CN114626459A - 使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法及系统 - Google Patents
使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法及系统 Download PDFInfo
- Publication number
- CN114626459A CN114626459A CN202210253842.2A CN202210253842A CN114626459A CN 114626459 A CN114626459 A CN 114626459A CN 202210253842 A CN202210253842 A CN 202210253842A CN 114626459 A CN114626459 A CN 114626459A
- Authority
- CN
- China
- Prior art keywords
- particle
- kernel
- weight
- population
- particles
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法及系统,该方法包括:提取训练集的N个特征核矩阵;将N个核矩阵传入到粒子群算法中,设计粒子群的编码结构,得到权重编码Xm、速度向量Vi、粒子种群Q、适应度值Fitness、个体极值Pbest以及种群极值Gbest;通过加约束的随机初始化对粒子群进行初始化;设定粒子群的更新策略,并在粒子的飞行中添加约束条件,最终得到分类精度最高的各个核矩阵的权重大小;将权重大小与各自对应的核矩阵进行融合,得到融合多特征的核矩阵;将融合后的核矩阵输入SVM进行训练;使用训练好的SVM分类器模型对测试集进行分类,输出得到对应的地物分类图像。本发明提高了HSI的分类精度。
Description
技术领域
本发明属于遥感图像处理技术领域,尤其涉及一种使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法及系统。
背景技术
随着高光谱图像所获取地表物体的光谱信息和空间信息越来越丰富,高光谱图像对于地表物体的表达能力大大增强,而高光谱遥感分类作为高光谱图像处理地物信息的研究热点之一,在现代军事、国土资源利用、海洋水文监测,精准农业等领域应用广泛,高光谱图像分类方法的探索对于区分地物、实时掌握区域地物信息具有重要意义。现有高光谱遥感影像分类研究大多采用空间光谱联合的方式进行分类,研究表明高光谱图像的多特征组合可以使地表物体能够得到更加准确、合理的表达,进而提高地表对象的分类正确率或预测精度。
目前,在高光谱遥感影像分类的多特征组合优化的过程中,大多数学者还是使用多特征线性组合的方法,多数研究往往通过人工方式选择参数组合,采用穷举法进行实验,找到一组模糊接近最优的系数组合。忽略了优化算法对于多特征融合的优势。在一些带约束的、具有多个局部极值的最优问题中,使用传统的穷举法和梯度下降时,会面临不可解问题。
发明内容
本发明针对现有的高光谱遥感影像分类方法存在的多特征融合方式效果弱的问题,提出一种使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法及系统,可有效提高高光谱遥感影像多特征融合的效果,提升分类精度。
为了实现上述目的,本发明采用以下技术方案:
本发明一方面提出一种使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法,包括:
步骤1:将高光谱遥感图像数据集分为训练集和测试集,使用特征提取方法提取训练集中高光谱图像的N个特征核矩阵;
步骤2:将N个核矩阵传入到粒子群算法中,设计粒子群的编码结构,得到权重编码Xm、速度向量Vi、粒子种群Q、适应度值Fitness、个体极值Pbest以及种群极值Gbest;通过加约束的随机初始化对粒子群进行初始化;
步骤3:设定粒子群的更新策略,并在粒子的飞行中添加约束条件,最终得到分类精度最高的各个核矩阵的权重大小;将权重大小与各自对应的核矩阵进行融合,得到融合多特征的核矩阵;
步骤4:将融合后的核矩阵输入SVM进行训练;使用训练好的SVM分类器模型对测试集进行分类,输出得到对应的地物分类图像。
进一步地,所述步骤2包括:
步骤2.1:将得到的N个特征核矩阵进行粒子的编码,得到
