向量机分类示意图。

图2示出了本发明实施例提供的分类模型训练方法的一流程图。

图3示出了孪生支持向量机分类示意图。

图4为图3示出的步骤S103的子步骤流程图。

图5示出了本发明实施例提供的分类模型训练方法的又一流程图。

图6示出了本发明实施例提供的电子设备的方框示意图。

图7示出了本发明实施例提供的分类模型训练装置的方框示意图。

图标：100-电子设备；101-处理器；102-存储器；103-总线；104-通信接口；200-分类模型训练装置；201-获取模块；202-模型建立模块；203-参数优化模块；204-训练模块；205-地物分类模块。

具体实施方式

下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

遥感图像是通过遥感探测获得遥感信息资料的一种表现形式，其可以按一定比例尺客观真实地记录和反映地表物体的电磁辐射信息。遥感图像特征取决于遥感探测通道、地物光谱特征、大气传播特征及传感器的响应特征等因素，了解这些因素对遥感图像特征的影响,就可按遥感图像特征判断地面物体的属性及其分布范围,实现遥感图像的分类识别。

目前，通常使用支持向量机(Support Vector Machine，SVM)进行遥感图像分类，SVM基本思想如图1所示，图中圆形和方块分别代表不同类样本，H是最优分类超平面，H₁和H₂的之间距离称为分类间隔(Margin)。假设存在这样一个训练样本集(x_i,y_i)，i＝1,...,n，x_i∈R^d，y_i∈{-1,+1}，其中，n是训练样本个数，d是数据的维数，x_i是第i个输入数据，y_i是相对于x_i的类别标记。为了将两类正确地分隔开，且分类间隔最大，定义判别函数为：

f(x)＝w^Tx+b＝0 (1-1)

式(1-1)是d维空间中的一个分界面，称为超平面，其中w和b分别为超平面的权重向量和截距向量。为了让超平面能将两类样本正确地分开，应选取合适的w和b，使x_i满足下列条件：

y_i[w^Tx+b]≥1,i＝1,...,n (1-2)

样本点x_i到分界面(1-1)的距离为：

若对任意样本点x_i都有一个正数τ>0，且满足：

则称该样本线性可分，其中τ是判别函数(1-1)的余量，表示样本点到分界面的最小距离。对于同一组不同类样本，显然存在很多线性可分的分界面，其中能将两类样本正确分开，同时还满足分类间隔最大的分类面称作最优分类面。由式(1-4)可知，τ越大则||w||越小，要使分类能力最佳，||w||应达到最大。因此，将寻求最优分界面的问题转化成以下二次规划问题：

用拉格朗日法求解此最优化问题：

其中，α_i是拉格朗日乘子，将上述优化问题转化为以下对偶问题：

对偶问题(1-7)是一个二次规划问题且存在唯一解，最终得到最优分类函数为：

其中，l是支持向量的个数，x_i是支持向量，b是分类阈值。

当样本线性不可分时，引入一个松弛变量ξ_i(ξ_i≥0,i＝1,2,…,n)来容忍出错样本的存在，新的优化问题的二次规划问题如下：

式中，C为惩罚常数，通过调节C来完成训练误差和算法复杂度之间的折中，C的值越大，表示惩罚力度就越大。

用拉格朗日法求解此最优化问题：

式中，α_i和β_i是拉格朗日乘子。

根据KKT(Karush-Kuhn-Tucker，卡罗需-库恩-塔克条件)条件，可将L分别对ω，b，ξ_i求偏导可得：

解方程并将结果带入式(1-10)，将线性不可分情况下的最优超平面问题转化为如下形式：

最终所求的决策函数为：

当样本十分复杂，无法用线性判别函数来有效分开不同的样本，为了将复杂样本尽可能的准确分类，可以引入非线性函数来解决这个问题，先将复杂样本映射到高维空间中，此时样本近似线性可分。因此，SVM在解决小样本、高维模式识别、大规模数据集以及非线性问题上有很大的优势。

但是，由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算，其中m为样本的个数，当m数目很大时矩阵的存储和计算将耗费大量的计算机内存和运算时间，这在处理大批量图像数据时不具有可行性。

为了解决这一问题，本发明实施例引入孪生支持向量机(Twin Support VectorMachine，TWSVM)，相比于SVM，TWSVM是对每一类样本分别构造一个分类超平面，从而将时间复杂度减少了4倍，也让计算机处理较大的图像数据成为了可能。另外，在TWSVM基础上，本发明实施例利用最小二乘法把不等式约束条件转化成等式约束条件，进一步简化了运算的复杂度，提高了运算效率，同时利用粒子群优化算法迭代选取最优模型参数，避免参数选择的盲目性，提升了遥感图像分类的精度。下面进行详细介绍。

