CN1873660A - 一种遥感影像的人工免疫监督分类方法 - Google Patents

Abstract

一种遥感影像的人工免疫监督分类方法，其特征在于：(1)打开待分类遥感影像；(2)选择样区，输入参数；(3)计算亲和度阈值，选取各类初始人工识别球种群和初始抗体记忆库；(4)对样本数组中的所有抗原样本进行人工免疫系统训练，得到所有样区的抗体记忆库，(5)选择下一训练样本，重复步骤(3)到步骤(4)，直到完成所有样区的样本训练，得到所有样区的抗体记忆库；(6)对整幅影像，比较每个像元到抗体记忆库中记忆抗体的距离，将该像元判决到距离最小的那个记忆抗体所属的类别中去。本发明方法智能性高，执行效率高，适用于多光谱、高光谱遥感影像分类，可有效提高遥感影像的分类精度。

Description

一种遥感影像的人工免疫监督分类方法

技术领域

本发明属于遥感影像处理技术领域，尤其是一种基于人工免疫系统的遥感影像监督分类方法。

背景技术

遥感影像监督分类的思想是根据已知的样本类别和类别的先验知识，确定判别函数和相应的判别准则，然后将未知类别的样本的观测值代入判别函数，再依据判别准则对该样本的所属类别做出判定，实现基于遥感数据的地理信息提取。传统的遥感影像监督分类方法主要包括：平行管道法、最小距离法、最大似然法。

平行管道法以地物的光谱特性曲线为基础，假定同类地物的光谱特性曲线相似作为判别的标准。设置一个类别变差范围，依据这个类别变差范围或判定区来对未知像元分类，假如像元是在类别变差范围之内，则可将其归入所在的类别。如果像元是在所有类别变差范围之外，则规定它为未知像元。该方法计算简单，但是在存在相关性的情况下，矩行判定区域拟合类别训练数据的效果很不好，容易造成错分和误分。

为了提高分类精度，利用距离判别函数和判别规则提出了最小距离法。最小距离法是利用训练样本中各类别在各波段的均值，根据各像元到训练样本均值距离的大小决定其类别。这种距平均值最小距离分类的方法，在数学上是简便的，计算也是有效的，但它仍然存在一定的局限性，特别是它对有不同程度变化的光谱响应数据并不敏感。

最大似然法是经典的分类方法，已在遥感影像分类中得到普遍应用。它主要根据相似的光谱性质和属于某类的概率最大的假设来指定每个像元的类别。最大似然法总的错分概率要小于最小距离法总的错分概率，但是该方法是假定地物各类的分布函数为正态的，当地物各类分布不呈正态时则不能保证分类精度达到要求。

有关文献：孙家柄，舒宁，关泽群。遥感原理方法和应用[M].北京：测绘出版社，1997；汤国安，张友顺，刘咏梅.遥感数字图像处理等[M].北京：科学出版社，2004；赵英时.遥感应用分析原理与方法[M].北京：科学出版社，2003；Campbell，J.B.，Introduction to Remote Sensing[M].London：Taylor &Francis，2002.

综上所述，传统的遥感影像监督分类方法中的最大似然法需要事先假定地物各类呈正态分布，在实际地物分布中该条件不一定能得到满足；而平行管道法和最小距离法对聚类中心的计算都是采用取样本区域所有样本的均值来获得，因此在训练样本时所得到的聚类中心具有局部性，而没能考虑样本的全局性。

人工免疫系统(Artificial Immune System，简称AIS)，是受生物免疫系统的启发而产生的一种新型的智能计算方法。在过去的几年里，AIS的应用领域逐渐扩展到了信息安全、模式识别、机器学习、数据挖掘等诸多领域，显示出AIS强大的信息处理和问题求解能力以及广阔的研究和应用前景。有关文献：D.Dasgupta，Artificial Immune Systems and Their Applications，Germany：Springer，1999；L.N.de Castro and J.Timmis，Artificial Immune systems：A New Computational Intelligence Approach，London，U.K.：Springer-Verlag，2002；J.Timmis，M.Neal，and J.E.Hunt，“An artificial immune systemfor data analysis，”Biosystem，55(1/3)，2000；肖人彬，王磊.人工免疫系统：原理、模型、分析及展望[J].计算机学报，2002，25(12)。

