GABA算法的遙感圖像分類

牛穎超，周忠發(fā),王 歷,王小宇

(1. 貴州師范大學(xué)喀斯特研究院，貴州 貴陽(yáng) 550001； 2. 貴州省遙感中心，貴州 貴陽(yáng) 550001； 3. 貴州省喀斯特山地生態(tài)環(huán)境國(guó)家重點(diǎn)實(shí)驗(yàn)室培育基地，貴州 貴陽(yáng) 550001)

隨著遙感技術(shù)的高速發(fā)展，遙感圖像分類成為遙感應(yīng)用領(lǐng)域中的熱點(diǎn)與難點(diǎn)問(wèn)題之一。為了提高遙感圖像分類的精度和效率，許多學(xué)者對(duì)遙感圖像分類算法進(jìn)行了廣泛深入的研究，常用的有監(jiān)督分類、非監(jiān)督分類和半監(jiān)督分類[1-3]。但傳統(tǒng)的分類方法已難以滿足實(shí)際需求，因此本文提出了一種新穎的蝙蝠算法(GABA)，運(yùn)用于遙感圖像分類。

蝙蝠算法是通過(guò)模擬蝙蝠的回聲定位功能提出的一種智能優(yōu)化算法。該算法通過(guò)改變蝙蝠的頻率、響度、脈沖發(fā)射率，進(jìn)行最優(yōu)解的搜索，直到達(dá)到目標(biāo)或滿足條件停止操作。但蝙蝠算法具有后期收斂速度慢、尋優(yōu)精度不高、易陷入局部最優(yōu)值的缺點(diǎn)[4]。本文為了避免這個(gè)問(wèn)題，將蝙蝠算法與遺傳算法相結(jié)合創(chuàng)建一種新的遙感圖像分類方法—GABA算法，將遺傳算法中的選擇、交叉、變異操作引入到蝙蝠算法中，增強(qiáng)種群多樣性、全局搜索能力和尋優(yōu)能力，從而弱化蝙蝠算法的缺陷，發(fā)揮兩者之間的優(yōu)勢(shì)。通過(guò)試驗(yàn)與蝙蝠算法[5]、K-means算法[6-8]、粒子群算法[9-11]相比較，表明本文算法在遙感圖像分類中具有較高的分類精度和分類效率。

1 蝙蝠算法

fi=fmin+(fmax-fmin)β

(1)

(2)

(3)

式中，β為一個(gè)隨機(jī)向量，取值范圍為[0,1]；x*為比較n只蝙蝠所對(duì)應(yīng)位置后當(dāng)前全局最佳位置。λifi的改變會(huì)導(dǎo)致速度的增長(zhǎng)，在求解不同的問(wèn)題時(shí)，不改變?chǔ)薸(或fi)的同時(shí)改變fi(或λi)調(diào)整速度。在實(shí)際運(yùn)用時(shí)，可以根據(jù)所感興趣問(wèn)題領(lǐng)域的大小，使用f∈(1,100),開(kāi)始時(shí)每只蝙蝠隨機(jī)分配頻率，頻率由[fmin,fmax]平均得出。

更新蝙蝠的位置之后，生成一個(gè)隨機(jī)數(shù)，如果大于生成的隨機(jī)數(shù)脈沖頻率ri,就在隨機(jī)游走中就近生成新的解決方案，即最佳解決方案。

xnew=xold+εAt

(4)

(5)

(6)

式中，α和γ都是恒量，α類似于模擬退火算法中冷卻進(jìn)程表中的冷卻因素，對(duì)于任何0<α<1和γ>0的量都有

(7)

α和γ的值采用連續(xù)函數(shù)求優(yōu)的參數(shù)值即：α=γ=0.9，控制蝙蝠速度和種群移動(dòng)范圍的主要參數(shù)為響度、脈沖發(fā)射率和頻率，它們的取值范圍分別為[1,0]、[1,0]和[2,0]。

最后判斷蝙蝠的適應(yīng)度函數(shù)的優(yōu)劣，找出當(dāng)前最優(yōu)解，并迭代更新直到滿足條件，輸出最優(yōu)解。

2 GABA算法

通過(guò)分析蝙蝠算法可以發(fā)現(xiàn)，該算法自身缺乏變異機(jī)制，若受到某個(gè)局部極值制約后很難掙脫，在進(jìn)化過(guò)程中，種群的最優(yōu)蝙蝠可能吸引其他個(gè)體迅速向自己聚集，導(dǎo)致種群多樣性急劇下降，當(dāng)許多蝙蝠個(gè)體越接近種群最優(yōu)個(gè)體時(shí)，收斂速度下降甚至出現(xiàn)進(jìn)化停滯的狀況，致使種群?jiǎn)适Я诉M(jìn)一步自身進(jìn)化的能力，并且蝙蝠算法不能收斂到全局極值，這樣就很難發(fā)現(xiàn)分布在局部最優(yōu)鄰域內(nèi)的全局最優(yōu)點(diǎn)。因此基于蝙蝠算法的遙感圖像分類往往分類精度不高，容易出現(xiàn)錯(cuò)分現(xiàn)象。若想改進(jìn)蝙蝠算法的遙感圖像的分類精度，提高種群的多樣性、全局搜索能力和尋優(yōu)能力至關(guān)重要。本文針對(duì)蝙蝠算法的局限性，將遺傳算法引入到蝙蝠算法中，對(duì)種群蝙蝠個(gè)體進(jìn)行選擇、變異、交叉操作，彌補(bǔ)蝙蝠算法的缺陷，發(fā)揮兩者之間的優(yōu)勢(shì)，提高遙感圖像的分類精度。