第一实施例

请参照图1，图1示出了本发明实施例一提供的分类模型训练方法流程图。分类模型训练方法可以应用于电子设备100，该分类模型训练方法包括以下步骤：

步骤S101，获取待训练数据集，并将待训练数据集划分为训练样本集及验证样本集。

在本发明实施例中，首先需要建立待训练数据集，针对待分类的遥感图像，结合需要分类的地物类型，从遥感图像中提取每种地物类型的纹理特征和光谱特征作为待训练数据集的样本，建立出待训练数据集。也就是说，待训练数据集包括多个样本，一个样本包括遥感图像中一个类型的地物的纹理特征和光谱特征。电子设备100可以与航拍卫星、人造卫星、飞机等终端设备通信连接，待分类的遥感图像可以是电子设备100接收的航拍卫星、人造卫星、飞机等终端设备实时传输的图像，也可以是电子设备100通过第三方或其它平台离线获取的图像。

作为一种实施方式，建立待训练数据集之后，从待训练数据集的全体样本中抽取一定数量的待训练数据作为训练样本集，剩下的待训练数据作为验证样本集，训练样本集可以大于验证样本集。

步骤S102，建立对地物进行分类的分类模型，分类模型包括模型参数。

在本发明实施例中，TWSVM采用两个非平行的分类超平面对不同的图像样本进行分类，TWSVM对每一类样本分别构造一个分类超平面，使二个分类超平面和其中一类样本点尽可能接近，且远离另一类样本点，对于未知的样本，距离哪个分类超平面接近，就被分为哪一类。如图3所示，其中两条直线分别代表两个分类超平面，圆形和方块可以分别代表属于类别1和类别-1的训练样本点。

在TWSVM基础上，利用最小二乘法把不等式约束条件转化成等式约束，即，引入最小二乘孪生支持向量机(Least Squares Twin Support Vector Machine，LSTSVM)来简化运算的复杂度。因此，本发明实施例基于最小二乘孪生支持向量机，建立对地物进行分类的分类模型：

其中，和分别表示m₁个A类训练样本和m₂个B类训练样本，n是样本维数，e₁和e₂是单位向量，K(·,·)是选取的核函数，C₁和C₂是惩罚系数，M^T＝[A^TB^T],w_k和b_k(k＝1,2)为超平面参数，y₁和y₂表示误差量。

分别将(2-1)式和(2-2)式中的约束条件加入目标函数可以求得：

其中，H＝[K(A,M^T)e₁]，Q＝[K(B,M^T)e₂]，由此，可得超平面方程：

K(x^T,M^T)w₁+b₁＝0 (2-5)

K(x^T,M^T)w₂+b₂＝0 (2-6)

上述两个超平面方程分别对应一类训练样本，判断一个新样本x∈Rⁿ为类i的决策函数如下：

另外，由于核函数K(·,·)对分类模型的性能有很大影响，而小波函数具有良好的时域局域特性和多尺度分解能力，如果把小波函数和分类模型结合起来，则可以获得更好的分类能力。因此，设置核函数K(·,·)为小波核函数，分类模型的模型参数包括惩罚因子C和核函数参数σ，其中，核函数参数σ影响训练样本的分布，决定局部领域的宽度，其值越大表示方差越小；惩罚因子C影响训练误差的大小和泛化能力的强弱。为了避免过拟合现象，分类模型的核函数参数σ和惩罚因子C采用粒子群优化算法确定，下面进行详细介绍。

步骤S103，基于验证样本集，利用粒子群优化算法对分类模型包括的模型参数进行参数优化，得到优化后的分类模型。

在本发明实施例中，粒子群优化算法的原理为：群体中的每一个个体都可以从邻近的个体中学习到以往经验，主要的学习过程为：对刺激的评价、和邻近个体的比较及对于领先邻近个体的模仿。根据对环境的适应度，粒子群优化算法对每个优化问题的潜在解称为粒子，在一个d维空间中，假设粒子i当前的飞行位置和飞行速度分别为：x_i＝(x_i1,x_i2…x_id)和v_i＝(v_i1,v_i2…v_id)，粒子经历的最优位置为：p_i＝(p_i1,p_i2…p_id)，称作个体最优位置；所有粒子经历的最优位置为：g_i＝(g_i1,g_i2…g_id)，称作全局最优位置。在每次的迭代更新中，粒子群优化算法的进化方程为：

v_id(t+1)＝wv_id(t)+c₁r₁(pb_id(t)-x_id(t))+c₂r₂(gb_id(t)-x_id(t)) (2-8)

x_id(t+1)＝x_id(t)+v_id(t+1) (2-9)

