CN111178180B - 基于改进型蚁群算法的高光谱影像特征选择方法及装置 - Google Patents

基于改进型蚁群算法的高光谱影像特征选择方法及装置 Download PDF

Info

Publication number
CN111178180B
CN111178180B CN201911295185.2A CN201911295185A CN111178180B CN 111178180 B CN111178180 B CN 111178180B CN 201911295185 A CN201911295185 A CN 201911295185A CN 111178180 B CN111178180 B CN 111178180B
Authority
CN
China
Prior art keywords
feature
candidate
heuristic function
features
subset
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.)
Active
Application number
CN201911295185.2A
Other languages
English (en)
Other versions
CN111178180A (zh
Inventor
丁小辉
杨骥
李勇
李华朋
刘凌佳
吴鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute of Geography of GDAS
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Original Assignee
Guangzhou Institute of Geography of GDAS
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Institute of Geography of GDAS, Southern Marine Science and Engineering Guangdong Laboratory Guangzhou filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN201911295185.2A priority Critical patent/CN111178180B/zh
Publication of CN111178180A publication Critical patent/CN111178180A/zh
Application granted granted Critical
Publication of CN111178180B publication Critical patent/CN111178180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于改进型蚁群算法的高光谱影像特征选择方法及装置，利用蚁群算法对高光谱影像的特征集进行特征选择，通过获取当前蚂蚁已选择的特征子集和候选特征，计算已选择的特征子集与候选特征之间的平均皮尔森相关系数，得到已选择的特征子集与候选特征之间的相关程度，根据所述平均皮尔森相关系数重新获取候选特征的启发函数值，根据启发函数值计算蚂蚁选择所述候选特征的概率并利用自适应的信息素更新策略及时更新路径上的信息素浓度。相比较现有技术，本发明能够有效提高高光谱影像特征选择准确性和效率。