2.1 遺傳算法

遺傳算法是1975年由John Holland提出的，它是將每一個(gè)體進(jìn)行編碼，從一個(gè)初始化種群出發(fā)迭代更新，迭代的每一次都根據(jù)預(yù)定的目標(biāo)適應(yīng)度函數(shù)對(duì)種群的每個(gè)個(gè)體進(jìn)行評(píng)價(jià)，利用適者生存的進(jìn)化法則，模擬現(xiàn)實(shí)世界中的優(yōu)勝劣汰進(jìn)行選擇、交叉、變異操作，不斷得到更優(yōu)的群體，并以全局并行搜索方式來(lái)搜索優(yōu)化種群中的最優(yōu)個(gè)體，求得滿足要求的最優(yōu)解[15-17]。

遺傳算法的主要流程如下：

(1) 初始化：隨機(jī)產(chǎn)生初始群體A(0)。

(2) 個(gè)體評(píng)價(jià)：計(jì)算群體A(n)中各個(gè)個(gè)體的適應(yīng)度。

(3) 選擇運(yùn)算:將選擇算子作用于群體。目的是把優(yōu)化的個(gè)體直接遺傳到下一代或通過(guò)配對(duì)交叉產(chǎn)生新的個(gè)體再遺傳到下一代。

(4) 交叉運(yùn)算：將交叉算子作用于群體。遺傳算法中起核心作用的就是交叉算子。

(5) 變異運(yùn)算：將變異算子作用于群體。即是對(duì)群體中個(gè)體的某些基因上的基因值作變動(dòng)。群體A(n)經(jīng)過(guò)選擇、交叉、變異運(yùn)算之后得到下一代群體A(n+1)。

(6) 終止條件判斷:如果滿足終止條件，則以進(jìn)化過(guò)程中所得到的具有最大適應(yīng)度個(gè)體作為最優(yōu)解輸出，終止計(jì)算。

2.2 遺傳算法與蝙蝠算法相結(jié)合(GABA算法)

(1) 初始化GABA算法的各個(gè)參數(shù)，設(shè)種群的大小為n，搜索空間維度為d，每個(gè)蝙蝠的位置和速度表示為s×r維變量，第i只蝙蝠的位置為xi，速度為vi，i=1,2,3，…,n。

(2) 計(jì)算種群個(gè)體的適應(yīng)度函數(shù)，確定當(dāng)前個(gè)體的最優(yōu)解。若xi、bj滿足

(8)

則xi為第j類，每個(gè)種群個(gè)體的適應(yīng)度函數(shù)公式為

(9)

(3) 利用式(1)—式(3)更新蝙蝠的位置、速度和搜索脈沖頻率。

(4) 更新蝙蝠的位置之后，生成一個(gè)隨機(jī)數(shù)，如果大于生成的隨機(jī)數(shù)脈沖頻率，在隨機(jī)游走中就近生成新的解決方案。

(5) 判斷新的隨機(jī)解決方案的數(shù)量是否Ai&f(xi)

(6) 利用遺傳算法以每一個(gè)蝙蝠位置為初始點(diǎn)進(jìn)行選擇、交叉、變異操作，得到新的蝙蝠位置和速度，公式如下

if(Ri

(10)

式中，Ri(i∈M)為均勻分布在[0,1]的隨機(jī)變量，M為適應(yīng)度較差的部分粒子；R2為介于[0,1]的隨機(jī)變量；R3為隨機(jī)變量，當(dāng)隨機(jī)數(shù)小于0.5時(shí)為1，大于0.5時(shí)為-1，以此來(lái)更新這部分蝙蝠的位置和速度。

(7) 根據(jù)蝙蝠種群個(gè)體的適應(yīng)度函數(shù)的優(yōu)劣，更新最優(yōu)解。

(8) 迭代更新判斷是否為最優(yōu)解，否則轉(zhuǎn)到第(3)步繼續(xù)運(yùn)行。

3 試驗(yàn)與分析

3.1 試驗(yàn)數(shù)據(jù)

