專(zhuān)利名稱：一種基于蜂群智能的遙感影像分類(lèi)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計(jì)算機(jī)和遙感影像信息提取技術(shù)領(lǐng)域，特別涉及一種基于蜂群智能的遙感影像分類(lèi)方法。
背景技術(shù)：
遙感影像分類(lèi)是土地利用專(zhuān)題信息提取的一個(gè)重要環(huán)節(jié)，是遙感影像應(yīng)用的基礎(chǔ)。傳統(tǒng)的統(tǒng)計(jì)分析分類(lèi)方法主要有最大似然法、最短距離法、光譜角分類(lèi)法、K-Means法、IS0DATA法、貝葉斯分類(lèi)法。這些方法以統(tǒng)計(jì)學(xué)原理為基礎(chǔ)，為訓(xùn)練數(shù)據(jù)遵循正態(tài)分布為前提，訓(xùn)練樣本的選擇和參數(shù)估計(jì)直接影響分類(lèi)結(jié)果。其后，學(xué)者們提出一些新的分類(lèi)方法，如人工神經(jīng)網(wǎng)絡(luò)法、決策樹(shù)分類(lèi)法、支持向量機(jī)分類(lèi)法和面向?qū)ο蠓诸?lèi)法等，取得了較好的分類(lèi)效果。仿生智能計(jì)算模擬自然界中生物群行為(螞蟻覓食、鳥(niǎo)類(lèi)覓食、蜜蜂采蜜等)，通過(guò)個(gè)體間的相互協(xié)作和競(jìng)爭(zhēng)而表現(xiàn)出群體智能行為，逐漸成為解決復(fù)雜優(yōu)化求解的重要工具。當(dāng)?shù)乇頎顩r非常復(fù)雜時(shí)，一般的遙感分類(lèi)方法不能很好地處理線性不可分的地物，仿生智能計(jì)算通過(guò)模擬自然界中生物群行為，智能挖掘影像分類(lèi)規(guī)則為解決這一問(wèn)題提供新的手段。近年來(lái)，已經(jīng)有學(xué)者嘗試將仿生智能計(jì)算應(yīng)用到遙感影像分類(lèi)中，提出基于蟻群智能的遙感影像分類(lèi)方法、基于粒子群智能優(yōu)化的遙感分類(lèi)方法，取得較好的分類(lèi)效果。目前，仿生智能計(jì)算領(lǐng)域出現(xiàn)一種元啟發(fā)式仿生算法——人工蜂群算法，該算法是一種模擬蜜蜂群采蜜行為的群智能優(yōu)化算法。與遺傳算法、粒子群算法等智能計(jì)算方法相比，人工蜂群算法的突出優(yōu)點(diǎn)是每次迭代中都進(jìn)行全局和局部搜索，因而找到最優(yōu)解的概率大大增加，并在較大程度上避免了局部最優(yōu)。因此，本發(fā)明提出一種基于蜂群智能的遙感影像分類(lèi)方法，將人工蜂群算法應(yīng)用到遙感影像分類(lèi)中，并根據(jù)遙感圖像分類(lèi)的具體特征對(duì)算法進(jìn)行改進(jìn)。

發(fā)明內(nèi)容
智能式遙感分類(lèi)方法能很好地處理遙感影像分類(lèi)中線性不可分的復(fù)雜地物。為提高遙感影像的分類(lèi)精度，智能挖掘遙感影像的最優(yōu)分類(lèi)規(guī)則，并在較大程度上避免了局部最優(yōu)，本發(fā)明的目的是提出一種基于蜂群智能的遙感影像分類(lèi)方法，通過(guò)模仿蜜蜂采蜜行為的方式來(lái)，在多維空間中不斷地搜索遙感影像各波段的最優(yōu)區(qū)間，各波段最優(yōu)區(qū)間與影像類(lèi)別連接，構(gòu)造以IF-THEN形式表達(dá)的遙感影像分類(lèi)規(guī)則，從而更清晰方便地描述遙感影像分類(lèi)中的復(fù)雜關(guān)系。