其中Xm代表权重编码,xi表示Xm中的第i个权重,Vi代表粒子的飞行速度,也就是权重参数下一次更新的方向和大小,vim表示第i个权重在种群Q的Xm组权重中的飞行速度;Q表示粒子种群,M表示种群数量,该种群共包含M*N种权重参数的组合;Fitness为粒子的适应度值,表示粒子中的权重参数组合在适应度函数上表现的好坏程度,Fm表示种群Q中Xm组权重所得到的适应度值;Pbest为个体极值,是当前粒子所得到的最佳权重参数组合,Pbestm是种群Q中Xm变化过程中得到适应度最高的值;Gbest是种群极值,表示种群中所有粒子得到的最佳权重参数组合;
步骤2.2:通过下式对粒子进行初始化,同时设置粒子的约束条件,完成带有约束条件的初始化
xi=(xmax-xmin)*randlocation+xmin,i=1,2,…,N-1
其中randlocation表示粒子位置的初始化函数,randvelocity表示粒子速度的初始化函数;
由于粒子为支持向量机中基核函数线性组合的值,所以粒子的数值应为0-1 之间的小数,且所有权重组合相加值为1,即
进一步地,所述步骤3包括:
步骤3.1:设定粒子的更新策略,粒子的具体更新公式如下式所示
其中,i=1,2,...,M表示粒子的种群编号,k代表迭代次数,w代表惯性权重,c1代表个体学习因子,c2代表群体学习因子,rand()为随机函数,取0-1 之间的小数;
步骤3.2:同时在粒子的飞行过程中,添加约束条件,避免粒子飞出边界,粒子的边界约束条件为
步骤3.3:对编码后的N个特征核矩阵进行迭代更新,得到N个特征核矩阵的最佳权重并进行融合得到多特征的合成核矩阵。
进一步地,所述步骤4包括:
步骤4.1:将训练集中的像素Wi与其标签值Yi组成一个数据对,进而得到SVM 分类器的训练样本集S={(W1,Y1),(W2,Y2),…,(Wn,Yn)};n表示训练集中的像素个数;
步骤4.2:将融合后的核矩阵作为SVM分类器的核函数,采用训练样本集S 训练得到SVM分类器模型;
步骤4.3:使用训练好的SVM分类器模型对测试集进行分类,输出得到对应的地物分类图像。
本发明另一方面提出一种使用粒子群优化多核支持向量机的高光谱图像空谱联合分类系统,包括:
特征提取模块,用于将高光谱遥感图像数据集分为训练集和测试集,使用特征提取方法提取训练集中高光谱图像的N个特征核矩阵;
粒子群初始化模块,用于将N个核矩阵传入到粒子群算法中,设计粒子群的编码结构,得到权重编码Xm、速度向量Vi、粒子种群Q、适应度值Fitness、个体极值Pbest以及种群极值Gbest;通过加约束的随机初始化对粒子群进行初始化;
优化模块,用于设定粒子群的更新策略,并在粒子的飞行中添加约束条件,最终得到分类精度最高的各个核矩阵的权重大小;将权重大小与各自对应的核矩阵进行融合,得到融合多特征的核矩阵;
分类模块,用于将融合后的核矩阵输入SVM进行训练;使用训练好的SVM 分类器模型对测试集进行分类,输出得到对应的地物分类图像。
进一步地,所述粒子群初始化模块具体用于:
步骤2.1:将得到的N个特征核矩阵进行粒子的编码,得到
其中Xm代表权重编码,xi表示Xm中的第i个权重,Vi代表粒子的飞行速度,也就是权重参数下一次更新的方向和大小,vim表示第i个权重在种群Q的Xm组权重中的飞行速度;Q表示粒子种群,M表示种群数量,该种群共包含M*N种权重参数的组合;Fitness为粒子的适应度值,表示粒子中的权重参数组合在适应度函数上表现的好坏程度,Fm表示种群Q中Xm组权重所得到的适应度值;Pbest为个体极值,是当前粒子所得到的最佳权重参数组合,Pbestm是种群Q中Xm变化过程中得到适应度最高的值;Gbest是种群极值,表示种群中所有粒子得到的最佳权重参数组合;
步骤2.2:通过下式对粒子进行初始化,同时设置粒子的约束条件,完成带有约束条件的初始化
xi=(xmax-xmin)*randlocation+xmin,i=1,2,…,N-1
其中randlocation表示粒子位置的初始化函数,randvelocity表示粒子速度的初始化函数;
由于粒子为支持向量机中基核函数线性组合的值,所以粒子的数值应为0-1 之间的小数,且所有权重组合相加值为1,即
进一步地,所述优化模块具体用于:
步骤3.1:设定粒子的更新策略,粒子的具体更新公式如下式所示
其中,i=1,2,...,M表示粒子的种群编号,k代表迭代次数,w代表惯性权重,c1代表个体学习因子,c2代表群体学习因子,rand()为随机函数,取0-1 之间的小数;
步骤3.2:同时在粒子的飞行过程中,添加约束条件,避免粒子飞出边界,粒子的边界约束条件为