其中，t表示当前进化迭代次数，w表示惯性权重，c₁和c₂是加速因子，r₁和r₂是随机数(r₁∈[0,1],r₂∈[0,1])，x_id(t)为粒子i的当前位置，v_id(t)为粒子i的当前速度，pb_id(t)为粒子i的个体最优位置，gb_id(t)为当前所有粒子的全局最优位置。

基于验证样本集，利用粒子群优化算法确定分类模型的核函数参数σ和惩罚系数C₁、C₂得到优化后的分类模型，请参照图4，具体的优化过程可以包括子步骤S1031～S1036，下面进行详细描述：

子步骤S1031，对粒子群优化算法进行参数初始化，随机设置每个粒子的第一位置和第一速度。

在本发明实施例中，初始化粒子群优化算法参数的过程可以包括：设置种群规模M，即，设置包含M个粒子的种群；设置惯性权重w、加速因子c₁和c₂；同时随机设置种群M中每个粒子的第一位置和第一速度。

子步骤S1032，基于验证样本集，依据每个粒子的第一位置和第一速度计算每个粒子的适应度值。

在本发明实施例中，可以基于验证样本集，计算每个粒子的适应度值，下面以粒子i为例，介绍计算粒子i的适应度值的具体计算过程，其可以包括：

首先，将粒子i的第一位置中第一参数、第二参数和第三参数的值分别作为惩罚系数和核函数参数代入分类模型。由于分类模型的模型参数包括惩罚系数C₁、C₂和核函数参数σ，即，分类模型的模型参数是一个3维向量，因此，粒子i的位置和速度均是三维向量，粒子i的第一速度可以用v_i(t)＝(v_i1,v_i2,v_i3)表示，粒子i的第一位置可以用x_i(t)＝(x_i1,x_i2,x_i3)表示，x_i1、x_i2、x_i3分别表示第一参数、第二参数和第三参数；将x_i1、x_i2、x_i3的值分别作为惩罚系数C₁、C₂和核函数参数σ的值代入预先建立好的分类模型，即，将惩罚系数C₁、C₂和核函数参数σ的值分别代入式(2-1)、(2-2)。

然后，利用验证样本集对上一步得到的分类模型进行训练，得到分类模型的最优超平面参数，由于上一步将惩罚系数C₁、C₂和核函数参数σ的值代入了分类模型之后，故利用验证样本集对分类模型进行训练，就能确定出分类模型中最优超平面参数w_k和b_k(k＝1,2)。

接下来，将最优超平面参数w_k和b_k(k＝1,2)代入用于评价分类模型的决策函数，得到验证样本集的监测值，也就是，将上一步得到的最优超平面参数w_k和b_k(k＝1,2)代入式(2-7)，就能预测出验证样本集的监测值，即，将粒子i的第一位置中第一参数、第二参数和第三参数的值分别作为惩罚系数C₁、C₂和核函数参数σ的值进行预测时得到的验证样本集中每个样本属于类别1和类别-1的预测值；

最后，将验证样本集的监测值和预设的样本真实值代入预设的模型适应度函数，计算出粒子的适应度值，预设的样本真实值指的是验证样本集中每个样本属于类别1和类别-1的真实值，该预设的样本真实值是通过人工标记确定的。也就是说，将上一步得到的验证样本集中每个样本属于某个类的预测值和预先标记的验证样本集中每个样本属于某个类的样本真实值代入模型适应度函数，就能得到粒子i的适应度值，模型适应度函数可以用以下公式表示：

其中，y_i为验证样本集中预设的样本真实值，验证样本集中的每个样本对应的y_i均为+1或者-1；为通过第三步计算得到的验证样本集的监测值，式(2-10)中i表示验证样本集中的一个样本，n表示验证样本集的样本数。

子步骤S1033，按照每个粒子的适应度值，确定出每个粒子的个体最优位置和所有粒子的全局最优位置。

在本发明实施例中，重复子步骤S1032介绍的方法计算出每个粒子的适应度值之后，需要依据每个粒子的适应度值，找出在当次迭代中每个粒子的个体最优位置和所有粒子的全局最优位置，具体过程可以包括：