AIS是一种自适应很强的优化技术，继承了生物免疫系统的众多属性，具有自组织、自学习、自识别、自记忆的能力，因此它能快速提供达到最优解的90％的搜索范围，从而能较快较准地得到全局最优解，这是其它的优化技术所不及的。有关文献：L.N.De Castro and F.J.Von Zuben，“Learning andoptimization using the clonal selection principle，”IEEE Trans.onEvolutionary Computation，Vol.6(3)：2002；Atkinson P M，Lewis P.Geostatistical classification for remote sensing：an introduction[J].Computers & Geosciences，26，2000；Adams D.How the immune system worksand why it causes autoimmune diseases[J].Immunology Today，17(7)，1996.

然而在遥感影像监督分类中，AIS还没有得到很好的应用。怎样借鉴生物免疫系统，从而提供高分类精度的人工免疫监督分类方法，是目前遥感技术领域亟待解决的技术问题。

发明内容

本发明目的是利用人工免疫系统的优点，提供一种用于提高遥感影像分类精度的监督分类方法。

为实现上述目的，本发明提供遥感影像的人工免疫监督分类方法：

(1)通过遥感影像处理程序打开待分类遥感影像；

(2)根据实际地物分布和分类类别数，在遥感影像上利用样区工具选择感兴趣样区或训练样区，将训练样本存为样本数组，输入算法参数；

(3)利用所有样本抗原计算亲和度阈值，然后随机选择样本抗原，得到各类初始人工识别球种群和初始抗体记忆库，存入各类的人工免疫识别球数组和记忆抗体数组；

(4)对样本数组中的所有抗原样本进行人工免疫系统训练，得到所有样区的抗体记忆库，对每个抗原样本的训练包括以下5个步骤；

(4.1)计算样本抗原到同类初始抗体记忆库中每个记忆抗体的刺激水平，从同类初始抗体记忆库中找到与该抗原最匹配的记忆抗体；

(4.2)对最匹配记忆抗体进行克隆，得到克隆抗体数组，对克隆抗体数组中每个克隆抗体进行变异，将变异后的抗体存入同类人工免疫识别球种群数组；

(4.3)对人工免疫识别球种群进行抑制处理；

(4.4)对于经过步骤(4.3)处理后的人工免疫识别球种群，判断该种群的平均刺激水平是否满足设定刺激水平，如果满足则进入步骤(4.5)，不满足则对种群进行克隆变异操作，对克隆变异后的新种群由步骤(4.3)开始重新计算处理直到满足阈值条件；

(4.5)从人工免疫识别球种群中得到与样本抗原刺激水平最大的细胞作为候选记忆抗体，然后判断候选记忆抗体与步骤(4.1)中得到的匹配记忆抗体的刺激水平大小，如果大于匹配记忆细胞刺激水平，则候选记忆抗体进入抗体记忆库中，存入记忆抗体数组，然后再计算两者之间的亲和度，如果亲和度满足步骤(3)计算的亲和度阀值则匹配抗体从记忆抗体数组中去掉；

(5)选择下一训练样本，重复步骤(3)到步骤(4)，直到完成所有样区的样本训练，得到所有样区的抗体记忆库；

(6)对整幅影像，比较每个像元到抗体记忆库中记忆抗体的距离，将该像元判决到距离最小的那个记忆抗体所属的类别中去。

而且，算法参数包括有克隆率、刺激水平阈值和系统资源阈值，根据克隆率对最匹配记忆抗体进行克隆，根据刺激水平阈值判断人工免疫识别球种群的平均刺激水平是否满足设定刺激水平。

而且，采用资源限制性方法对人工免疫识别球种群进行抑制处理，包括以下步骤，首先计算人工免疫识别球种群中每个人工免疫识别球的刺激水平并进行标准化，根据刺激水平计算每个人工免疫识别球所占人工免疫系统资源；然后计算人工免疫识别球种群的总资源，如果总资源超过系统资源阀值，则减去刺激水平最小的人工免疫识别球直到总资源小于等于系统允许资源。