步骤3.3:对编码后的N个特征核矩阵进行迭代更新,得到N个特征核矩阵的最佳权重并进行融合得到多特征的合成核矩阵。
进一步地,所述分类模块具体用于:
步骤4.1:将训练集中的像素Wi与其标签值Yi组成一个数据对,进而得到SVM 分类器的训练样本集S={(W1,Y1),(W2,Y2),…,(Wn,Yn)};n表示训练集中的像素个数;
步骤4.2:将融合后的核矩阵作为SVM分类器的核函数,采用训练样本集S 训练得到SVM分类器模型;
步骤4.3:使用训练好的SVM分类器模型对测试集进行分类,输出得到对应的地物分类图像。
与现有技术相比,本发明具有的有益效果:
1.针对高光谱影像常见的空谱联合多特征提取分类问题,本发明提出了 PSO-MSVM模型,可有效解决在多特征融合时权值分配问题,实现核权重在不同数据集的自适应学习,能够显著提升HSI分类精度,精确得掌握遥感图像的地物类别信息,对国土空间规划的编制与实施具有重要意义。
2.本发明在融合高光谱图像的多特征时,通过粒子群优化算法的方式进行融合;由PSO-MSVM模型获得分类精度最高的各个核矩阵的权重大小;通过优化后的分类模型可以使得不同特征得到更好的耦合,使得地表物体得到更加合理、清晰的表达。
3.与现有的基于空谱联合的高光谱遥感图像分类方法相比,经本发明得到的高光谱遥感图像分类方法将空间特征与光谱特征进行组合优化,充分利用到了地物空间自相关的特性,提高了HSI的分类精度。
附图说明
图1为本发明实施例提供的一种使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法的流程示意图;
图2为本发明实施例提供的一种使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法的原理框架图;
图3为本发明实施例提供的数据集地物类别及样本标注图:a(1)-a(3)表示立体显示图像;b(1)-b(3)表示实际地物图像;c(1)-c(3)表示样本标记模板;
图4为本发明实施例提供的测试集分类结果图:(4-1)表示在Pavia University数据集上分类的结果;(4-2)表示在Pavia Center数据集上分类的结果;(4-3)表示在Washington DC Mall数据集上分类的结果;
图5为本发明实施例提供的人工实验的权重与经过优化后的权重的对比图;
图6为本发明实施例提供的一种使用粒子群优化多核支持向量机的高光谱图像空谱联合分类系统的架构示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明:
结合图1和图2所示,本发明实施例提供一种使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法(简称PSO-MSVM方法),包括以下步骤:
S101:将高光谱遥感图像(HSI)数据集分为训练集和测试集,使用特征提取方法提取训练集中高光谱图像的N个特征核矩阵;
S102:将N个核矩阵传入到粒子群算法中,设计粒子群的编码结构,得到权重编码Xm、速度向量Vi、粒子种群Q、适应度值Fitness、个体极值Pbest以及种群极值Gbest;通过加约束的随机初始化对粒子群进行初始化;
S103:设定粒子群的更新策略,并在粒子的飞行中添加约束条件,最终得到分类精度最高的各个核矩阵的权重大小;将权重大小与各自对应的核矩阵进行融合,得到融合多特征的核矩阵;
S104:将融合后的核矩阵输入SVM进行训练;使用训练好的SVM分类器模型对测试集进行分类,输出得到对应的地物分类图像。
作为一种可实施方式,所述步骤S101具体包括:
将带有标注的高光谱数据集中20%划分为训练集,其余作为测试集,并通过不同的特征提取方法提取训练集中高光谱图像的N个特征,如通过多项式核方程提取原始光谱特征,通过超像素分割算法提取空间特征,通过局部二值模式提取空间纹理特征。
作为一种可实施方式,所述步骤S102具体为:
S1021:将得到的N个特征核矩阵进行粒子的编码,得到
其中Xm代表权重编码,xi表示Xm中的第i个权重,Vi代表粒子的飞行速度,也就是权重参数下一次更新的方向和大小,vim表示第i个权重在种群Q的Xm组权重中的飞行速度;Q表示粒子种群,假设种群数量为M,则该种群共包含 M*N种权重参数的组合;Fitness为粒子的适应度值,表示粒子中的权重参数组合在适应度函数上表现的好坏程度,Fm表示种群Q中Xm组权重所得到的适应度值;Pbest为个体极值,是当前粒子所得到的最佳权重参数组合,Pbestm是种群Q中Xm变化过程中得到适应度最高的值;Gbest是种群极值,表示种群中所有粒子得到的最佳权重参数组合。