首先，依据粒子i的适应度值与粒子i的历史最优适应度值确定出粒子i的个体最优适应度值，并将个体最优适应度值对应的位置作为粒子i的个体最优位置。

具体来说，将子步骤S1032计算得到的粒子i的当次适应度值与粒子i的历史最优适应度值进行比较，如果粒子i的当次适应度值优于粒子i的历史最优适应度值，则将粒子i的当次适应度值作为当次迭代中粒子i的个体最优适应度值；如果粒子i的历史最优适应度值优于粒子i的当次适应度值，则将粒子i的历史最优适应度值作为当次迭代中粒子i的个体最优适应度值。

粒子i的历史最优适应度值是指发生在当次迭代之前的所有迭代过程中最小的适应度值，例如，每次迭代都会计算出粒子i的一个适应度值，假设当次迭代为t＝3，则粒子i的历史最优适应度值是指t＝1和t＝2次迭代中适应度值最小的一个。

需要指出的是，如果当次迭代为t＝1次迭代，则粒子i的个体最优适应度值为粒子i在t＝1迭代中依据子步骤S1032介绍的方法计算出的适应度值。

进一步地，确定出粒子i的个体最优适应度值之后，将粒子i的个体最优适应度值对应的位置作为在当次迭代中粒子i的个体最优位置，例如，假设当次迭代为t＝3，确定出的粒子i的个体最优适应度值为t＝2迭代中计算出的适应度值，则将x_i(t＝2)作为在当次迭代中粒子i的个体最优位置。

然后，依据每个粒子的个体最优适应度值与所有粒子的历史最优适应度值确定出所有粒子的种群最优适应度值，并将种群最优适应度值对应的位置作为所有粒子的全局最优位置。

具体来说，通过上一步介绍的方法确定出当次迭代中每个粒子的个体最优适应度值之后，将每个粒子的个体最优适应度值均与所有粒子的历史最优适应度值进行比较，找出每个粒子的个体最优适应度值和所有粒子的历史最优适应度值中最小的适应度值，并将该最小的适应度值作为所有粒子的种群最优适应度值。

所有粒子的历史最优适应度值是指发生在当次迭代之前的所有迭代过程中所有粒子中最小的适应度值，例如，假设当次迭代为t＝3，则所有粒子的历史最优适应度值是指t＝1和t＝2次迭代中所有粒子的适应度值中最小的一个。

需要指出的是，如果当次迭代为t＝1次迭代，则所有粒子的种群最优适应度值为所有粒子在t＝1迭代中依据子步骤S1032介绍的方法计算出的适应度值中最小的一个。

进一步地，确定出所有粒子的种群最优适应度值之后，将所有粒子的种群最优适应度值对应的位置作为在当次迭代中所有粒子的全局最优位置，例如，假设当次迭代为t＝3，确定出的粒所有粒子的种群最优适应度值为t＝2迭代中粒子i的适应度值，则将x_i(t＝2)作为在当次迭代中所有粒子的全局最优位置。

子步骤S1034，依据每个粒子的个体最优位置、所有粒子的全局最优位置、每个粒子的第一位置和第一速度，按照粒子群优化算法中的进化方程计算出每个粒子的第二位置及第二速度。

在本发明实施例中，按照子步骤S1033介绍的方法确定出当次迭代中粒子i的个体最优位置和所有粒子的全局最优位置之后，则将当次迭代中粒子i的个体最优位置、所有粒子的全局最优位置、以及粒子i的第一位置和第一速度代入粒子群优化算法中的进化方程，即可计算出粒子i的第二位置及第二速度，进化方程如下：

v_id(t+1)＝wv_id(t)+c₁r₁(pb_id(t)-x_id(t))+c₂r₂(gb_id(t)-x_id(t)) (2-8)

x_id(t+1)＝x_id(t)+v_id(t+1) (2-9)

其中，t表示当次进化迭代次数，w表示惯性权重，c₁和c₂是加速因子，r₁和r₂是随机数(r₁∈[0,1],r₂∈[0,1])，x_id(t)为粒子i的第一位置，v_id(t)为粒子i的第一速度，pb_id(t)为粒子i的个体最优位置，gb_id(t)为全局最优位置。

子步骤S1035，利用每个粒子的第二位置及第二速度分别替代每个粒子的第一位置和第一速度并执行计算每个粒子的适应度值的步骤，直至满足迭代条件，得到所有粒子最终的全局最优位置；

子步骤S1036，将全局最优位置中第一参数、第二参数和第三参数的值分别作为惩罚系数和核函数的值代入分类模型，得到优化后的分类模型。

在本发明实施例中，利用子步骤S1034中的方法计算出每个粒子的第二位置及第二速度之后，利用每个粒子的第二位置及第二速度分别替代每个粒子的第一位置和第一速度并重复执行子步骤S1032～S1034中介绍的方法，直至满足迭代条件时得到所有粒子最终的全局最优位置。