而且，在进行步骤(2)之后，标准化样本抗原的特征向量，以保证样本抗原到抗体的距离或者抗体到抗体之间的距离的取值在0～1之间。

本发明的特点是：通过人工免疫系统对样区样本的训练，更准确地表现了样本的分布情况，避免了分布局部性；在获取样本分布基础上，通过人工免疫系统进化得到各个类别的聚类中心或者记忆抗体，避免了采用简单计算各个样区均值而得到聚类中心的局限性。本发明还采用资源限制性方法来减少人工免疫系统的冗余，加快算法的收敛速度，减少遥感影像的分类时间；通过进化得到的聚类中心或记忆抗体对未知像元进行分类，提高了分类精度。本发明方法智能性高，执行效率高，适用于多光谱、高光谱遥感影像分类，可有效提高遥感影像的分类精度。

附图说明

图1形态空间模型；

图2生物免疫系统和人工免疫系统对应图；

图3本发明实施例主函数程序框图；

图4本发明实施例初始化函数程序框图；

图5本发明实施例ARB产生函数程序框图；

图6本发明实施例ARB资源竞争函数程序框图；

图7本发明实施例记忆库进化函数程序框图。

具体实施方式

为了便于理解本发明，首先提供本发明的理论基础：

免疫系统的重要功能之一是通过产生抗体(antibody)来清除外来的异物，异物可以是微生物(细菌、病毒等)、异型血细胞、移植器官等，它们都称为抗原(antigen)。免疫系统的基本组成成份是淋巴细胞或白血球。这些特殊的细胞主要可以分为B细胞和T细胞两大类。这两种细胞都有自己独特的生态结构并且从它们的表面产生许多Y型抗体来杀死抗原。

为了定量地描述抗体和抗原之间的相互作用，Perelson和Oster于1979年提出形态空间(shape-space)模型。形态空间模型描述了抗体和与之结合的抗原之间的结合程度。如图1所示，在形态空间S内有一个体积为V的区域，其中含有抗体决定簇(用·表示)和抗原决定基(用×表示)形状互补区域。其中假设一个抗体能够识别所有在其周围体积V_ε范围内的互补抗原决定基，因此在免疫系统中，有限数目的抗体能够识别无限数目的抗原决定基。

根据Perelson的形态空间模型引入一个新概念——人工识别球(ArtificialRecognition Ball，ARB)。一个ARB用来描述大量具有同等性质的B细胞，其目的主要是为了减少抗体种群中的大量克隆抗体和限制种群中的经过克隆变异后存活的抗体。为了更好地理解，本发明提供附图2，描述了生物免疫系统和人工免疫系统的对应关系：抗体对应于聚类中心或特征向量；抗原对应训练样本数据；识别球对应带有特征向量和向量类的混合体；形态空间对应特征向量的取值范围；克隆增殖对应最优人工识别球克隆；亲和度成熟对应人工识别球变异和减少刺激水平低的人工识别球；免疫记忆对应抗体记忆库；系统动态平衡对应连续地去除刺激水平低的人工免疫识别球、产生新的人工免疫识别球和记忆抗体。

基于这种克隆选择理论，本发明提供遥感影像的人工免疫监督分类方法，遥感图像处理数据复杂，工作量大，普遍需要采用计算机手段实现，因此本发明技术方案采用了计算机程序和计算机术语进行描述，例如记忆抗体数组实质上是为了表述一个内容根据进化而改变的记忆抗体集合。本发明要求保护的技术方案不限于计算机程序流程，而应包括其他等同替换手段。本发明技术方案如下：