S1022:过下式对粒子进行初始化
xi=(xmax-xmin)*randlocation+xmin,i=1,2,…,N-1
其中randlocation作为粒子位置的初始化函数,randlocation在[0-1]之间以均匀分布的概率取值,使得粒子的初始权重大小介于0.1-0.9之间。将randvelocity做为粒子速度的初始化函数,在[-1,1]之间以均匀分布的概率取值。
由于粒子为支持向量机中基核函数线性组合的值,所以粒子的数值应为0-1 之间的小数,且所有权重组合相加值为1,即
作为一种可实施方式,所述步骤S103具体为:
S1031:粒子的速度决定着粒子变化的方向和大小,也就是权值参数组合数值的变化,粒子使用上一时刻的权值参数组合和惯性权重w来模拟粒子飞行时的惯性,并通过粒子自身所找到的最佳的参数组合,利用自身经验确定下一次更新的方向和大小;粒子之间进行信息共享,使用种群中所有粒子找到的最佳参数组合,学习其他粒子的最优参数组合信息。粒子的具体更新公式如下式所示
其中,i=1,2,...,M表示粒子的种群编号,k代表优化算法的迭代次数,c1代表个体学习因子,c2代表群体学习因子,rand()为随机函数,取0-1之间的小数。
S1032:同时在粒子的飞行过程中,添加约束条件,避免粒子飞出边界,粒子约束条件为
为了确保粒子所代表权值参照组合始终相加为1时,在粒子更新过程中,假设核函数数量为N,仅使用前N-1个作为粒子的权重参数进行更新,而第N个权重值为
S1033:对编码后的N个特征核矩阵进行迭代更新,得到N个特征核矩阵的最佳权重并进行融合得到多特征的合成核矩阵。
作为一种可实施方式,所述步骤S104具体为:
S1041:将训练集中的像素Wi与其标签值Yi组成一个数据对,进而得到SVM 分类器的训练样本集S={(W1,Y1),(W2,Y2),…,(Wn,Yn)};n表示训练集中的像素个数;
S1042:将融合后的多特征核矩阵作为SVM分类器的核函数,采用训练样本集S训练得到SVM分类器模型;
S1043:使用训练好的SVM分类器模型对测试集进行分类,输出得到对应的地物分类图像。
下面结合图3至图5所示,通过实验来具体说明本发明的有效性及实用性。
本实验数据处理部分在MATLAB R2018a平台上,网络模型的训练使用支持向量机算法,计算环境为AMD Ryzen 4800H CPU 2.90GHz,内存16G的PC 机。实验中对比算法包括:多尺度超像素空间光谱合成核(Ms-SSSK,Ms-RPSK) 方法、单一尺度下超像素空间光谱合成核(Ss-SSSK)方法、结合分水岭分割的合成核(WSCSVM)方法、原始空间光谱核(SSK)方法以及分段波长合成核(CK)方法。
为了验证本发明的有效性及实用性,对德国的机载反射光学光谱成像仪(Reflective Optics Spectrographic Imaging System)拍摄的数据进行图像分类实验,具体实验如下:
ROSIS-3是可采集610×340像素大小的图像,115个光谱波段(0.43-0.86m), 同时空间分辨率达到1.3m。为了定量地评估融合的结果,本发明对该数据进行了模拟仿真实验:首先,采用PCA提取HSI的第一主成分,在400、800、1600 和3200四个尺度下将第一主成分通过ERS算法进行超像素分割,并在每个尺度下,采用RBF核函数计算任意超像素间的相似性,形成空间核矩阵。随后将所有尺度下的核矩阵累加并求均值,形成最终的超像素空间核矩阵。针对HSI中的任一像素点,将该像素点在所有波段下的像素执行求均值运算,并通过RBF核函数计算出任意像素均值间的相似性,形成原始光谱核矩阵。随后将两个核矩阵输入到PSO-MSVM中,首先进行粒子的编码设置,编码完成后设定好相应的约束条件;随后进行权值的随机初始化;通过粒子群优化算法的更新迭代,得到使得分类效果最佳的空间核矩阵权值和光谱核矩阵权值,通过权值将空间核矩阵和光谱核矩阵结合,输出到SVM中实现HSI分类。最后,将给定的高光谱图像数据集当作参考图像,使其与其他分类方法进行对比,计算得到相应的定量评估的性能指标。