全局最优位置同样包括第一参数、第二参数和第三参数，将全局最优位置中第一参数、第二参数和第三参数的值分别作为选定的惩罚系数C₁、C₂和核函数参数σ的值，将选定的惩罚系数C₁、C₂和核函数参数σ的值代入分类模型即式(2-1)、(2-2)中，从而完成分类模型的模型参数的参数优化，得到优化后的分类模型。

作为一种实施方式，迭代条件可以是迭代次数达到预设最大次数、或者全局最优位置中第一参数、第二参数和第三参数的值分别作为选定的惩罚系数C₁、C₂和核函数参数σ的值能够满足预设精度，迭代条件可以由用户根据实际情况灵活调整，在此不做限定。

步骤S104，利用训练样本集对优化后的分类模型进行训练，以使得训练后的分类模型对遥感图像进行地物分类。

在本发明实施例中，利用粒子群优化算法对分类模型的模型参数进行迭代寻优，得到优化后的分类模型之后，利用训练样本集对优化后的分类模型进行训练，以使得训练后的分类模型对遥感图像进行地物分类。

完成分类模型的训练之后，可以利用该训练后的分类模型对遥感图像进行地物分类，请参照图5，该分类模型训练方法还可以包括以下步骤：

步骤S201，获取包含待分类地物的遥感图像。

在本发明实施例中，遥感图像可以是记录各种地物电磁波信息的胶片或照片，电子设备100获取的遥感图像可以是直接接收卫星获取的遥感图像，也可以是通过卫星获取且存储在服务端的遥感数据，还可以是通过航空拍摄获得的遥感图像。其中，电子设备100获取包含待分类地物的遥感图像的方式可以是通过远程通信的方式直接获取，例如，通过2G/3G/4G/5G网络、无线保真(Wireless Fidelity，WIFI)网络等；也可以通过U盘、移动硬盘等方式间接获取，对于电子设备100获取待分类地物的遥感数据的方式，本发明实施例不做限定。待分类地物可以包括，但不限于植被、水体、居民区、商业区、道路、停车场等。

步骤S202，提取遥感图像中的纹理特征及光谱特征，得到特征数据。

在本发明实施例中，纹理特征是遥感图像的重要特征，是遥感图像的灰度统计信息、空间分布信息和结构信息的综合反映。纹理特征的细致和粗糙程度与空间频率有关，因此可以通过度量空间频率来描述纹理特征。通常采用统计方法或频域分析方法如灰度共生矩阵法和小波变换法等来提取纹理特征。

作为一种实施方式，下面对采用灰度共生矩阵法来提取遥感图像纹理特征的过程进行简单描述，以研究沿一定方向(0°,45°,90°,135°)相隔一定距离的像元之间相关关系为目的，从灰度共生矩阵上能计算出14个二阶统计函数，其中有5个特征用于描述纹理特征有很好的效果，分别是：熵(Entropy)，能量(energy)，相关性(Correlation)，对比度(Contrast)和逆差距(Inverse Different Moment)。

基于以上原理，提取遥感图像中纹理特征的过程可以包括：读取遥感图像，将遥感图像中的各个颜色分量转换为灰度矩阵；对遥感图像进行灰度级压缩，将灰度矩阵进行均匀量化；对灰度矩阵进行遍历，计算4个灰度共生矩阵，取该4个灰度共生矩阵距离为1，角度分别为0°,45°,90°,135°；对算4个灰度共生矩阵进行归一化处理；计算归一化后的灰度共生矩阵的能量、熵、逆差距、相关性4个纹理参数；计算4个纹理参数的均值和标准差形成矩阵T，矩阵T即为最终的纹理特征。

进一步地，遥感图像通常包含多个波段，例如，Landsat-8遥感卫星图像有11个波段信息，不同波段的遥感数据可以反映出不同的地物特征。光谱特征是根据地物类型对于不同波段反射率的差异性而确定的反射率特征，例如，植被和人工建筑物对红波段的反射率高，裸土、道路、水体等地物对短红外波段的反射率高，水体对蓝波段的反射率高。因此，可以将这些不同波段的反射率作为遥感图像分类的另一个重要特征，在不同的分类场景下，通过选取需要的光谱特征作为分类模型的输入特征可以有效进行地物分类。

进一步地，提取到遥感图像的纹理特征和光谱特征之后，将纹理特征和光谱特征进行综合得到特征数据，以用于后续的地物分类。由于遥感图像分类主要依据地物的光谱特征和纹理特征，因此，综合光谱特征和纹理特征可以实现复杂场景下的遥感图像分类，从而提高分类精度。