Description

基于改进型蚁群算法的高光谱影像特征选择方法及装置
技术领域
本发明涉及地理信息技术领域，尤其是涉及一种基于改进型蚁群算法的高光谱影像特征选择方法及装置。
背景技术
高维数据可以为一些分析应用带来前所未有的发展机遇。比如，高光谱遥感影像具有成百上千个波段，如此丰富的地物信息给遥感定量分析带来了巨大潜力。但同时由于数据量大、数据冗余等问题，对高维数据的存储、管理与分析等提出了巨大挑战。因此对高维数据进行降维以剔除冗余信息是对数据进行进一步处理分析的必要前提。
一般地，数据降维方法一般可以分为特征提取和特征选择两大类。以主成分分析(PCA)、独立主成分(ICA)、最大噪声变换(MNF)及小波变换等为代表的特征提取方法已经被广泛地应用于数据降维领域，但这些方法都是基于复杂的几何与仿射变换来降低特征维度，失去了特征原有的物理信息，不利于进行后续的信息检索等分析处理。而特征选择方法可以有效地保留数据原有的物理信息，但特征选择方法是一个典型的非确定性多项式问题，因此需要研究构建一个高效的搜索算法以求解最优特征组合。近年来，许多受自然启发的元启发式搜索算法(如遗传算法、克隆选择算法、粒子群算法、蚁群算法、重力搜索算法以及遗传算法与粒子群混合算法等)已被广泛地运用于特征选择。
其中，蚁群算法以其良好的鲁棒性、正反馈性、并行性以及自记忆性已经被广泛地应用在特征选择领域(如图像处理、模式识别以及生物医药等)。但基于改进型蚁群算法的高光谱影像特征选择算法容易陷入局部最优以及收敛速度慢等问题。
发明内容
本申请实施例提供了一种基于改进型蚁群算法的高光谱影像特征选择方法及装置，能够有效提高高光谱影像特征选择准确性和效率。所述技术方案如下：
第一方面，本申请实施例提供了一种基于改进型蚁群算法的高光谱影像特征选择方法，包括以下步骤：
步骤S1：获取高光谱影像的特征集和所述特征集对应的特征选择结果；
步骤S2：根据所述特征集和所述特征选择结果，利用蚁群算法对所述特征集进行特征选择；
步骤S3：对于位于特征空间的某一位置的蚂蚁，获取当前蚂蚁已选择的特征子集和待选择的若干候选特征；
步骤S4：获取所述已选择的特征子集与每个候选特征之间的平均皮尔森相关系数，根据所述平均皮尔森相关系数重新获取每个候选特征的启发函数值；
步骤S5：基于伪随机策略，根据所述启发函数值计算蚂蚁选择所述候选特征的概率，确定蚂蚁选择的下一特征；
步骤S6：当蚁群选择特征数量达到设定值，利用自适应的信息素更新策略更新路径上的信息素浓度；
步骤S7：判断是否满足预设的停机条件，若是，则输出特征选择结果，否则，重复执行步骤S4-步骤S6。
可选的，所述基于伪随机策略，根据所述启发函数值计算蚂蚁选择所述候选特征的概率的步骤包括：
利用随机函数生成随机值q；
若该随机值q小于设定阈值q0,，获取当前特征与候选特征子集的启发函数值和信息素浓度中的最大值，得到候选特征被选择的概率；若该随机值q大于或等于设定阈值q0,，基于轮盘赌方法，利用当前特征与候选特征的启发函数值和信息素浓度获取候选特征被选择的概率；
所述伪随机策略的公式如下：
其中，S为蚂蚁选择下一个候选特征的概率，τij为特征i和j之间的信息素浓度，ηij为特征i和j之间的启发函数，Γk为蚂蚁k已选择的特征子集，t为当前迭代次数，T为总的迭代次数，α，β分别为信息启发系数和期望启发系数。
可选的，根据所述平均皮尔森相关系数重新获取候选特征的启发函数值的步骤具体包括：
根据所述特征子集和特征子集对应的特征选择结果获取已选择的特征子集的各特征的启发函数值；其中，所述启发函数为总体分类精度；
根据所述已选择的特征子集的各特征的启发函数值和候选特征的启发函数值，得到特征子集和候选特征的启发函数值；
按照以下公式，重新获取候选特征的启发函数：
其中，j为候选特征，Vk是被蚂蚁k选择的特征子集，r(s,j)是第s个特征与第j个特征之间的平均皮尔森相关系数；Oij是特征子集中的第i个特征与第j个特征的启发函数值。