本发明使用Pavia University、Pavia Center和Washington DC Mall三个HSI 数据集验证本发明PSO-MSVM方法的有效性及可行性,并通过5折交叉验证方法验证分类模型性能。实验过程中各参数的最佳取值通过网格搜索方法获得,其中RBF核函数参数值g为4.5639,惩罚因子c为16.9873,多项式核函数最高项次数d设置为3。利用上述的现有图像分类方法和本发明的图像分类方法对该数据进行对比分析,得到的结果如图4所示。其中图4中(4-1)是在Pavia University 数据集上分类的结果;图4中(4-2)是在Pavia Center数据集上分类的结果;图4 中(4-3)是在Washington DC Mall数据集上分类的结果;图3是原始高光谱图像。从图4中(4-1)显示的结果可看到,草地和裸土分布较为集中,树木和砖块分布较为分散,优化后的多项式光谱核权重、多尺度超像素空间核权重为0.6932、0.3068。由于多尺度超像素空间核权重的增加,能够更好的保留图像的空间结构特征,使得较为集中的喷漆金属板和裸土的准确度得到提升。在空间上呈现聚集形态的沥青路面准确率得到提升,同样分布较为集中的喷漆金属板的准确率也因为多尺度超像素空间核权重的增加,准确率小幅提升,整体分类的kappa也得到一定的提升。从图4中(4-2)显示的结果可看到,Pavia Center数据集整体分布较为均匀,其中瓷砖、沥青路面、砖块分布较为集中也比较容易划分,树木大量分布在左上方,草地大量分布在右下方,且周围干扰类别较少。优化后的多项式光谱核权重、多尺度超像素空间核权重为0.2430、0.7570。由于多项式光谱核权重的增加,加大了对不同光谱曲线之间物体的区分度,所以瓷砖和树木的准确度得到提升,同样空间上大量分布在其他类别周围的裸土的准确度由于多项式光谱核权重的增加,准确率小幅提升。从图4中(4-3)显示的结果可看到,Wastington DC Mall整体分布较为稀疏,其中居民区分布面积较多,阴影分布面积最小,优化后的多项式光谱核权重、多尺度超像素空间核权重为0.75、0.15。由于多尺度超像素空间核比重的增加,所以具有明显空间集聚特征的居民区准确率得到提高,同样在空间中分布较为独立的高速公路的准确度也得到了一定的提升。
表1给出了本发明方法和对比方法的性能指标情况。本实验采用了如下的性能指标:各类地物的分类精度和测试机总体分类精度(Overall classification accuracy,OA)
在表1中,黑体的数字表示每项指标中最好的值。从图像分类的各项客观评价指标来看,本发明所提方法的各种指标都优于其他方法。
表1不同方法对数据集进行图像分类定量评价结果
通过上述实验结果表明,本发明的方法利用粒子群优化算法对多特征进行耦合的方法能很好的提升高光谱遥感图像的分类精度,使用该模型可以对多特征进行更加的组合,使获得区域的分类图在空间层面上更加聚集,能够很好的将小区域地物准确分类,而且更能区分光谱特征相似的地物,以及大面积周边散存的地物。
在上述实施例的基础上,如图6所示,本发明还提出一种使用粒子群优化多核支持向量机的高光谱图像空谱联合分类系统,包括:
特征提取模块,用于将高光谱遥感图像数据集分为训练集和测试集,使用特征提取方法提取训练集中高光谱图像的N个特征核矩阵;
粒子群初始化模块,用于将N个核矩阵传入到粒子群算法中,设计粒子群的编码结构,得到权重编码Xm、速度向量Vi、粒子种群Q、适应度值Fitness、个体极值Pbest以及种群极值Gbest;通过加约束的随机初始化对粒子群进行初始化;
优化模块,用于设定粒子群的更新策略,并在粒子的飞行中添加约束条件,最终得到分类精度最高的各个核矩阵的权重大小;将权重大小与各自对应的核矩阵进行融合,得到融合多特征的核矩阵;
分类模块,用于将融合后的核矩阵输入SVM进行训练;使用训练好的SVM 分类器模型对测试集进行分类,输出得到对应的地物分类图像。
进一步地,所述粒子群初始化模块具体用于:
步骤2.1:将得到的N个特征核矩阵进行粒子的编码,得到
其中Xm代表权重编码,xi表示Xm中的第i个权重,Vi代表粒子的飞行速度,也就是权重参数下一次更新的方向和大小,vim表示第i个权重在种群Q的Xm组权重中的飞行速度;Q表示粒子种群,M表示种群数量,该种群共包含M*N种权重参数的组合;Fitness为粒子的适应度值,表示粒子中的权重参数组合在适应度函数上表现的好坏程度,Fm表示种群Q中Xm组权重所得到的适应度值;Pbest为个体极值,是当前粒子所得到的最佳权重参数组合,Pbestm是种群Q中Xm变化过程中得到适应度最高的值;Gbest是种群极值,表示种群中所有粒子得到的最佳权重参数组合;
步骤2.2:通过下式对粒子进行初始化,同时设置粒子的约束条件,完成带有约束条件的初始化
xi=(xmax-xmin)*randlocation+xmin,i=1,2,…,N-1
其中randlocation表示粒子位置的初始化函数,randvelocity表示粒子速度的初始化函数;