步骤S203，将特征数据输入训练后的分类模型，得到待分类地物的分类结果。

在本发明实施例中，提取出遥感图像的特征数据之后，将特征数据输入训练后的分类模型，得到待分类地物的分类结果，由于本发明实施例提供的分类模型是一个二分类模型，因此需要对特征数据进行多次分类得到特征数据属于每个地物类别的值，将其中最大值对应的地物类别作为特征数据的类别。

例如，假设有A、B、C、D共4个地物类别，则将特征数据多次输入分类模型得到特征数据属于类别A、类别B、类别C和类别D的值，若4个值中类别B对应的值最大，则确定特征数据对应的待分类地物的类别属于类别B。

与现有技术相比，本发明实施例提供的分类模型训练方法具有以下有益效果：

首先，将最小二乘孪生支持向量机用在遥感图像的分类处理上，不仅提高了分类精度，还解决了传统支持向量机存在的无法处理大规模数据以及处理效率较低的缺点；

其次，利用粒子群优化算法优化分类模型包括的模型参数，避免了模型参数选择的盲目性，提高了分类模型的分类精度；

最后，综合遥感图像的纹理特征和光谱特征得到特征数据进行图像分类，避免了单一特征在某些分类场景下的局限性，让分类模型的适用场景更加丰富。

第二实施例

请参照图6，图6示出了本发明实施例提供的电子设备100的方框示意图。电子设备100可以是，但不限于服务器、个人计算机，例如，笔记本电脑、台式机等。电子设备100包括处理器101、存储器102、总线103和通信接口104，所述处理器101、存储器102和通信接口104通过总线103连接；处理器101用于执行存储器102中存储的可执行模块，例如计算机程序。

其中，存储器102可能包括高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口104(可以是有线或者无线)实现该电子设备100与至少一个其它网元之间的通信连接。

总线103可以是ISA总线、PCI总线或EISA总线等。图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器102用于存储程序，例如图7所示的分类模型训练装置200。分类模型训练装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器102中或固化在所述电子设备100的操作系统(operating system，OS)中的软件功能模块。所述处理器101在接收到执行指令后，执行所述程序以实现发明第一实施例揭示的分类模型训练方法。

处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器101执行时实现上述第一实施例揭示的分类模型训练方法。

第三实施例

请参照图7，图7示出了本发明实施例提供的分类模型训练装置200的方框示意图。分类模型训练装置200包括获取模块201、模型建立模块202、参数优化模块203、训练模块204及地物分类模块205。

获取模块201，用于获取待训练数据集，并将待训练数据集划分为训练样本集及验证样本集。

模型建立模块202，用于建立对地物进行分类的分类模型，分类模型包括模型参数。

在本发明实施例中，模型参数包括惩罚系数和核函数参数，模型建立模块202具体用于：基于最小二乘孪生支持向量机，建立对地物进行分类的分类模型 其中，和分别表示m₁个A类训练样本和m₂个B类训练样本，n是样本维数，e₁和e₂是单位向量，K(·,·)是选取的核函数，C₁和C₂是惩罚系数，M^T＝[A^TB^T],w_k和b_k(k＝1,2)为超平面参数，y₁和y₂表示误差量。

参数优化模块203，用于基于验证样本集，利用粒子群优化算法对分类模型包括的模型参数进行参数优化，得到优化后的分类模型。

在本发明实施例中，参数优化模块203执行基于验证样本集，利用粒子群优化算法对分类模型进行参数优化，得到优化后的分类模型的方式，包括：对粒子群优化算法进行参数初始化，随机设置每个粒子的第一位置和第一速度；