本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是一種基于蜂群智能的遙感影像分類(lèi)方法，包括以下步驟(1)采用分層均勻抽樣的方式在遙感影像上采集樣本數(shù)據(jù)，并將樣本數(shù)據(jù)分成兩部分訓(xùn)練樣本數(shù)據(jù)和測(cè)試樣本數(shù)據(jù)；(2)定義蜂群搜索路徑為各波段最優(yōu)分割點(diǎn)和地物類(lèi)別節(jié)點(diǎn)的連線，構(gòu)造以IF-THEN形式表達(dá)的遙感影像分類(lèi)規(guī)則；(3)根據(jù)遙感圖像分類(lèi)的具體特征，構(gòu)造遙感影像分類(lèi)適應(yīng)度函數(shù)；(4)遙感影像分類(lèi)規(guī)則的蜂群智能挖掘及修剪；(5)遙感影像分類(lèi)規(guī)則對(duì)訓(xùn)練數(shù)據(jù)的覆蓋；(6)使用蜂群挖掘的分類(lèi)規(guī)則對(duì)遙感影像進(jìn)行分類(lèi)，并評(píng)價(jià)測(cè)試樣本數(shù)據(jù)的分類(lèi)精度。本發(fā)明依賴的理論基礎(chǔ)是人工蜂群算法模型。蜜蜂是一種典型的群居生物，自然界的蜜蜂無(wú)論身處什么環(huán)境總能很自如地發(fā)現(xiàn)優(yōu)良的食物源。人工蜂群算法模型主要包含三個(gè)基本部分食物源、采蜜蜂、待工蜂。食物源代表各種可能的解，相當(dāng)于優(yōu)化問(wèn)題解的位置。采蜜蜂EF儲(chǔ)存有某一個(gè)食物源的相關(guān)信息(相對(duì)于蜂巢的距離方向、花蜜的數(shù)量等)并且將這些信息以一定的概率與其它蜜蜂分享，根據(jù)路徑長(zhǎng)度排序，按一定比例，部分成為引領(lǐng)蜂。待工蜂UF分為跟隨蜂和偵查蜂。跟隨蜂在蜂巢觀察完引領(lǐng)蜂的搖擺舞后，通過(guò)舞蹈的劇烈程度、持續(xù)時(shí)間等，來(lái)確定食物源的收益率，并依據(jù)收益率來(lái)選擇到哪個(gè)食物源采蜜；偵查蜂負(fù)責(zé)隨機(jī)搜索蜂巢附近的食物源，增強(qiáng)算法跳出局部最優(yōu)解的能力。本發(fā)明一種基于人工蜂群算法的智能式遙感分類(lèi)方法，適用于各種遙感影像的分類(lèi)，采用模仿蜜蜂采蜜行為的群智能優(yōu)化算法，自動(dòng)搜索遙感影像各波段的最優(yōu)分割點(diǎn)，定義各波段最優(yōu)分割點(diǎn)和地物類(lèi)別節(jié)點(diǎn)的連線為蜂群搜索路徑，構(gòu)造以IF-THEN形式表達(dá)的遙感分類(lèi)規(guī)則，分類(lèi)規(guī)則的挖掘過(guò)程隱含有圖像波段優(yōu)點(diǎn)的選取。


圖1是本發(fā)明蜂群智能遙感分類(lèi)方法的原理圖。圖2是蜜蜂采蜜工作圖。圖3為本發(fā)明遙感影像分類(lèi)規(guī)則示意圖。
具體實(shí)施例方式下面對(duì)本發(fā)明實(shí)例中的技術(shù)方案進(jìn)行清楚、完整的描述。顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。本發(fā)明的一種基于人工蜂群算法的智能式遙感分類(lèi)方法，如圖1所示，包括以下步驟(1)采用分層均勻抽樣的方式在遙感影像上采集樣本數(shù)據(jù)，并將樣本數(shù)據(jù)分成兩部分訓(xùn)練樣本數(shù)據(jù)和測(cè)試樣本數(shù)據(jù)；(2)定義蜂群搜索路徑為各波段最優(yōu)分割點(diǎn)和地物類(lèi)別節(jié)點(diǎn)的連線，構(gòu)造以IF-THEN形式表達(dá)的遙感影像分類(lèi)規(guī)則；(3)根據(jù)遙感圖像分類(lèi)的具體特征，構(gòu)造遙感影像分類(lèi)適應(yīng)度函數(shù)；(4)遙感影像分類(lèi)規(guī)則的蜂群智能挖掘及修剪；
(5)遙感影像分類(lèi)規(guī)則對(duì)訓(xùn)練數(shù)據(jù)的覆蓋；(6)使用蜂群挖掘的分類(lèi)規(guī)則對(duì)遙感影像進(jìn)行分類(lèi)，并評(píng)價(jià)測(cè)試樣本數(shù)據(jù)的分類(lèi)精度。蜜蜂采蜜工作圖如圖2所示。設(shè)有兩個(gè)已經(jīng)發(fā)現(xiàn)的食物源A和B，初始時(shí)，待工蜂沒(méi)有任何關(guān)于蜂巢附近食物源的信息，有兩種選擇的可能①成為偵察蜂，由于某一內(nèi)部激勵(lì)或可能的外在因素，開(kāi)始自發(fā)地搜尋在蜂巢附近的食物源(圖2中“S”線)。②可以被招募并開(kāi)始按照獲得的信息尋找食物源(圖2中“R”線)。初始時(shí)刻，所有蜜蜂沒(méi)有任何先驗(yàn)知識(shí)，其角色都是偵察蜂。隨機(jī)搜索到食物源后，偵察蜂返回蜂巢的舞蹈區(qū)，根據(jù)食物源收益度的相對(duì)大小，偵察蜂可做如下選擇①放棄食物源，成為跟隨蜂；②在返回同一食物源前，招募蜂巢其他伙伴(圖2中“EF1”線)重復(fù)自己的采蜜路徑，繼續(xù)進(jìn)行采蜜(圖2中“EF2”線)。