由于粒子为支持向量机中基核函数线性组合的值,所以粒子的数值应为0-1 之间的小数,且所有权重组合相加值为1,即
进一步地,所述优化模块具体用于:
步骤3.1:设定粒子的更新策略,粒子的具体更新公式如下式所示
其中,i=1,2,...,M表示粒子的种群编号,k代表迭代次数,w代表惯性权重,c1代表个体学习因子,c2代表群体学习因子,rand()为随机函数,取0-1 之间的小数;
步骤3.2:同时在粒子的飞行过程中,添加约束条件,避免粒子飞出边界,粒子的边界约束条件为
步骤3.3:对编码后的N个特征核矩阵进行迭代更新,得到N个特征核矩阵的最佳权重并进行融合得到多特征的合成核矩阵。
进一步地,所述分类模块具体用于:
步骤4.1:将训练集中的像素Wi与其标签值Yi组成一个数据对,进而得到SVM 分类器的训练样本集S={(W1,Y1),(W2,Y2),…,(Wn,Yn)};n表示训练集中的像素个数;
步骤4.2:将融合后的核矩阵作为SVM分类器的核函数,采用训练样本集S 训练得到SVM分类器模型;
步骤4.3:使用训练好的SVM分类器模型对测试集进行分类,输出得到对应的地物分类图像。
综上,针对高光谱影像常见的空谱联合多特征提取分类问题,本发明提出了PSO-MSVM模型,可有效解决在多特征融合时权值分配问题,实现核权重在不同数据集的自适应学习,能够显著提升HSI分类精度,精确得掌握遥感图像的地物类别信息,对国土空间规划的编制与实施具有重要意义。
本发明在融合高光谱图像的多特征时,通过粒子群优化算法的方式进行融合;由PSO-MSVM模型获得分类精度最高的各个核矩阵的权重大小;通过优化后的分类模型可以使得不同特征得到更好的耦合,使得地表物体得到更加合理、清晰的表达。
与现有的基于空谱联合的高光谱遥感图像分类方法相比,经本发明得到的高光谱遥感图像分类方法将空间特征与光谱特征进行组合优化,充分利用到了地物空间自相关的特性,提高了HSI的分类精度。
以上所示仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法,其特征在于,包括:
步骤1:将高光谱遥感图像数据集分为训练集和测试集,使用特征提取方法提取训练集中高光谱图像的N个特征核矩阵;
步骤2:将N个核矩阵传入到粒子群算法中,设计粒子群的编码结构,得到权重编码Xm、速度向量Vi、粒子种群Q、适应度值Fitness、个体极值Pbest以及种群极值Gbest;通过加约束的随机初始化对粒子群进行初始化;
步骤3:设定粒子群的更新策略,并在粒子的飞行中添加约束条件,最终得到分类精度最高的各个核矩阵的权重大小;将权重大小与各自对应的核矩阵进行融合,得到融合多特征的核矩阵;
步骤4:将融合后的核矩阵输入SVM进行训练;使用训练好的SVM分类器模型对测试集进行分类,输出得到对应的地物分类图像。
2.根据权利要求1所述的使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法,其特征在于,所述步骤2包括:
步骤2.1:将得到的N个特征核矩阵进行粒子的编码,得到
其中Xm代表权重编码,xi表示Xm中的第i个权重,Vi代表粒子的飞行速度,也就是权重参数下一次更新的方向和大小,vim表示第i个权重在种群Q的Xm组权重中的飞行速度;Q表示粒子种群,M表示种群数量,该种群共包含M*N种权重参数的组合;Fitness为粒子的适应度值,表示粒子中的权重参数组合在适应度函数上表现的好坏程度,Fm表示种群Q中Xm组权重所得到的适应度值;Pbest为个体极值,是当前粒子所得到的最佳权重参数组合,Pbestm是种群Q中Xm变化过程中得到适应度最高的值;Gbest是种群极值,表示种群中所有粒子得到的最佳权重参数组合;
步骤2.2:通过下式对粒子进行初始化,同时设置粒子的约束条件,完成带有约束条件的初始化
xi=(xmax-xmin)*randlocation+xmin,i=1,2,…,N-1
其中randlocation表示粒子位置的初始化函数,randvelocity表示粒子速度的初始化函数;
由于粒子为支持向量机中基核函数线性组合的值,所以粒子的数值应为0-1之间的小数,且所有权重组合相加值为1,即
4.根据权利要求1所述的使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法,其特征在于,所述步骤4包括:
步骤4.1:将训练集中的像素Wi与其标签值Yi组成一个数据对,进而得到SVM分类器的训练样本集S={(W1,Y1),(W2,Y2),…,(Wn,Yn)};n表示训练集中的像素个数;
