一種基于蜂群智能的遙感影像分類方法技術

本發明專利技術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領域。結合仿生智能計算方法，采用模仿蜜蜂采蜜行為的群智能優化算法，自動搜索遙感影像各波段的最優分割點，定義各波段最優分割點和地物類別節點的連線為蜂群搜索路徑，構造以IF-THEN形式表達的遙感分類規則。該智能式遙感分類方法不需使用數學公式，能更清晰地表達地物分類中的復雜關系。與See5.0決策樹方法相比，本發明專利技術方法的遙感影像總體分類精度和Kappa系數均比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。

【技術實現步驟摘要】

本專利技術屬于計算機和遙感影像信息提取
，特別涉及。
技術介紹
遙感影像分類是土地利用專題信息提取的一個重要環節，是遙感影像應用的基礎。傳統的統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。這些方法以統計學原理為基礎，為訓練數據遵循正態分布為前提，訓練樣本的選擇和參數估計直接影響分類結果。其后，學者們提出一些新的分類方法，如人工神經網絡法、決策樹分類法、支持向量機分類法和面向對象分類法等，取得了較好的分類效果。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作和競爭而表現出群體智能行為，逐漸成為解決復雜優化求解的重要工具。當地表狀況非常復雜時，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則為解決這一問題提供新的手段。近年來，已經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一種元啟發式仿生算法——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點是每次迭代中都進行全局和局部搜索，因而找到最優解的概率大大增加，并在較大程度上避免了局部最優。因此，本專利技術提出，將人工蜂群算法應用到遙感影像分類中，并根據遙感圖像分類的具體特征對算法進行改進。
技術實現思路
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分類規則，并在較大程度上避免了局部最優，本專利技術的目的是提出，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區間，各波段最優區間與影像類別連接，構造以IF-THEN形式表達的遙感影像分類規則，從而更清晰方便地描述遙感影像分類中的復雜關系。本專利技術解決其技術問題所采用的技術方案是，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據，并將樣本數據分成兩部分訓練樣本數據和測試樣本數據；(2)定義蜂群搜索路徑為各波段最優分割點和地物類別節點的連線，構造以IF-THEN形式表達的遙感影像分類規則；(3)根據遙感圖像分類的具體特征，構造遙感影像分類適應度函數；(4)遙感影像分類規則的蜂群智能挖掘及修剪；(5)遙感影像分類規則對訓練數據的覆蓋；(6)使用蜂群挖掘的分類規則對遙感影像進行分類，并評價測試樣本數據的分類精度。本專利技術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境總能很自如地發現優良的食物源。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，相當于優化問題解的位置。采蜜蜂EF儲存有某一個食物源的相關信息(相對于蜂巢的距離方向、花蜜的數量等)并且將這些信息以一定的概率與其它蜜蜂分享，根據路徑長度排序，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、持續時間等，來確定食物源的收益率，并依據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解的能力。本專利技術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化算法，自動搜索遙感影像各波段的最優分割點，定義各波段最優分割點和地物類別節點的連線為蜂群搜索路徑，構造以IF-THEN形式表達的遙感分類規則，分類規則的挖掘過程隱含有圖像波段優點的選取。附圖說明圖1是本專利技術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為本專利技術遙感影像分類規則示意圖。具體實施例方式下面對本專利技術實例中的技術方案進行清楚、完整的描述。顯然，所描述的實施例僅僅是本專利技術一部分實施例，而不是全部實施例。基于本專利技術中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本專利技術保護的范圍。本專利技術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據，并將樣本數據分成兩部分訓練樣本數據和測試樣本數據；(2)定義蜂群搜索路徑為各波段最優分割點和地物類別節點的連線，構造以IF-THEN形式表達的遙感影像分類規則；(3)根據遙感圖像分類的具體特征，構造遙感影像分類適應度函數；(4)遙感影像分類規則的蜂群智能挖掘及修剪；(5)遙感影像分類規則對訓練數據的覆蓋；(6)使用蜂群挖掘的分類規則對遙感影像進行分類，并評價測試樣本數據的分類精度。蜜蜂采蜜工作圖如圖2所示。設有兩個已經發現的食物源A和B，初始時，待工蜂沒有任何關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，由于某一內部激勵或可能的外在因素，開始自發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，根據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據，并將樣本數據分成兩部分訓練樣本數據和測試樣本數據；將樣本數據進行格式化處理，其組織格式如下(‘波段I’ ‘波段2值’ ‘波段3值’……‘類型’)。影像分類規則挖掘時，定義蜂群搜索路徑為遙感影像各波段最優分割點和影像分類節點的連線，構造以IF-THEN形式表達的遙感影像分類規則。遙感影像分類規則如圖3所示，其中各波段最優分割點最多只出現一次，且必須有影像分類節點。每條路徑對應一條分類規則，分類規則的挖掘相當于是對最優路徑的搜索，即多維空間最優解的搜索。分類規則的格式如下本文檔來自技高網...

【技術保護點】
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據，并將樣本數據分成兩部分：訓練樣本數據和測試樣本數據；（2）定義蜂群搜索路徑為各波段最優分割點和地物類別節點的連線，構造以IF?THEN形式表達的遙感影像分類規則；（3）根據遙感圖像分類的具體特征，構造遙感影像分類適應度函數；（4）遙感影像分類規則的蜂群智能挖掘及修剪；（5）遙感影像分類規則對訓練數據的覆蓋；（6）使用蜂群挖掘的分類規則對遙感影像進行分類，并評價測試樣本數據的分類精度。

【技術特征摘要】
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據，并將樣本數據分成兩部分訓練樣本數據和測試樣本數據；(2)定義蜂群搜索路徑為各波段最優分割點和地物類別節點的連線，構造以IF-THEN形式表達的遙感影像分類規則；(3)根據遙感圖像分類的具體特征，構造遙感影像分類適應度函數；(4)遙感影像分類規則的蜂群智能挖掘及修剪；(5)遙感影像分類規則對訓練數據的覆蓋；(6)使用蜂群挖掘的分類規則對遙感影像進行分類，并評價測試樣本數據的分類精度。2.根據權利要求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則，蜂群在每個遙感影像波段搜索最優上界和最優下界，遙感影像分類規則的挖掘過程隱含有圖像波段優點的選取，遙感影像分類規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生成初始采蜜蜂種群，并用分類適應度函數計算蜂群分類適應度；然后，使用規則修剪函數對初始分類規則中條件項進行修剪處理，即依次刪掉規則中的某條件項后，如果該規則的適應度變大，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，用分類適應度函數計算該鄰居蜜源上蜂群分類適應度；同樣使用規則修剪函數修剪當前鄰居蜜源上蜂群分類規則，對該鄰居蜜源上蜂群分類規則中條件項進行修剪處理，僅保留對當前分類...

【專利技術屬性】
技術研發人員：曹敏，史照良，陽建逸，范雪婷，
申請(專利權)人：南京師范大學，
類型：發明
國別省市：