可选的，所述利用自适应的信息素更新策略更新路径上的信息素浓度的步骤具体包括：
按照以下公式，更新路径上的信息素浓度：
其中，O为目标函数值，即总体分类精度，ρ为信息素挥发系数，Q为常数，表示第k只蚂蚁在特征i和j之间新增的信息素浓度，t为当前迭代次数，τij(t)为t次迭代时特征i和j之间的信息素浓度，τij(t+1)为t+1次迭代时特征i和j之间的信息素浓度。
可选的，所述判断是否满足预设的停机条件步骤中，所述停机条件为达到最大迭代次数或目标函数值优化幅度小于某一阈值。
第二方面，本申请实施例提供了一种基于改进型蚁群算法的高光谱影像特征选择装置，包括：
特征获取模块，用于获取高光谱影像的特征集和所述特征集对应的特征选择结果；
蚁群算法运行模块，用于根据所述特征集和所述特征选择结果，利用蚁群算法对所述特征集进行特征选择；
特征子集获取模块，用于对于位于特征空间的某一位置的蚂蚁，获取当前蚂蚁已选择的特征子集；
启发函数值计算模块，用于获取所述已选择的特征子集与每个候选特征之间的平均皮尔森相关系数，根据所述平均皮尔森相关系数重新获取每个候选特征的启发函数值；
特征选择模块，用于基于伪随机策略，根据所述启发函数值计算蚂蚁选择所述候选特征的概率，确定蚂蚁选择的下一特征；
信息素浓度更新模块，用于当蚁群选择特征数量达到设定值，利用自适应的信息素更新策略更新路径上的信息素浓度；
判断模块，用于判断是否满足预设的停机条件，若是，则输出特征选择结果，否则，重复执行启发函数值计算模块、特征选择模块和信息素浓度更新模块中的步骤。
可选的，所述特征选择模块包括：
随机值生成单元，用于利用随机函数生成随机值q；
概率计算单元，用于若该随机值q小于设定阈值q0,，获取当前特征与候选特征子集的启发函数值和信息素浓度中的最大值，得到候选特征被选择的概率；若该随机值q大于或等于设定阈值q0,，基于轮盘赌方法，利用当前特征与候选特征的启发函数值和信息素浓度获取候选特征被选择的概率；
所述伪随机策略的公式如下：
其中，S为蚂蚁选择下一个候选特征的概率，τij为特征i和j之间的信息素浓度，ηij为特征i和j之间的启发函数，Γk为蚂蚁k已选择的特征子集，t为当前迭代次数，T为总的迭代次数，α，β分别为信息启发系数和期望启发系数。
可选的，所述启发函数值计算模块包括：
第一数值获取模块，用于根据所述特征子集和特征子集对应的特征选择结果获取已选择的特征子集的各特征的启发函数值；其中，所述启发函数为总体分类精度；
第二数值获取模块，用于根据所述已选择的特征子集的各特征的启发函数值和候选特征的启发函数值，得到特征子集的各特征和候选特征的启发函数值；
启发函数值更新模块，用于按照以下公式，重新获取候选特征的启发函数值：
其中，j为候选特征，Vk是被蚂蚁k选择的特征子集，r(s,j)是第s个特征与第j个特征之间的平均皮尔森相关系数；Oij是特征子集中的第i个特征与第j个特征的启发函数值。
可选的，所述信息素浓度更新模块按照以下公式，更新路径上的信息素浓度：
其中，O为目标函数值，即总体分类精度，ρ为信息素挥发系数，Q为常数，表示第k只蚂蚁在特征i和j之间新增的信息素浓度，t为当前迭代次数，τij(t)为t次迭代时特征i和j之间的信息素浓度，τij(t+1)为t+1次迭代时特征i和j之间的信息素浓度。
可选的，所述判断模块停机条件为达到最大迭代次数或目标函数值优化幅度小于某一阈值。
在本申请实施例中，通过位于特征空间的某一位置的蚂蚁，获取当前蚂蚁已选择的特征子集和候选特征，计算已选择的特征子集与每个候选特征之间的平均皮尔森相关系数，得到已选择的特征子集与候选特征之间的相关程度，根据所述平均皮尔森相关系数重新获取每个候选特征的启发函数值，根据启发函数值计算蚂蚁选择每个候选特征的概率并利用自适应的信息素更新策略及时更新路径上的信息素浓度，避免由于候选特征与已选择的特征子集中的若干特征存在较大的信息冗余度，使特征选择方法陷入局部最优，加快算法的收敛速度，本申请实施例可以提供信息冗余度小、精确度高的特征集合。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明一个示例性的实施例中一种基于改进型蚁群算法的高光谱影像特征选择方法的流程图；