步骤4.2:将融合后的核矩阵作为SVM分类器的核函数,采用训练样本集S训练得到SVM分类器模型;
步骤4.3:使用训练好的SVM分类器模型对测试集进行分类,输出得到对应的地物分类图像。
5.一种使用粒子群优化多核支持向量机的高光谱图像空谱联合分类系统,其特征在于,包括:
特征提取模块,用于将高光谱遥感图像数据集分为训练集和测试集,使用特征提取方法提取训练集中高光谱图像的N个特征核矩阵;
粒子群初始化模块,用于将N个核矩阵传入到粒子群算法中,设计粒子群的编码结构,得到权重编码Xm、速度向量Vi、粒子种群Q、适应度值Fitness、个体极值Pbest以及种群极值Gbest;通过加约束的随机初始化对粒子群进行初始化;
优化模块,用于设定粒子群的更新策略,并在粒子的飞行中添加约束条件,最终得到分类精度最高的各个核矩阵的权重大小;将权重大小与各自对应的核矩阵进行融合,得到融合多特征的核矩阵;
分类模块,用于将融合后的核矩阵输入SVM进行训练;使用训练好的SVM分类器模型对测试集进行分类,输出得到对应的地物分类图像。
6.根据权利要求5所述的使用粒子群优化多核支持向量机的高光谱图像空谱联合分类系统,其特征在于,所述粒子群初始化模块具体用于:
步骤2.1:将得到的N个特征核矩阵进行粒子的编码,得到
其中Xm代表权重编码,xi表示Xm中的第i个权重,Vi代表粒子的飞行速度,也就是权重参数下一次更新的方向和大小,vim表示第i个权重在种群Q的Xm组权重中的飞行速度;Q表示粒子种群,M表示种群数量,该种群共包含M*N种权重参数的组合;Fitness为粒子的适应度值,表示粒子中的权重参数组合在适应度函数上表现的好坏程度,Fm表示种群Q中Xm组权重所得到的适应度值;Pbest为个体极值,是当前粒子所得到的最佳权重参数组合,Pbestm是种群Q中Xm变化过程中得到适应度最高的值;Gbest是种群极值,表示种群中所有粒子得到的最佳权重参数组合;
步骤2.2:通过下式对粒子进行初始化,同时设置粒子的约束条件,完成带有约束条件的初始化
xi=(xmax-xmin)*randlocation+xmin,i=1,2,…,N-1
其中randlocation表示粒子位置的初始化函数,randvelocity表示粒子速度的初始化函数;
由于粒子为支持向量机中基核函数线性组合的值,所以粒子的数值应为0-1之间的小数,且所有权重组合相加值为1,即
8.根据权利要求5所述的使用粒子群优化多核支持向量机的高光谱图像空谱联合分类系统,其特征在于,所述分类模块具体用于:
步骤4.1:将训练集中的像素Wi与其标签值Yi组成一个数据对,进而得到SVM分类器的训练样本集S={(W1,Y1),(W2,Y2),…,(Wn,Yn)};n表示训练集中的像素个数;
步骤4.2:将融合后的核矩阵作为SVM分类器的核函数,采用训练样本集S训练得到SVM分类器模型;
步骤4.3:使用训练好的SVM分类器模型对测试集进行分类,输出得到对应的地物分类图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210253842.2A CN114626459A (zh) | 2022-03-15 | 2022-03-15 | 使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210253842.2A CN114626459A (zh) | 2022-03-15 | 2022-03-15 | 使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114626459A true CN114626459A (zh) | 2022-06-14 |
Family
ID=81902026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210253842.2A Pending CN114626459A (zh) | 2022-03-15 | 2022-03-15 | 使用粒子群优化多核支持向量机的高光谱图像空谱联合分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114626459A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116403270A (zh) * | 2023-06-07 | 2023-07-07 | 南昌航空大学 | 一种基于多特征融合的人脸表情识别方法及系统 |