(1)通过遥感影像处理程序打开待分类遥感影像；

(2)根据实际地物分布和分类类别数，在遥感影像上利用样区工具选择感兴趣样区或训练样区，将训练样本存为样本数组，输入算法参数；

(3)利用所有样本抗原计算亲和度阈值，然后随机选择样本抗原，得到各类初始人工识别球种群和初始抗体记忆库，存入各类的人工免疫识别球数组和记忆抗体数组；

(4)对样本数组中的所有抗原样本进行人工免疫系统训练，得到所有样区的抗体记忆库，对每个抗原样本的训练包括以下5个步骤；

(4.1)计算样本抗原到同类初始抗体记忆库中每个记忆抗体的刺激水平，从同类初始抗体记忆库中找到与该抗原最匹配的记忆抗体；

(4.2)对最匹配记忆抗体进行克隆，得到克隆抗体数组，对克隆抗体数组中每个克隆抗体进行变异，将变异后的抗体存入同类人工免疫识别球种群数组；

(4.3)对人工免疫识别球种群进行抑制处理；

(4.4)对于经过步骤(4.3)处理后的人工免疫识别球种群，判断该种群的平均刺激水平是否满足设定刺激水平，如果满足则进入步骤(4.5)，不满足则对种群进行克隆变异操作，对克隆变异后的新种群由步骤(4.3)开始重新计算处理直到满足阈值条件；

(4.5)从人工免疫识别球种群中得到与样本抗原刺激水平最大的细胞作为候选记忆抗体，然后判断候选记忆抗体与步骤(4.1)中得到的匹配记忆抗体的刺激水平大小，如果大于匹配记忆细胞刺激水平，则候选记忆抗体进入抗体记忆库中，存入记忆抗体数组，然后再计算两者之间的亲和度，如果亲和度满足步骤(3)计算的亲和度阀值则匹配抗体从记忆抗体数组中去掉；

(5)选择下一训练样本，重复步骤(3)到步骤(4)，直到完成所有样区的样本训练，得到所有样区的抗体记忆库；

(6)对整幅影像，比较每个像元到抗体记忆库中记忆抗体的距离，将该像元判决到距离最小的那个记忆抗体所属的类别中去。

本发明设计了计算机程序来实现本发明的监督分类任务，程序采用人工免疫监督分类方法对影像抗原ImageAg进行训练，如果到达终止条件则进行分类完成，否则循环迭代训练影像抗原直到终止条件满足。为了令程序简洁，并且方便与现有的遥感影像处理软件结合和程序实现，大量地采用了函数调用思路。

为了提高本方法的分类效率，本发明提供了资源限制方法，包括以下步骤：首先计算该类人工免疫识别球种群中每个人工免疫识别球的刺激水平并进行标准化，根据刺激水平计算每个人工免疫识别球所占人工免疫系统资源；然后计算该类人工免疫识别球种群ARB的总资源，如果总资源超过系统允许资源，则减去刺激水平最小的人工免疫识别球直到总资源小于等于系统允许资源。人工免疫系统用于解决各类工程问题时，最为核心的问题是如何更新抗体记忆库。由于抗体记忆库中记忆细胞的更新由一般抗体经过刺激与抑制得到，因此抗体的刺激与抑制所采用的方法就成了应用人工免疫系统解决问题的关键技术。基于以上理论，本发明设计了抗体记忆库的进化思路：在本发明中，采用资源限制性方法来对ARB种群进行刺激与抑制，从而达到进化ARB种群记忆库的目的。其具体过程是对某个入侵抗原Ag，计算Ag到每个ARB抗体的刺激水平，根据其刺激水平按照资源分配机制进行资源分配，刺激水平越高，ARB就可以拥有更多的资源和B细胞，其中ARB种群的总资源是固定的。经历资源分配后，如果ARB失去所有的B细胞或者具有低刺激水平，则认为该ARB不能再表示训练数据而从网络清除。计算ARB种群的平均刺激水平，如果其平均刺激水平达到给定的刺激阈值，则完成对该抗原的训练，否则进化ARB种群并重新分配资源。实验证明资源限制性法既保证了ARB抗体种群更新中的抗体多样性，又同时避免了未成熟收敛和加快了算法的收敛速度。

为了方便计算，本发明还在进行步骤(2)之后，标准化样本抗原的特征向量，以保证样本抗原到抗体的距离或者抗体到抗体之间的距离的取值在0～1之间。进行归一化给之后计算变异率带来了便利。