图2为本发明一个示例性的实施例中步骤S4的流程图；
图3为本发明一个示例性的实施例中步骤S5的流程图；
图4为一个示例性的实施例中基于改进型蚁群算法的高光谱影像特征选择装置的结构示意图；
图5为一个示例性的实施例中启发函数值计算模块4的结构示意图；
图6为一个示例性的实施例中特征选择模块5的结构示意图；
图7为本发明一个示例性的实施例与现有的蚁群算法方法对Indian Pines数据集进行特征选择的分类精度图；
图8为本发明一个示例性的实施例与现有的蚁群算法方法对Pavia University数据集进行特征选择的分类精度图；
图9为本发明一个示例性的实施例与现有的蚁群算法方法对Botswana数据集进行特征选择的分类精度图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“若干个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
基于蚁群算法的最优特征组合算法在特征选择的过程中，通常只考虑了蚂蚁当前所选择的特征与下一个候选特征之间的信息冗余度，忽略了下一个候选特征与已选择的特征子集之间的整体信息冗余度，导致选择的下一个特征可能与已选择的特征子集中的若干特征之间存在较大的信息冗余度，进而导致算法陷入局部最优。
在蚂蚁位置转移过程以及信息素更新过程中，采用了伪随机策略和自适应的信息素更新策略，以防止因为某一次优解决方案产生的启发函数与信息素浓度正反馈作用过强而导致算法陷入局部最优。
请参阅图1，本发明提供了一种基于改进型蚁群算法的高光谱影像特征选择方法，包括以下步骤：
步骤S1：获取高光谱影像的特征集和所述特征集对应的特征选择结果。
高光谱影像是指光谱分辨率在纳米数量级范围内的光谱图像，高光谱影像通过搭载在不同空间平台上的高光谱传感器，即成像光谱仪，在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像得到。
高光谱影像的特征集可以是高光谱影像的光谱曲线特征、光谱变换特征或光谱相似度量特征等光谱特征.
特征选择结果为利用现有的特征选择方法对特征集进行筛选，去除其中的无关特征或多余特征得到的特征集合，在本实施例中，用于验证所述特征选择方法的精度。
步骤S2：根据所述特征集和所述特征选择结果，利用蚁群算法对所述特征集进行特征选择；
蚁群算法是一种用来寻找优化路径的概率型算法，利用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多，随着时间的推进，较短的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。在本申请实施例中，所述特征集构成蚂蚁行走的特征空间，蚂蚁位置的转移指的是从当前选择的特征到下一选择特征的过程。
步骤S3：对于位于特征空间的某一位置的蚂蚁，获取当前蚂蚁已选择的特征子集和待选择的若干候选特征；
所述待选择的若干候选特征为特征集中未被选择的特征。
步骤S4：获取所述已选择的特征子集与每个候选特征之间的平均皮尔森相关系数，根据所述平均皮尔森相关系数重新获取每个候选特征的启发函数值；
皮尔森相关系数(Pearson CorrelationCoefficient)用来衡量两个数据集合是否在一条线上面，它用来衡量定距变量间的线性关系，皮尔森相关系数的绝对值越大，相关性越强：皮尔森相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。
启发函数表示蚂蚁从当前特征转移到下一特征的期望。具体地，在本实施例中，启发函数为总体分类精度，即已选择特征子集与输入特征选择结果一致的概率。
