專利名稱：一種基于蜂群智能的遙感影像分類方法
技術(shù)領域：
本發(fā)明屬于計算機和遙感影像信息提取技術(shù)領域，特別涉及一種基于蜂群智能的遙感影像分類方法。
背景技術(shù)：
遙感影像分類是土地利用專題信息提取的一個重要環(huán)節(jié)，是遙感影像應用的基礎。傳統(tǒng)的統(tǒng)計分析分類方法主要有最大似然法、最短距離法、光譜角分類法、K-Means法、IS0DATA法、貝葉斯分類法。這些方法以統(tǒng)計學原理為基礎，為訓練數(shù)據(jù)遵循正態(tài)分布為前提，訓練樣本的選擇和參數(shù)估計直接影響分類結(jié)果。其后，學者們提出一些新的分類方法，如人工神經(jīng)網(wǎng)絡法、決策樹分類法、支持向量機分類法和面向?qū)ο蠓诸惙ǖ龋〉昧溯^好的分類效果。仿生智能計算模擬自然界中生物群行為(螞蟻覓食、鳥類覓食、蜜蜂采蜜等)，通過個體間的相互協(xié)作和競爭而表現(xiàn)出群體智能行為，逐漸成為解決復雜優(yōu)化求解的重要工具。當?shù)乇頎顩r非常復雜時，一般的遙感分類方法不能很好地處理線性不可分的地物，仿生智能計算通過模擬自然界中生物群行為，智能挖掘影像分類規(guī)則為解決這一問題提供新的手段。近年來，已經(jīng)有學者嘗試將仿生智能計算應用到遙感影像分類中，提出基于蟻群智能的遙感影像分類方法、基于粒子群智能優(yōu)化的遙感分類方法，取得較好的分類效果。目前，仿生智能計算領域出現(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算方法相比，人工蜂群算法的突出優(yōu)點是每次迭代中都進行全局和局部搜索，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方法，將人工蜂群算法應用到遙感影像分類中，并根據(jù)遙感圖像分類的具體特征對算法進行改進。

發(fā)明內(nèi)容
智能式遙感分類方法能很好地處理遙感影像分類中線性不可分的復雜地物。為提高遙感影像的分類精度，智能挖掘遙感影像的最優(yōu)分類規(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方法，通過模仿蜜蜂采蜜行為的方式來，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)間與影像類別連接，構(gòu)造以IF-THEN形式表達的遙感影像分類規(guī)則，從而更清晰方便地描述遙感影像分類中的復雜關(guān)系。本發(fā)明解決其技術(shù)問題所采用的技術(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)分成兩部分訓練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)；(2)定義蜂群搜索路徑為各波段最優(yōu)分割點和地物類別節(jié)點的連線，構(gòu)造以IF-THEN形式表達的遙感影像分類規(guī)則；(3)根據(jù)遙感圖像分類的具體特征，構(gòu)造遙感影像分類適應度函數(shù)；(4)遙感影像分類規(guī)則的蜂群智能挖掘及修剪；(5)遙感影像分類規(guī)則對訓練數(shù)據(jù)的覆蓋；(6)使用蜂群挖掘的分類規(guī)則對遙感影像進行分類，并評價測試樣本數(shù)據(jù)的分類精度。本發(fā)明依賴的理論基礎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，相當于優(yōu)化問題解的位置。采蜜蜂EF儲存有某一個食物源的相關(guān)信息(相對于蜂巢的距離方向、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)路徑長度排序，按一定比例，部分成為引領蜂。待工蜂UF分為跟隨蜂和偵查蜂。跟隨蜂在蜂巢觀察完引領蜂的搖擺舞后，通過舞蹈的劇烈程度、持續(xù)時間等，來確定食物源的收益率，并依據(jù)收益率來選擇到哪個食物源采蜜；偵查蜂負責隨機搜索蜂巢附近的食物源，增強算法跳出局部最優(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方法，適用于各種遙感影像的分類，采用模仿蜜蜂采蜜行為的群智能優(yōu)化算法，自動搜索遙感影像各波段的最優(yōu)分割點，定義各波段最優(yōu)分割點和地物類別節(jié)點的連線為蜂群搜索路徑，構(gòu)造以IF-THEN形式表達的遙感分類規(guī)則，分類規(guī)則的挖掘過程隱含有圖像波段優(yōu)點的選取。