以下结合实施例具体实施步骤详细说明本发明技术方案：

(1)利用遥感影像处理系统，通过输入影像宽度、高度、波段数和数据类型打开输入遥感影像。本发明实施例中遥感影像的总波段数采用N_b标记。该过程属影像输入过程，实现程序不详细介绍。目前，遥感领域的计算机应用已经十分普遍，采用遥感影像处理程序对遥感得到的数字图像进行处理是常用手段，具备了基本打开图像功能和采样工具的遥感影像处理程序均可以供本发明实施使用。具体实施时，可以把遥感影像处理程序的基本功能和本发明方法的其他步骤所需功能结合成一体，通过计算机编程即可实现。

(2)根据实际的地物分布和所需的分类类别数，在遥感影像上利用样区工具选择出感兴趣样区，在计算机中开辟一个样本数组TrainAg，将训练样本存入样本数组。该数组类型为结构体ROIAg类型，结构体包括样本数据和样本数据类别两个结构体变量。具体实施时可以设置由程序提供算法参数输入框，弹出算法参数输入框后，输入算法所需要参数，主要包括：克隆率R_clone，刺激水平阈值S_threshold，资源阈值E_允。设置完算法参数后激活该算法的执行程序。程序采用人工免疫系统对样区的样本抗原Ag进行训练，如果训练完成则进行分类，否则循环直到所有样本抗原训练完成。主函数程序流程框图见附图3。

本发明提供的技术方案还标准化了样本抗原的特征向量，以保证样本抗原到抗体的距离或者抗体到抗体之间的距离的取值在0~1之间。具体实施例通过进入初始化函数Initialization()入口，然后调用标准化函数Normalization()实现。

(3)利用样本数组TrainAg中所有样本抗原计算亲和度阈值(affinitythreshold，标记为AT)，该阈值将在步骤4.5中进化记忆库时起到关键作用。假设某个训练样本集含有n个抗原(antigen，标记为g)，则AT为该训练样本集的平均亲和度，其计算公式如下：

$\mathrm{AT}=\frac{\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{n}{\mathrm{\Σ}}}\mathrm{affinity}(g_i,g_j)}{n(n-1)/2},$

其中亲和度计算公式为

$\mathrm{affinity}(g_i,g_j)=\sqrt{\underset{k=1}{\overset{\mathrm{Nb}}{\mathrm{\Σ}}}{(g_{\mathrm{ik}}-g_{\mathrm{jk}})}^2}.$

上式公式中，g_i表示训练样本集中的第i个抗原，其中g_ik表示抗原g_i的第k个波段的数值。

然后从训练样本集中随机选择一定数量的抗原将其数值赋值给人工免疫识别球和某个记忆抗体，得到初始人工识别球种群AB和初始抗体记忆库MC，分别存入人工识别球种群数组ABArray和抗体记忆库数组MCarray。具体实施例步骤参见附图4，标准化函数Normalization()计算完毕后，计算AT；随机选择获取初始ABArray内容和初始MCArray内容；然后调用ARB产生函数GenerateARB()，以进入下一步骤。

(4)对样本数组TrainAg中的所有抗原样本进行人工免疫系统训练，得到所有样区的抗体记忆库，对每个抗原样本的训练包括以下5个步骤；

(4.1)对于某个样本抗原g，从与该抗原同类的记忆库中找到与该抗原最匹配的记忆细胞C_配，其中 其中stimulation(x，y)＝1-affinity(x，y)，argmax符号表示取最大值。

(4.2)当C_配确定后，对C_配进行克隆，得到克隆抗体数组CloneAB，遍历克隆抗体数组CloneAB，对每个克隆抗体以相应的变异率进行变异，将变异后得到的新人工免疫识别球存入对应类别的人工免疫识别球种群数组ABArray中，其中克隆数N_clone为：N_clone＝R_hyper*N_clone*stimulation(g,C_配)，其中R_hyper表示免疫系统的超变异值，一般取值为2。参见图5，本发明实施例采用调用变异函数mutate()的方式实现变异操作，函数内容如下：克隆抗体数组CloneAB中某个克隆抗体，ARB_j，进行如下操作，每操作一次变量j自加1，直到变量j＞克隆总数N_clone时对克隆抗体数组CloneAB变异完毕；对于ARB_j的第i个波段值vi，通过计算得到第i个波段的最小值minvi(赋值给变量ai)和最大值maxvi(赋值给变量bi)，通过以下公式进行变异：