步骤S5：基于伪随机策略，根据所述启发函数值计算蚂蚁选择所述候选特征的概率，确定蚂蚁选择的下一特征；
伪随机策略是指通过获取一个随机值，根据该随机值与设定阈值比较的结果按照不同的方式计算蚂蚁的下一特征的选择的概率，例如，当随机值大于设定阈值时，根据路径上已知的先验信息，如启发函数值和信息素浓度值，计算蚂蚁选择下一候选特征的概率，当随机值小于设定阈值时，基于轮盘赌方法，利用当前特征与候选特征的启发函数值和信息素浓度获取候选特征被选择的概率。
轮盘赌算法用于保证蚂蚁选择下一候选特征的随机性，通过将若干候选特征的被选择的概率看作是轮盘的一个扇面，旋转轮盘，指针停在哪一个扇面上就选择对应概率的路径，通过使用一个[0，1]之间的随机数rand来模拟指针停止时指向的扇面，保证概率大的路径被选择的概率大同时概率小的路径也有可能被选中。
步骤S6：当蚁群选择特征数量达到设定值，利用自适应的信息素更新策略更新路径上的信息素浓度；
其中，蚁群选择特征数量可以由用户根据实际需要进行设定。
自适应的信息素更新策略以上一次迭代次数所有蚂蚁进行特征选择后路径上的信息素残留与本次迭代时所有蚂蚁进行特征选择后路径上新增的信息素浓度值相加，得到本次迭代次数的信息素浓度值。
步骤S7：判断是否满足预设的停机条件，若是，则输出特征选择结果，否则，重复执行步骤S4-步骤S6。
在一个例子中，所述停机条件为达到最大迭代次数或目标函数值优化幅度小于某一阈值。目标函数是衡量预测值和实际值的相似程度的指标。在本实施例中，目标函数为总体分类精度。
在本申请实施例中，利用蚁群算法对高光谱影像的特征集进行特征选择，通过对于位于特征空间的某一位置的蚂蚁，获取当前蚂蚁已选择的特征子集和候选特征，计算已选择的特征子集与候选特征之间的平均皮尔森相关系数，得到已选择的特征子集与候选特征之间的相关程度，根据所述平均皮尔森相关系数重新获取候选特征的启发函数值，根据启发函数值计算蚂蚁选择所述候选特征的概率并利用自适应的信息素更新策略及时更新路径上的信息素浓度，避免由于候选特征与已选择的特征子集中的若干特征存在较大的信息冗余度，使特征选择方法陷入局部最优，加快算法的收敛速度，本申请实施例可以提供信息冗余度小、精确度高的特征集合。
请参阅图2，在一个示例性的实施例中，根据所述平均皮尔森相关系数重新获取候选特征的启发函数值的步骤具体包括：
步骤S401：根据所述特征子集和特征子集对应的特征选择结果获取已选择的特征子集的各特征的启发函数值；其中，所述启发函数为总体分类精度；
步骤S402：根据所述已选择的特征子集的各特征的启发函数值和候选特征的启发函数值，得到特征子集和候选特征的启发函数值；
步骤S403：按照以下公式，重新获取候选特征的启发函数值：
其中，j为候选特征，Vk是被蚂蚁k选择的特征子集，r(s,j)是第s个特征与第j个特征之间的平均皮尔森相关系数；Oij是特征子集中的第i个特征与第j个特征的启发函数值。
请参阅图3，在一个示例性的实施例中，所述基于伪随机策略，根据所述启发函数值计算蚂蚁选择所述候选特征的概率的步骤包括：
步骤S501：利用随机函数生成随机值q；
所述随机函数用于产生均匀分布的随机值；
步骤S502：若该随机值q小于设定阈值q0,，获取当前特征与候选特征子集的启发函数值和信息素浓度中的最大值，得到候选特征被选择的概率；若该随机值q大于或等于设定阈值q0,，基于轮盘赌方法，利用当前特征与候选特征的启发函数值和信息素浓度获取候选特征被选择的概率；
所述伪随机策略的公式如下：
其中，S为蚂蚁选择下一个候选特征的概率，τij为特征i和j之间的信息素浓度，ηij为特征i和j之间的启发函数，Γk为蚂蚁k已选择的特征子集，t为当前迭代次数，T为总的迭代次数，α，β分别为信息启发系数和期望启发系数。
在一个示例性的实施例中，所述利用自适应的信息素更新策略更新路径上的信息素浓度的步骤具体包括：
按照以下公式，更新路径上的信息素浓度：