采用分層均勻抽樣的方式在遙感影像上采集樣本數(shù)據(jù)，并將樣本數(shù)據(jù)分成兩部分訓(xùn)練樣本數(shù)據(jù)和測(cè)試樣本數(shù)據(jù)；將樣本數(shù)據(jù)進(jìn)行格式化處理，其組織格式如下(‘波段I’ ‘波段2值’ ‘波段3值’……‘類(lèi)型’)。影像分類(lèi)規(guī)則挖掘時(shí)，定義蜂群搜索路徑為遙感影像各波段最優(yōu)分割點(diǎn)和影像分類(lèi)節(jié)點(diǎn)的連線，構(gòu)造以IF-THEN形式表達(dá)的遙感影像分類(lèi)規(guī)則。遙感影像分類(lèi)規(guī)則如圖3所示，其中各波段最優(yōu)分割點(diǎn)最多只出現(xiàn)一次，且必須有影像分類(lèi)節(jié)點(diǎn)。每條路徑對(duì)應(yīng)一條分類(lèi)規(guī)則，分類(lèi)規(guī)則的挖掘相當(dāng)于是對(duì)最優(yōu)路徑的搜索，即多維空間最優(yōu)解的搜索。分類(lèi)規(guī)則的格式如下
權(quán)利要求
1.一種基于蜂群智能的遙感影像分類(lèi)方法，其特征在于包括以下步驟(1)采用分層均勻抽樣的方式在遙感影像上采集樣本數(shù)據(jù)，并將樣本數(shù)據(jù)分成兩部分訓(xùn)練樣本數(shù)據(jù)和測(cè)試樣本數(shù)據(jù)；(2)定義蜂群搜索路徑為各波段最優(yōu)分割點(diǎn)和地物類(lèi)別節(jié)點(diǎn)的連線，構(gòu)造以IF-THEN形式表達(dá)的遙感影像分類(lèi)規(guī)則；(3)根據(jù)遙感圖像分類(lèi)的具體特征，構(gòu)造遙感影像分類(lèi)適應(yīng)度函數(shù)；(4)遙感影像分類(lèi)規(guī)則的蜂群智能挖掘及修剪；(5)遙感影像分類(lèi)規(guī)則對(duì)訓(xùn)練數(shù)據(jù)的覆蓋；(6)使用蜂群挖掘的分類(lèi)規(guī)則對(duì)遙感影像進(jìn)行分類(lèi)，并評(píng)價(jià)測(cè)試樣本數(shù)據(jù)的分類(lèi)精度。
2.根據(jù)權(quán)利要求1所述的一種基于蜂群智能的遙感影像分類(lèi)方法，其特征在于所述步驟(4)中，模仿蜜蜂的采蜜行為挖掘遙感影像的分類(lèi)規(guī)則，蜂群在每個(gè)遙感影像波段搜索最優(yōu)上界和最優(yōu)下界，遙感影像分類(lèi)規(guī)則的挖掘過(guò)程隱含有圖像波段優(yōu)點(diǎn)的選取，遙感影像分類(lèi)規(guī)則的蜂群智能挖掘及修剪的具體過(guò)程包括以下步驟(1)使用蜂群初始化函數(shù)生成初始采蜜蜂種群，并用分類(lèi)適應(yīng)度函數(shù)計(jì)算蜂群分類(lèi)適應(yīng)度；然后，使用規(guī)則修剪函數(shù)對(duì)初始分類(lèi)規(guī)則中條件項(xiàng)進(jìn)行修剪處理，即依次刪掉規(guī)則中的某條件項(xiàng)后，如果該規(guī)則的適應(yīng)度變大，就刪除該條件項(xiàng)；否則保留該條件項(xiàng)，從而簡(jiǎn)化分類(lèi)規(guī)則；(2)開(kāi)始蜂群進(jìn)化過(guò)程，采蜜蜂在當(dāng)前蜜源周?chē)粩嗨阉鬣従用墼矗梅诸?lèi)適應(yīng)度函數(shù)計(jì)算該鄰居蜜源上蜂群分類(lèi)適應(yīng)度；同樣使用規(guī)則修剪函數(shù)修剪當(dāng)前鄰居蜜源上蜂群分類(lèi)規(guī)則，對