基于验证样本集，依据每个粒子的第一位置和第一速度计算每个粒子的适应度值；

按照每个粒子的适应度值，确定出每个粒子的个体最优位置和所有粒子的全局最优位置；

依据每个粒子的个体最优位置、所有粒子的全局最优位置、每个粒子的第一位置和第一速度，按照粒子群优化算法中的进化方程计算出每个粒子的第二位置及第二速度；

利用每个粒子的第二位置及第二速度分别替代每个粒子的第一位置和第一速度并执行计算每个粒子的适应度值的步骤，直至满足迭代条件，得到所有粒子最终的全局最优位置；

将全局最优位置中第一参数、第二参数和第三参数的值分别作为惩罚系数和核函数参数的值代入所述分类模型，得到优化后的分类模型。

进一步地，参数优化模块203执行基于验证样本集，依据每个粒子的第一位置和第一速度计算每个粒子的适应度值的方式，包括：

将粒子的第一位置中第一参数、第二参数和第三参数的值分别作为惩罚系数和核函数参数的值代入分类模型；

利用验证样本集对分类模型进行训练，得到分类模型的最优超平面参数；

将最优超平面参数代入用于评价分类模型的决策函数，得到验证样本集的监测值；

将验证样本集的监测值和预设的样本真实值代入预设的模型适应度函数，计算出粒子的适应度值。

进一步地，参数优化模块203执行按照每个粒子的适应度值，确定出每个粒子的个体最优位置和所有粒子的全局最优位置的方式，包括：

依据粒子的适应度值与粒子的历史最优适应度值确定出粒子的个体最优适应度值，并将个体最优适应度值对应的位置作为粒子的个体最优位置；

依据每个粒子的个体最优适应度值与所有粒子的历史最优适应度值确定出所有粒子的种群最优适应度值，并将种群最优适应度值对应的位置作为所有粒子的全局最优位置。

进一步地，参数优化模块203执行依据每个粒子的个体最优位置、所有粒子的全局最优位置、每个粒子的第一位置和第一速度，按照粒子群优化算法中的进化方程计算出每个粒子的第二位置及第二速度的方式，包括：

将每个粒子的个体最优位置、所有粒子的全局最优位置、每个粒子的第一位置和第一速度均代入粒子群优化算法中的进化方程v_id(t+1)＝wv_id(t)+c₁r₁(pb_id(t)-x_id(t))+c₂r₂(gb_id(t)-x_id(t))、x_id(t+1)＝x_id(t)+v_id(t+1)，计算出每个粒子的第二位置及第二速度；

其中，t表示当次进化迭代次数，w表示惯性权重，c₁和c₂是加速因子，r₁和r₂是随机数(r₁∈[0,1],r₂∈[0,1])，x_id(t)为粒子i的第一位置，v_id(t)为粒子i的第一速度，pb_id(t)为粒子i的个体最优位置，gb_id(t)为全局最优位置。

训练模块204，用于利用训练样本集对优化后的分类模型进行训练，以使得训练后的分类模型对遥感图像进行地物分类。

地物分类模块205，用于获取包含待分类地物的遥感图像；

提取遥感图像中的纹理特征及光谱特征，得到特征数据；

将特征数据输入训练后的分类模型，得到待分类地物的分类结果。

综上所述，本发明实施例提供的一种分类模型训练方法及装置，所述分类模型训练方法包括：获取待训练数据集，并将待训练数据集划分为训练样本集及验证样本集；建立对地物进行分类的分类模型，分类模型包括模型参数；基于验证样本集，利用粒子群优化算法对分类模型包括的模型参数进行参数优化，得到优化后的分类模型；利用训练样本集对优化后的分类模型进行训练，以使得训练后的分类模型对遥感图像进行地物分类。与现有技术相比，本发明实施例利用粒子群优化算法迭代选取分类模型的最优模型参数，避免了分类模型训练过程中模型参数选择的盲目性，提高了遥感图像的分类精度。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

Claims (10)

1.一种分类模型训练方法，其特征在于，所述方法包括：

获取待训练数据集，并将所述待训练数据集划分为训练样本集及验证样本集；

建立对地物进行分类的分类模型，所述分类模型包括模型参数；

基于所述验证样本集，利用粒子群优化算法对所述分类模型包括的模型参数进行参数优化，得到优化后的分类模型；

利用所述训练样本集对优化后的分类模型进行训练，以使得训练后的分类模型对遥感图像进行地物分类。

2.如权利要求1所述的方法，其特征在于，所述模型参数包括惩罚系数和核函数参数，所述建立对地物进行分类的分类模型的步骤，包括：

基于最小二乘孪生支持向量机，建立对地物进行分类的分类模型

其中，和分别表示m₁个A类训练样本和m₂个B类训练样本，n是样本维数，e₁和e₂是单位向量，K(·,·)是选取的核函数，C₁和C₂是惩罚系数，M^T＝[A^TB^T],w_k和b_k(k＝1,2)为超平面参数，y₁和y₂表示误差量。