上式中的random(-1，1)随机数函数，通过该函数产生范围在[-1，1]的随机数。具体实施例将随机数random(0，1)赋值给变量rd_mr，将随机数random(-1，1)赋值给变量rd_mr，以便计算机进行运算。

函数Δ(t，y)的具体表达式可以取为

$\mathrm{\Δ}(t,y)=y(1-r^{{(1-\frac{t}{T})}^{\mathrm{\λ}}})$

其中r是[0，1]上的一个随机数，T为变异最大代数，t为当前变异代数，λ是决定非一致性程度的一个参数，它起着调整局部搜索区域的作用，其取值一般为2到5。

(4.3)采用资源限制性方法对人工免疫识别球种群进行处理。参见附图6，在本发明实施例中由ARB资源竞争函数ARBRescomep()实现。具体步骤如下：

首先标准化人工免疫识别球种群数组ABArray中人工免疫识别球ARB的刺激水平和计算其资源。首先在人工免疫识别球种群数组ABArray中得到其最高刺激水平(S_max)和最低刺激水平(S_min)；此处人工免疫识别球种群数组ABArray中的每个人工免疫识别球ARB标记为b，对于每个b∈ABArray，标准化其刺激水平，标准化公式为 $b_{\mathrm{stim}}=\frac{b_{\mathrm{stim}}-S_{\min }}{S_{\max }-S_{\min }};$ 对于每个b∈ABArray，计算其资源b_resource＝b_stim*R_clone。ARB资源竞争函数ARBRescomep()中的相应步骤为：输入人工免疫识别球种群数组ABArray内容；通过统计所有人工免疫识别球的刺激水平获得人工免疫识别球的最高刺激水平(S_max)和最低刺激水平(S_min)；标准化ABArray数组中每个人工识别球b的刺激水平；计算标准化ABArray数组中每个人工识别球的资源。

然后统计ABArray中ARB所有的资源，得到总资源E_总，比较E_总与允许的资源阈值E_允的大小，如果E_总大于E_允，则首先减去刺激水平最小的人工免疫识别球，直到满足阈值E_允为止。

(4.4)判断该种群的平均刺激水平s是否大于刺激水平阈值S_threshold，如果进入步骤(4.5)，不满足则对种群进行克隆变异操作产生新的人工免疫识别球种群，这种克隆变异操作可以参考步骤(4.2)。对克隆变异后的新种群由步骤(4.3)开始重新计算处理直到满足阈值条件。

(4.5)计算抗原到所有b∈ABArray的刺激水平，刺激水平最高的b选为候选记忆细胞C_候。判断抗原g到C_候和C_配的刺激水平，如果stimulation(g，C_候)大于stimulation(g，C_配)则将C_候加入记忆库MCArray中。然后再计算C_候和C_配之间的亲和度，如果亲和度affinity(C_候，C_配)小于亲和度阈值AT和亲和度阈值比例ATS的乘积则将C_配从记忆库MCArray中去除，以保证记忆库MCArray中的记忆细胞在一定的数量之内(ATS事先设定，用以给出设定范围)。参见图7，本发明实施例通过调用记忆库进化函数DevelopMCpop()实现以上操作，图中变量aff用来标记亲和度affinity(C_候，C_配)，S(g，C_候)用来标记stimulation(g，C_候)，S(g，C_配)用来标记stimulation(g，C_配)。