其中，O为目标函数值，即总体分类精度，ρ为信息素挥发系数，Q为常数，表示第k只蚂蚁在特征i和j之间新增的信息素浓度，t为当前迭代次数，τij(t)为t次迭代时特征i和j之间的信息素浓度，τij(t+1)为t+1次迭代时特征i和j之间的信息素浓度。
每一次迭代后均利用自适应的信息素更新策略更新路径上的信息素浓度，提高蚂蚁选择下一特征的准确性。
请参阅图4，本申请实施例还提供了一种基于改进型蚁群算法的高光谱影像特征选择装置，
特征获取模块1，用于获取高光谱影像的特征集和所述特征集对应的特征选择结果；
蚁群算法运行模块2，用于根据所述特征集和所述特征选择结果，利用蚁群算法对所述特征集进行特征选择；
特征子集获取模块3，用于对于位于特征空间的某一位置的蚂蚁，获取当前蚂蚁已选择的特征子集；
启发函数值计算模块4，用于获取所述已选择的特征子集与每个候选特征之间的平均皮尔森相关系数，根据所述平均皮尔森相关系数重新获取每个候选特征的启发函数值；
特征选择模块5，用于基于伪随机策略，根据所述启发函数值计算蚂蚁选择所述候选特征的概率，确定蚂蚁选择的下一特征；
信息素浓度更新模块6，用于当蚁群选择特征数量达到设定值，利用自适应的信息素更新策略更新路径上的信息素浓度；
判断模块7，用于判断是否满足预设的停机条件，若是，则输出特征选择结果，否则，重复执行启发函数值计算模块、特征选择模块和信息素浓度更新模块中的步骤。
请参阅图5，在一个示例性的实施例中，所述启发函数值计算模块4包括：
第一数值获取模块401，用于根据所述特征子集和特征子集对应的特征选择结果获取已选择的特征子集的各特征的启发函数值；其中，所述启发函数为总体分类精度；
第二数值获取模块402，用于根据所述已选择的特征子集的各特征的启发函数值和候选特征的启发函数值，得到特征子集的各特征和候选特征的启发函数值；
启发函数值更新模块403，用于按照以下公式，重新获取候选特征的启发函数值：
其中，j为候选特征，Vk是被蚂蚁k选择的特征子集，r(s,j)是第s个特征与第j个特征之间的平均皮尔森相关系数；Oij是特征子集中的第i个特征与第j个特征的启发函数值。
请参阅图6，在一个示例性的实施例中，所述特征选择模块5包括：
随机值生成单元501，用于利用随机函数生成随机值q；
概率计算单元502，用于若该随机值q小于设定阈值q0,，获取当前特征与候选特征子集的启发函数值和信息素浓度中的最大值，得到候选特征被选择的概率；若该随机值q大于或等于设定阈值q0,，基于轮盘赌方法，利用当前特征与候选特征的启发函数值和信息素浓度获取候选特征被选择的概率；
所述伪随机策略的公式如下：
其中，S为蚂蚁选择下一个候选特征的概率，τij为特征i和j之间的信息素浓度，ηij为特征i和j之间的启发函数，Γk为蚂蚁k已选择的特征子集，t为当前迭代次数，T为总的迭代次数，α，β分别为信息启发系数和期望启发系数。
在一个示例性的实施例中，所述信息素浓度更新模块按照以下公式，更新路径上的信息素浓度：
其中，O为目标函数值，即总体分类精度，ρ为信息素挥发系数，Q为常数，表示第k只蚂蚁在特征i和j之间新增的信息素浓度，t为当前迭代次数，τij(t)为t次迭代时特征i和j之间的信息素浓度，τij(t+1)为t+1次迭代时特征i和j之间的信息素浓度。
在一个示例性的实施例中，所述判断模块6停机条件为达到最大迭代次数或目标函数值优化幅度小于某一阈值。
图7-9分别为利用本申请实施例所述基于改进型蚁群算法的高光谱影像特征选择方法(IMACA-BS)与传统蚁群算法(ACA-BS)在三种公开数据集Indian Pines、PaviaUnversity及Botswana上进行测试，得到的对比结果示意图，由图中可见本申请所述基于改进型蚁群算法的高光谱影像特征选择方法在三种公开数据集Indian Pines、PaviaUnversity及Botswana上进行分类精度明显优于传统蚁群算法。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (6)