-
2022
- 2022-03-15 CN CN202210253842.2A patent/CN114626459A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116403270A (zh) * | 2023-06-07 | 2023-07-07 | 南昌航空大学 | 一种基于多特征融合的人脸表情识别方法及系统 |
CN116403270B (zh) * | 2023-06-07 | 2023-09-05 | 南昌航空大学 | 一种基于多特征融合的人脸表情识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
Sylvain et al. | Mapping dead forest cover using a deep convolutional neural network and digital aerial photography | |
CN108416307B (zh) | 一种航拍图像路面裂缝检测方法、装置及设备 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN110414377B (zh) | 一种基于尺度注意力网络的遥感图像场景分类方法 | |
Le Goff et al. | Deep learning for cloud detection | |
CN102646200B (zh) | 多分类器自适应权值融合的影像分类方法及系统 | |
CN108319957A (zh) | 一种基于超点图的大规模点云语义分割方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
Rahaman et al. | An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm | |
CN110309780A (zh) | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 | |
CN110633708A (zh) | 一种基于全局模型和局部优化的深度网络显著性检测方法 | |
Miao et al. | Classification of farmland images based on color features | |
CN109919202A (zh) | 分类模型训练方法及装置 | |
CN111666900B (zh) | 基于多源遥感影像的土地覆盖分类图的获取方法和装置 | |
Usman | Satellite imagery land cover classification using k-means clustering algorithm computer vision for environmental information extraction | |
Deng et al. | Cloud detection in satellite images based on natural scene statistics and gabor features | |
Rahman et al. | Segmentation of color image using adaptive thresholding and masking with watershed algorithm | |
CN110363236B (zh) | 空谱联合超图嵌入的高光谱图像极限学习机聚类方法 | |
CN105160351B (zh) | 基于锚点稀疏图的半监督高光谱分类方法 | |
CN103955709B (zh) | 基于加权合成核与tmf的极化sar图像分类方法 | |
CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
Gleason et al. | A fusion approach for tree crown delineation from lidar data. | |
CN108805057A (zh) | 一种基于联合显著性分析的sar图像油库区检测方法 | |
CN105069459B (zh) | 一种针对高分辨率sar图像地物类型提取方法 |
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 |