圖1是本發(fā)明蜂群智能遙感分類方法的原理圖。圖2是蜜蜂采蜜工作圖。圖3為本發(fā)明遙感影像分類規(guī)則示意圖。
具體實施例方式下面對本發(fā)明實例中的技術(shù)方案進行清楚、完整的描述。顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部實施例?；诒景l(fā)明中的實施例，本領域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。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)分成兩部分訓練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)；(2)定義蜂群搜索路徑為各波段最優(yōu)分割點和地物類別節(jié)點的連線，構(gòu)造以IF-THEN形式表達的遙感影像分類規(guī)則；(3)根據(jù)遙感圖像分類的具體特征，構(gòu)造遙感影像分類適應度函數(shù)；(4)遙感影像分類規(guī)則的蜂群智能挖掘及修剪；
(5)遙感影像分類規(guī)則對訓練數(shù)據(jù)的覆蓋；(6)使用蜂群挖掘的分類規(guī)則對遙感影像進行分類，并評價測試樣本數(shù)據(jù)的分類精度。蜜蜂采蜜工作圖如圖2所示。設有兩個已經(jīng)發(fā)現(xiàn)的食物源A和B，初始時，待工蜂沒有任何關(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)部激勵或可能的外在因素，開始自發(fā)地搜尋在蜂巢附近的食物源(圖2中“S”線)。②可以被招募并開始按照獲得的信息尋找食物源(圖2中“R”線)。初始時刻，所有蜜蜂沒有任何先驗知識，其角色都是偵察蜂。隨機搜索到食物源后，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)重復自己的采蜜路徑，繼續(xù)進行采蜜(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)分成兩部分訓練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)；將樣本數(shù)據(jù)進行格式化處理，其組織格式如下(‘波段I’ ‘波段2值’ ‘波段3值’……‘類型’)。影像分類規(guī)則挖掘時，定義蜂群搜索路徑為遙感影像各波段最優(yōu)分割點和影像分類節(jié)點的連線，構(gòu)造以IF-THEN形式表達的遙感影像分類規(guī)則。遙感影像分類規(guī)則如圖3所示，其中各波段最優(yōu)分割點最多只出現(xiàn)一次，且必須有影像分類節(jié)點。每條路徑對應一條分類規(guī)則，分類規(guī)則的挖掘相當于是對最優(yōu)路徑的搜索，即多維空間最優(yōu)解的搜索。分類規(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)分成兩部分訓練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)；(2)定義蜂群搜索路徑為各波段最優(yōu)分割點和地物類別節(jié)點的連線，構(gòu)造以IF-THEN形式表達的遙感影像分類規(guī)則；(3)根據(jù)遙感圖像分類的具體特征，構(gòu)造遙感影像分類適應度函數(shù)；(4)遙感影像分類規(guī)則的蜂群智能挖掘及修剪；(5)遙感影像分類規(guī)則對訓練數(shù)據(jù)的覆蓋；(6)使用蜂群挖掘的分類規(guī)則對遙感影像進行分類，并評價測試樣本數(shù)據(jù)的分類精度。