3.如权利要求2所述的方法，其特征在于，所述基于所述验证样本集，利用粒子群优化算法对所述分类模型包括的模型参数进行参数优化，得到优化后的分类模型的步骤，包括：

对粒子群优化算法进行参数初始化，随机设置每个粒子的第一位置和第一速度；

基于所述验证样本集，依据每个粒子的第一位置和第一速度计算每个粒子的适应度值；

按照每个粒子的适应度值，确定出每个粒子的个体最优位置和所有粒子的全局最优位置；

依据每个粒子的个体最优位置、所有粒子的全局最优位置、每个粒子的第一位置和第一速度，按照粒子群优化算法中的进化方程计算出每个粒子的第二位置及第二速度；

利用每个粒子的第二位置及第二速度分别替代每个粒子的第一位置和第一速度，并执行计算每个粒子的适应度值的步骤，直至满足迭代条件，得到所有粒子最终的全局最优位置；

将所述全局最优位置中第一参数、第二参数和第三参数的值分别作为惩罚系数和核函数参数的值代入所述分类模型，得到优化后的分类模型。

4.如权利要求3所述的方法，其特征在于，所述基于所述验证样本集，依据每个粒子的第一位置和第一速度计算每个粒子的适应度值的步骤，包括：

将所述粒子的第一位置中第一参数、第二参数和第三参数的值分别作为惩罚系数和核函数参数的值代入所述分类模型；

利用所述验证样本集对所述分类模型进行训练，得到所述分类模型的最优超平面参数；

将所述最优超平面参数代入用于评价所述分类模型的决策函数，得到所述验证样本集的监测值；

将所述验证样本集的监测值和预设的样本真实值代入预设的模型适应度函数，计算出所述粒子的适应度值。

5.如权利要求3所述的方法，其特征在于，所述按照每个粒子的适应度值，确定出每个粒子的个体最优位置和所有粒子的全局最优位置的步骤，包括：

依据所述粒子的适应度值与所述粒子的历史最优适应度值确定出所述粒子的个体最优适应度值，并将所述个体最优适应度值对应的位置作为所述粒子的个体最优位置；

依据每个粒子的个体最优适应度值与所有粒子的历史最优适应度值确定出所有粒子的种群最优适应度值，并将所述种群最优适应度值对应的位置作为所有粒子的全局最优位置。

6.如权利要求3所述的方法，其特征在于，所述依据每个粒子的个体最优位置、所有粒子的全局最优位置、每个粒子的第一位置和第一速度，按照粒子群优化算法中的进化方程计算出每个粒子的第二位置及第二速度的步骤，包括：

将每个粒子的个体最优位置、所有粒子的全局最优位置、每个粒子的第一位置和第一速度均代入粒子群优化算法中的进化方程v_id(t+1)＝wv_id(t)+c₁r₁(pb_id(t)-x_id(t))+c₂r₂(gb_id(t)-x_id(t))、x_id(t+1)＝x_id(t)+v_id(t+1)，计算出每个粒子的第二位置及第二速度；

其中，t表示当次进化迭代次数，w表示惯性权重，c₁和c₂是加速因子，r₁和r₂是随机数(r₁∈[0,1],r₂∈[0,1])，x_id(t)为粒子i的第一位置，v_id(t)为粒子i的第一速度，pb_id(t)为粒子i的个体最优位置，gb_id(t)为全局最优位置。

7.如权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：

获取包含待分类地物的遥感图像；

提取所述遥感图像中的纹理特征及光谱特征，得到特征数据；

将所述特征数据输入所述训练后的分类模型，得到所述待分类地物的分类结果。

8.一种分类模型训练装置，其特征在于，所述装置包括：

获取模块，用于获取待训练数据集，并将所述待训练数据集划分为训练样本集及验证样本集；

模型建立模块，用于建立对地物进行分类的分类模型，所述分类模型包括模型参数；

参数优化模块，用于基于所述验证样本集，利用粒子群优化算法对所述分类模型包括的模型参数进行参数优化，得到优化后的分类模型；

训练模块，用于利用所述训练样本集对优化后的分类模型进行训练，以使得训练后的分类模型对遥感图像进行地物分类。

9.如权利要求8所述的装置，其特征在于，所述模型参数包括惩罚系数和核函数参数，所述模型建立模块具体用于：

基于最小二乘孪生支持向量机，建立对地物进行分类的分类模型

其中，和分别表示m₁个A类训练样本和m₂个B类训练样本，n是样本维数，e₁和e₂是单位向量，K(·,·)是选取的核函数，C₁和C₂是惩罚系数，M^T＝[A^TB^T],w_k和b_k(k＝1,2)为超平面参数，y₁和y₂表示误差量。

10.如权利要求8或9所述的装置，其特征在于，所述装置还包括：

地物分类模块，用于获取包含待分类地物的遥感图像；

提取所述遥感图像中的纹理特征及光谱特征，得到特征数据；

将所述特征数据输入所述训练后的分类模型，得到所述待分类地物的分类结果。