对于样本数组中的所有抗原样本进行步骤(4.1)到步骤(4.6)，即可完成该类样本训练过程。

(5)选择下一训练样本，重复步骤(3)到步骤(4)，直到完成在步骤(2)中样区工具所选择的所有样区的样本抗原训练，得到所有样区的抗体记忆库。

(6)对整幅影像，比较每个像元到抗体记忆库中记忆抗体的距离，将该像元判决到距离最小的那个记忆抗体所属的类别中去。

采用函数调用思想为本发明的技术方案编程后，整体的程序实施结构为：输入待分类遥感影像；选择样区；定义样本数组TrainAg；进入主函数入口；设置算法参数；调用分类函数AISClassifier()；进入分类函数AISClassifier()入口后，输入样本数组TrainAg中的样区数据；调用初始化函数Initialization()，确定初始抗体种群和记忆抗体；调用ARB产生函数GenerateARB()；调用ARB资源竞争函数ARBRescomep()；判断该种群的平均刺激水平s是否大于刺激水平阈值S_threshold，否则返回ARB资源竞争函数ARBRescomep()；若平均刺激水平s大于刺激水平阈值S_threshold，调用记忆库进化函数DevelopMCPop()；选择下一样本，直到所有样区抗原都被训练完成；完成最后的分类判决，取得分类结果影像。

Claims (4)

1.一种遥感影像的人工免疫监督分类方法，其特征是：

(1)通过遥感影像处理程序打开待分类遥感影像；

(2)根据实际地物分布和分类类别数，在遥感影像上利用样区工具选择感兴趣样区或训练样区，将训练样本存为样本数组，输入算法参数；

(3)利用所有样本抗原计算亲和度阈值，然后随机选择样本抗原，得到各类初始人工识别球种群和初始抗体记忆库，存入各类的人工免疫识别球数组和记忆抗体数组；

(4)对样本数组中的所有抗原样本进行人工免疫系统训练，得到所有样区的抗体记忆库，对每个抗原样本的训练包括以下5个步骤；

(4.1)计算样本抗原到同类初始抗体记忆库中每个记忆抗体的刺激水平，从同类初始抗体记忆库中找到与该抗原最匹配的记忆抗体；

(4.2)对最匹配记忆抗体进行克隆，得到克隆抗体数组，对克隆抗体数组中每个克隆抗体进行变异，将变异后的抗体存入同类人工免疫识别球种群数组；

(4.3)对人工免疫识别球种群进行抑制处理；

(4.4)对于经过步骤(4.3)处理后的人工免疫识别球种群，判断该种群的平均刺激水平是否满足设定刺激水平，如果满足则进入步骤(4.5)，不满足则对种群进行克隆变异操作，对克隆变异后的新种群由步骤(4.3)开始重新计算处理直到满足阈值条件；

(4.5)从人工免疫识别球种群中得到与样本抗原刺激水平最大的细胞作为候选记忆抗体，然后判断候选记忆抗体与步骤(4.1)中得到的匹配记忆抗体的刺激水平大小，如果大于匹配记忆细胞刺激水平，则候选记忆抗体进入抗体记忆库中，存入记忆抗体数组，然后再计算两者之间的亲和度，如果亲和度满足步骤(3)计算的亲和度阀值则匹配抗体从记忆抗体数组中去掉；

(5)选择下一训练样本，重复步骤(3)到步骤(4)，直到完成所有样区的样本训练，得到所有样区的抗体记忆库；

(6)对整幅影像，比较每个像元到抗体记忆库中记忆抗体的距离，将该像元判决到距离最小的那个记忆抗体所属的类别中去。

2.如权利要求1所述的人工免疫监督分类方法，其特征是：算法参数包括有克隆率、刺激水平阈值和系统资源阈值，根据克隆率对最匹配记忆抗体进行克隆，根据刺激水平阈值判断人工免疫识别球种群的平均刺激水平是否满足设定刺激水平。

3.如权利要求1所述的人工免疫监督分类方法，其特征是：采用资源限制性方法对人工免疫识别球种群进行抑制处理，包括以下步骤，首先计算人工免疫识别球种群中每个人工免疫识别球的刺激水平并进行标准化，根据刺激水平计算每个人工免疫识别球所占人工免疫系统资源；然后计算人工免疫识别球种群的总资源，如果总资源超过系统资源阀值，则减去刺激水平最小的人工免疫识别球直到总资源小于等于系统允许资源。

4.如权利要求1或2或3所述的人工免疫监督分类方法，其特征是：在进行步骤(2)之后，标准化样本抗原的特征向量，以保证样本抗原到抗体的距离或者抗体到抗体之间的距离的取值在0～1之间。

Images