(duì)該鄰居蜜源上蜂群分類(lèi)規(guī)則中條件項(xiàng)進(jìn)行修剪處理，僅保留對(duì)當(dāng)前分類(lèi)規(guī)則的適應(yīng)度有影響的主要條件項(xiàng)；(3)采用貪婪選擇算子，如果鄰居蜜源的蜂群分類(lèi)適應(yīng)度值大于當(dāng)前蜜源的蜂群分類(lèi)適應(yīng)度值，則將該鄰居蜜源替代當(dāng)前蜜源，使采蜜蜂選取更優(yōu)適應(yīng)度的蜜源保留給下一代的種群，從而保證了種群能夠保留精英個(gè)體，使得進(jìn)化方向不會(huì)后退；(4)跟隨蜂依照采蜜蜂種群適應(yīng)度值大小選擇一個(gè)采蜜蜂；(5)同步驟(2)和(3)，每只跟隨蜂搜索鄰居蜜源，并記下種群最終更新過(guò)后達(dá)到的最優(yōu)適應(yīng)度值及相應(yīng)的參數(shù)；(6)當(dāng)蜜蜂搜索次數(shù)達(dá)到某閾值Tl而仍沒(méi)有找到更優(yōu)位置時(shí)，則用蜂群初始化函數(shù)重初始化該蜜蜂的位置；(7)當(dāng)全局最優(yōu)適應(yīng)度值達(dá)到一定的穩(wěn)定值或迭代次數(shù)達(dá)到一定閾值T2時(shí)，終止蜂群進(jìn)化過(guò)程，并輸出最優(yōu)蜂群分類(lèi)規(guī)則和其最優(yōu)分類(lèi)適應(yīng)度值；否則轉(zhuǎn)向步驟(2)，繼續(xù)進(jìn)行蜂群優(yōu)化。
3.根據(jù)權(quán)利要求1所述的一種基于人工蜂群算法的智能式遙感分類(lèi)方法，其特征在于所述步驟(5)的具體過(guò)程包括以下步驟(I)使用規(guī)則保存函數(shù)，將蜂群智能挖掘的最優(yōu)分類(lèi)規(guī)則及其最優(yōu)分類(lèi)適應(yīng)度值保存到遙感影像分類(lèi)規(guī)則集中；(2)使用樣本刷新函數(shù)，在訓(xùn)練數(shù)據(jù)中移除當(dāng)前規(guī)則覆蓋的樣本數(shù)據(jù)，即影像波段屬性和土地利用類(lèi)型均與分類(lèi)規(guī)則的相匹配的數(shù)據(jù)；(3)使用規(guī)則覆蓋移除后的訓(xùn)練數(shù)據(jù)搜索下一條分類(lèi)規(guī)則；(4)當(dāng)訓(xùn)練數(shù)據(jù)中某一土地利用類(lèi)別的規(guī)則樣本覆蓋度，即某一類(lèi)別的規(guī)則所覆蓋 的樣本數(shù)/該類(lèi)別樣本數(shù)，達(dá)到一定閾值T3時(shí)，終止該類(lèi)別數(shù)據(jù)的規(guī)則挖掘，開(kāi)始下一類(lèi)別的規(guī)則挖掘，直至所有類(lèi)別的規(guī)則挖掘完畢。
全文摘要
本發(fā)明公開(kāi)一種基于蜂群智能的遙感影像分類(lèi)方法，屬于計(jì)算機(jī)和遙感影像信息提取技術(shù)領(lǐng)域。結(jié)合仿生智能計(jì)算方法，采用模仿蜜蜂采蜜行為的群智能優(yōu)化算法，自動(dòng)搜索遙感影像各波段的最優(yōu)分割點(diǎn)，定義各波段最優(yōu)分割點(diǎn)和地物類(lèi)別節(jié)點(diǎn)的連線為蜂群搜索路徑，構(gòu)造以IF-THEN形式表達(dá)的遙感分類(lèi)規(guī)則。該智能式遙感分類(lèi)方法不需使用數(shù)學(xué)公式，能更清晰地表達(dá)地物分類(lèi)中的復(fù)雜關(guān)系。與See5.0決策樹(shù)方法相比，本發(fā)明方法的遙感影像總體分類(lèi)精度和Kappa系數(shù)均比See5.0決策樹(shù)方法更高，該智能遙感分類(lèi)方法具有更好的遙感影像分類(lèi)效果。
文檔編號(hào)G06K9/62GK103049757SQ20121046183
公開(kāi)日2013年4月17日 申請(qǐng)日期2012年11月16日 優(yōu)先權(quán)日2012年11月16日
發(fā)明者曹敏, 史照良, 陽(yáng)建逸, 范雪婷 申請(qǐng)人:南京師范大學(xué)