1.一种基于改进型蚁群算法的高光谱影像特征选择方法，其特征在于，包括以下步骤：
步骤S1：获取高光谱影像的特征集和所述特征集对应的特征选择结果；
步骤S2：根据所述特征集和所述特征选择结果，利用蚁群算法对所述特征集进行特征选择；
步骤S3：对于位于特征空间的某一位置的蚂蚁，获取当前蚂蚁已选择的特征子集和待选择的若干候选特征；
步骤S4：获取所述已选择的特征子集与每个候选特征之间的平均皮尔森相关系数，根据所述平均皮尔森相关系数重新获取每个候选特征的启发函数值；
步骤S5：基于伪随机策略，根据所述启发函数值计算蚂蚁选择所述候选特征的概率，确定蚂蚁选择的下一特征；
步骤S6：当蚁群选择特征数量达到设定值，利用自适应的信息素更新策略更新路径上的信息素浓度；
步骤S7：判断是否满足预设的停机条件，若是，则输出特征选择结果，否则，重复执行步骤S4-步骤S6；
所述基于伪随机策略，根据所述启发函数值计算蚂蚁选择所述候选特征的概率的步骤包括：
利用随机函数生成随机值q；
若该随机值q小于设定阈值q0，获取当前特征与候选特征子集的启发函数值和信息素浓度中的最大值，得到候选特征被选择的概率；若该随机值q大于或等于设定阈值q0，基于轮盘赌方法，利用当前特征与候选特征的启发函数值和信息素浓度获取候选特征被选择的概率；
所述伪随机策略的公式如下：
其中，S为蚂蚁选择下一个候选特征的概率，τij为特征i和j之间的信息素浓度，ηij为特征i和j之间的启发函数，Γk为蚂蚁k已选择的特征子集，t为当前迭代次数，T为总的迭代次数，α，β分别为信息启发系数和期望启发系数；
根据所述平均皮尔森相关系数重新获取候选特征的启发函数值的步骤具体包括：
根据所述特征子集和特征子集对应的特征选择结果获取已选择的特征子集的各特征的启发函数值；其中，所述启发函数为总体分类精度；
根据所述已选择的特征子集的各特征的启发函数值和候选特征的启发函数值，得到特征子集和候选特征的启发函数值；
按照以下公式，重新获取候选特征的启发函数：
其中，j为候选特征，Vk是被蚂蚁k选择的特征子集，r(s,j)是第s个特征与第j个特征之间的平均皮尔森相关系数；Oij是特征子集中的第i个特征与第j个特征的启发函数值。
2.根据权利要求1所述的基于改进型蚁群算法的高光谱影像特征选择方法，其特征在于，所述利用自适应的信息素更新策略更新路径上的信息素浓度的步骤具体包括：
按照以下公式，更新路径上的信息素浓度：
其中，O为目标函数值，即总体分类精度，ρ为信息素挥发系数，Q为常数，表示第k只蚂蚁在特征i和j之间新增的信息素浓度，t为当前迭代次数，τij(t)为t次迭代时特征i和j之间的信息素浓度，τij(t+1)为t+1次迭代时特征i和j之间的信息素浓度，P为蚂蚁总数，T为总的迭代次数。
3.根据权利要求1所述的基于改进型蚁群算法的高光谱影像特征选择方法，其特征在于，所述判断是否满足预设的停机条件步骤中，所述停机条件为达到最大迭代次数或目标函数值优化幅度小于某一阈值。
4.一种基于改进型蚁群算法的高光谱影像特征选择装置，其特征在于，包括：
特征获取模块，用于获取高光谱影像的特征集和所述特征集对应的特征选择结果；
蚁群算法运行模块，用于根据所述特征集和所述特征选择结果，利用蚁群算法对所述特征集进行特征选择；
特征子集获取模块，用于对于位于特征空间的某一位置的蚂蚁，获取当前蚂蚁已选择的特征子集；
启发函数值计算模块，用于获取所述已选择的特征子集与每个候选特征之间的平均皮尔森相关系数，根据所述平均皮尔森相关系数重新获取每个候选特征的启发函数值；
特征选择模块，用于基于伪随机策略，根据所述启发函数值计算蚂蚁选择所述候选特征的概率，确定蚂蚁选择的下一特征；
信息素浓度更新模块，用于当蚁群选择特征数量达到设定值，利用自适应的信息素更新策略更新路径上的信息素浓度；
判断模块，用于判断是否满足预设的停机条件，若是，则输出特征选择结果，否则，重复执行启发函数值计算模块、特征选择模块和信息素浓度更新模块中的步骤；
所述特征选择模块包括：
随机值生成单元，用于利用随机函数生成随机值q；
概率计算单元，用于若该随机值q小于设定阈值q0，获取当前特征与候选特征子集的启发函数值和信息素浓度中的最大值，得到候选特征被选择的概率；若该随机值q大于或等于设定阈值q0，基于轮盘赌方法，利用当前特征与候选特征的启发函数值和信息素浓度获取候选特征被选择的概率；
所述伪随机策略的公式如下：
其中，S为蚂蚁选择下一个候选特征的概率，τij为特征i和j之间的信息素浓度，ηij为特征i和j之间的启发函数，Γk为蚂蚁k已选择的特征子集，t为当前迭代次数，T为总的迭代次数，α，β分别为信息启发系数和期望启发系数；
所述启发函数值计算模块包括：
第一数值获取模块，用于根据所述特征子集和特征子集对应的特征选择结果获取已选择的特征子集的各特征的启发函数值；其中，所述启发函数为总体分类精度；
第二数值获取模块，用于根据所述已选择的特征子集的各特征的启发函数值和候选特征的启发函数值，得到特征子集的各特征和候选特征的启发函数值；
启发函数值更新模块，用于按照以下公式，重新获取候选特征的启发函数值：
其中，j为候选特征，Vk是被蚂蚁k选择的特征子集，r(s,j)是第s个特征与第j个特征之间的平均皮尔森相关系数；Oij是特征子集中的第i个特征与第j个特征的启发函数值。
5.根据权利要求4所述基于改进型蚁群算法的高光谱影像特征选择装置，其特征在于：所述信息素浓度更新模块按照以下公式，更新路径上的信息素浓度：
其中，O为目标函数值，即总体分类精度，ρ为信息素挥发系数，Q为常数，表示第k只蚂蚁在特征i和j之间新增的信息素浓度，t为当前迭代次数，τij(t)为t次迭代时特征i和j之间的信息素浓度，τij(t+1)为t+1次迭代时特征i和j之间的信息素浓度，P为蚂蚁总数，T为总的迭代次数。
6.根据权利要求4所述基于改进型蚁群算法的高光谱影像特征选择装置，其特征在于，所述判断模块停机条件为达到最大迭代次数或目标函数值优化幅度小于某一阈值。
CN201911295185.2A 2019-12-16 2019-12-16 基于改进型蚁群算法的高光谱影像特征选择方法及装置 Active CN111178180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911295185.2A CN111178180B (zh) 2019-12-16 2019-12-16 基于改进型蚁群算法的高光谱影像特征选择方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911295185.2A CN111178180B (zh) 2019-12-16 2019-12-16 基于改进型蚁群算法的高光谱影像特征选择方法及装置