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規(guī)則，蜂群在每個遙感影像波段搜索最優(yōu)上界和最優(yōu)下界，遙感影像分類規(guī)則的挖掘過程隱含有圖像波段優(yōu)點的選取，遙感影像分類規(guī)則的蜂群智能挖掘及修剪的具體過程包括以下步驟(1)使用蜂群初始化函數(shù)生成初始采蜜蜂種群，并用分類適應度函數(shù)計算蜂群分類適應度；然后，使用規(guī)則修剪函數(shù)對初始分類規(guī)則中條件項進行修剪處理，即依次刪掉規(guī)則中的某條件項后，如果該規(guī)則的適應度變大，就刪除該條件項；否則保留該條件項，從而簡化分類規(guī)則；(2)開始蜂群進化過程，采蜜蜂在當前蜜源周圍不斷搜索鄰居蜜源，用分類適應度函數(shù)計算該鄰居蜜源上蜂群分類適應度；同樣使用規(guī)則修剪函數(shù)修剪當前鄰居蜜源上蜂群分類規(guī)則，對該鄰居蜜源上蜂群分類規(guī)則中條件項進行修剪處理，僅保留對當前分類規(guī)則的適應度有影響的主要條件項；(3)采用貪婪選擇算子，如果鄰居蜜源的蜂群分類適應度值大于當前蜜源的蜂群分類適應度值，則將該鄰居蜜源替代當前蜜源，使采蜜蜂選取更優(yōu)適應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體，使得進化方向不會后退；(4)跟隨蜂依照采蜜蜂種群適應度值大小選擇一個采蜜蜂；(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后達到的最優(yōu)適應度值及相應的參數(shù)；(6)當蜜蜂搜索次數(shù)達到某閾值Tl而仍沒有找到更優(yōu)位置時，則用蜂群初始化函數(shù)重初始化該蜜蜂的位置；(7)當全局最優(yōu)適應度值達到一定的穩(wěn)定值或迭代次數(shù)達到一定閾值T2時，終止蜂群進化過程，并輸出最優(yōu)蜂群分類規(guī)則和其最優(yōu)分類適應度值；否則轉(zhuǎn)向步驟(2)，繼續(xù)進行蜂群優(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方法，其特征在于所述步驟(5)的具體過程包括以下步驟(I)使用規(guī)則保存函數(shù)，將蜂群智能挖掘的最優(yōu)分類規(guī)則及其最優(yōu)分類適應度值保存到遙感影像分類規(guī)則集中；(2)使用樣本刷新函數(shù)，在訓練數(shù)據(jù)中移除當前規(guī)則覆蓋的樣本數(shù)據(jù)，即影像波段屬性和土地利用類型均與分類規(guī)則的相匹配的數(shù)據(jù)；(3)使用規(guī)則覆蓋移除后的訓練數(shù)據(jù)搜索下一條分類規(guī)則；(4)當訓練數(shù)據(jù)中某一土地利用類別的規(guī)則樣本覆蓋度，即某一類別的規(guī)則所覆蓋 的樣本數(shù)/該類別樣本數(shù)，達到一定閾值T3時，終止該類別數(shù)據(jù)的規(guī)則挖掘，開始下一類別的規(guī)則挖掘，直至所有類別的規(guī)則挖掘完畢。
全文摘要
本發(fā)明公開一種基于蜂群智能的遙感影像分類方法，屬于計算機和遙感影像信息提取技術(shù)領域。結(jié)合仿生智能計算方法，采用模仿蜜蜂采蜜行為的群智能優(yōu)化算法，自動搜索遙感影像各波段的最優(yōu)分割點，定義各波段最優(yōu)分割點和地物類別節(jié)點的連線為蜂群搜索路徑，構(gòu)造以IF-THEN形式表達的遙感分類規(guī)則。該智能式遙感分類方法不需使用數(shù)學公式，能更清晰地表達地物分類中的復雜關(guān)系。與See5.0決策樹方法相比，本發(fā)明方法的遙感影像總體分類精度和Kappa系數(shù)均比See5.0決策樹方法更高，該智能遙感分類方法具有更好的遙感影像分類效果。
文檔編號G06K9/62GK103049757SQ20121046183
公開日2013年4月17日 申請日期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, 陽建逸, 范雪婷 申請人:南京師范大學