Publications (2)

Publication Number Publication Date
CN111178180A CN111178180A (zh) 2020-05-19
CN111178180B true CN111178180B (zh) 2023-08-11

Family

ID=70657360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911295185.2A Active CN111178180B (zh) 2019-12-16 2019-12-16 基于改进型蚁群算法的高光谱影像特征选择方法及装置

Country Status (1)

Country Link
CN (1) CN111178180B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112612886B (zh) * 2020-12-18 2022-08-05 湖北工业大学 一种基于水稻育种-二进制蚁群混合算法的文本特征选择方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106644983A (zh) * 2016-12-28 2017-05-10 浙江大学 一种基于pls‑vip‑aco算法的光谱波长选择方法
CN106779210A (zh) * 2016-12-13 2017-05-31 中国人民解放军国防科学技术大学 基于蚁群算法的火力分配方法
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
CN109142946A (zh) * 2018-06-29 2019-01-04 东华大学 基于蚁群算法优化随机森林的变压器故障检测方法
CN109344972A (zh) * 2018-10-12 2019-02-15 南京邮电大学 一种基于特征可信度的高效特征选择方法
CN109522788A (zh) * 2018-09-30 2019-03-26 广州地理研究所 基于随机森林分类算法的城市范围提取方法、装置及电子设备
CN109829420A (zh) * 2019-01-18 2019-05-31 湖北工业大学 一种基于改进蚁狮优化算法的高光谱图像的特征选择方法
CN110196061A (zh) * 2019-05-29 2019-09-03 华北理工大学 基于改进蚁群算法的移动机器人全局路径规划方法
CN110309822A (zh) * 2019-06-18 2019-10-08 哈尔滨工程大学 基于量子进化粒子群算法的高光谱图像波段选择方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9122993B2 (en) * 2013-01-30 2015-09-01 Harris Corporation Parallel multi-layer cognitive network optimization

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779210A (zh) * 2016-12-13 2017-05-31 中国人民解放军国防科学技术大学 基于蚁群算法的火力分配方法
CN106644983A (zh) * 2016-12-28 2017-05-10 浙江大学 一种基于pls‑vip‑aco算法的光谱波长选择方法
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
CN109142946A (zh) * 2018-06-29 2019-01-04 东华大学 基于蚁群算法优化随机森林的变压器故障检测方法
CN109522788A (zh) * 2018-09-30 2019-03-26 广州地理研究所 基于随机森林分类算法的城市范围提取方法、装置及电子设备
CN109344972A (zh) * 2018-10-12 2019-02-15 南京邮电大学 一种基于特征可信度的高效特征选择方法
CN109829420A (zh) * 2019-01-18 2019-05-31 湖北工业大学 一种基于改进蚁狮优化算法的高光谱图像的特征选择方法
CN110196061A (zh) * 2019-05-29 2019-09-03 华北理工大学 基于改进蚁群算法的移动机器人全局路径规划方法
CN110309822A (zh) * 2019-06-18 2019-10-08 哈尔滨工程大学 基于量子进化粒子群算法的高光谱图像波段选择方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蚁群算法在高光谱图像降维和分类中的应用研究;周爽;《中国博士学位论文全文数据库 信息科技辑》(第5期);I140-55 *

Also Published As

Publication number Publication date
CN111178180A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
Yang et al. Efficient image retrieval via decoupling diffusion into online and offline processing
CN110070141B (zh) 一种网络入侵检测方法
CN110598029B (zh) 基于注意力转移机制的细粒度图像分类方法
WO2022121289A1 (en) Methods and systems for mining minority-class data samples for training neural network
CN108052911B (zh) 基于深度学习的多模态遥感影像高层特征融合分类方法
Zhao et al. A two-stage feature selection method with its application
dos Santos et al. A relevance feedback method based on genetic programming for classification of remote sensing images
CN108446741B (zh) 机器学习超参数重要性评估方法、系统及存储介质
CN113408605A (zh) 基于小样本学习的高光谱图像半监督分类方法
CN103714148B (zh) 基于稀疏编码分类的sar图像检索方法
Puig et al. Application-independent feature selection for texture classification
US20230084203A1 (en) Automatic channel pruning via graph neural network based hypernetwork
Vieira et al. Main concepts in machine learning
CN113762278A (zh) 一种基于目标检测的沥青路面损坏识别方法
TW202347396A (zh) 用於晶圓之成像資料集中異常之偵測與分類的電腦實施方法以及使用此方法的系統
CN111178180B (zh) 基于改进型蚁群算法的高光谱影像特征选择方法及装置
CN115496144A (zh) 配电网运行场景确定方法、装置、计算机设备和存储介质
Kansizoglou et al. Haseparator: Hyperplane-assisted softmax
CN112613391A (zh) 一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法
CN116994055A (zh) 一种基于进化多任务集成学习的高光谱图像分类方法
CN108304546B (zh) 一种基于内容相似度和Softmax分类器的医学图像检索方法
JP5428646B2 (ja) 画像処理装置及びプログラム
CN115239967A (zh) 一种基于Trans-CSN生成对抗网络的图像生成方法及装置
CN109670552B (zh) 一种图像分类方法、装置、设备及可读存储介质
Gao et al. A new feature selection method for hyperspectral image classification based on simulated annealing genetic algorithm and choquet fuzzy integral

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