本文試驗(yàn)數(shù)據(jù)選取江蘇省常州市某地區(qū)高分二號(hào)遙感圖像作為試驗(yàn)數(shù)據(jù)，試驗(yàn)區(qū)主要包括水體、建筑用地、裸地、道路、水田、旱地、林地、草地等地物，進(jìn)行圖像分類前，首先對(duì)圖像進(jìn)行預(yù)處理。本文采用雙線性內(nèi)插法對(duì)圖像進(jìn)行幾何校正，并利用短波紅外波段，從圖像中選取亮度值較低的水體為參照，對(duì)圖像進(jìn)行相對(duì)輻射校正，然后進(jìn)行重采樣處理。處理后影像如圖1所示。

圖1 研究區(qū)遙感影像圖

本試驗(yàn)操作系統(tǒng)為Windows 7，編譯軟件為Matlab 2015A，硬件為Intel(R) Core(TM) i5-4460 CPU@ 3.20 GHz。遙感圖像的分類數(shù)目為8類，最大迭代次數(shù)為100，b1、b2代表加速常數(shù)，本試驗(yàn)b1為2.8，b2為1.3，Bv取0.8，Bm取1。然后運(yùn)用GABA算法進(jìn)行分類，如圖2所示。

圖2 GABA算法的分類結(jié)果

3.2 精度驗(yàn)證與分析

精度驗(yàn)證是遙感分類過(guò)程中不可缺少的一部分，通過(guò)精度分析可以有效地獲取分類結(jié)果中的信息。常用的精度驗(yàn)證有誤差矩陣方法、統(tǒng)計(jì)比較法[18]。其中誤差矩陣是評(píng)價(jià)分類識(shí)別精度的基本參數(shù)，它是將遙感影像分類后的結(jié)果與相應(yīng)的地物真實(shí)分布圖或更高分辨率的影像進(jìn)行對(duì)比，得出各類地物的分類誤差[19-21]。誤差矩陣一般分為3種精度指標(biāo)：總體精度(overall accuracy)、制圖精度(producers accuracy)、用戶精度(users accuracy)，本文采用混淆矩陣對(duì)研究區(qū)的分類結(jié)果進(jìn)行精度評(píng)價(jià)[22]。

(1) 總體精度是誤差矩陣中分類的正確像元總數(shù)與所有像元總數(shù)的比值，即每一個(gè)隨機(jī)樣本的分類結(jié)果與真實(shí)類型相一致的概率。

(2) 制圖精度是用某一種類別正確的像元除以該類總檢測(cè)像元個(gè)數(shù)，即參考像元被正確分類的概率。

(3) 用戶精度是采用一個(gè)類別的正確像元總數(shù)除以實(shí)際上被分到該類像元的總數(shù)，即圖上分到該類的像元在地面上實(shí)際代表該類的概率。

上述統(tǒng)計(jì)量可以用來(lái)評(píng)價(jià)圖像分類的單個(gè)類別的分類精度。但利用總體精度、制圖精度或用戶精度的弊端是像元類別的變化可能導(dǎo)致自身的百分比隨之變化，但Kappa系數(shù)考慮了誤差矩陣中所有的因子，能夠全面反映總體分類精度[23-24]。計(jì)算公式為

(11)

式中，k為誤差矩陣的總列數(shù)，即樣本的總類別；xii為誤差矩陣中第i行、第i列的值；xih、xih分別為第i行、第i列的總像元數(shù)；N為地表真實(shí)分類中的總像元數(shù)。

本文選取9867個(gè)點(diǎn)基作為檢驗(yàn)數(shù)據(jù)，將GABA算法的分類結(jié)果建立混淆矩陣進(jìn)行精度評(píng)價(jià)見(jiàn)表1。從表1中可以看出本文算法的總體精度為95.62%，Kappa系數(shù)為0.948 4，分類精度高、結(jié)果較優(yōu)。從單個(gè)地物的分類精度來(lái)看，在研究區(qū)中水體的用戶精度為90.25%，雖然比其他地物的用戶精度較低，但良好地區(qū)分出與水體光譜特征相似的建筑用地陰影及陰面的林地。建筑用地和道路的光譜信息類似，運(yùn)用本文算法，建筑用地與道路的用戶精度分別為92.27%、90.21%，使兩者得到了較好的識(shí)別。通常裸地分類時(shí)容易與建筑用地、道路混淆，而裸地的用戶精度為97.80%，分類效果較為滿意。水田分類時(shí)容易受水體干擾，其用戶精度為96.92%，信息較精確地被提出。旱地的用戶精度最高為99.89%，表明本文算法在識(shí)別旱地時(shí)具有一定的優(yōu)勢(shì)。一般情況下林地和草地兩者不易區(qū)分，而表1中它們的用戶精度分別為92.60%、91.62%，得到了良好的區(qū)分。

表1 GABA算法的精度評(píng)價(jià)結(jié)果

3.3 與其他分類算法對(duì)比分析

本文分別運(yùn)用蝙蝠算法、K-means算法、粒子群算法與GABA算法進(jìn)行對(duì)比分析，以此突出GABA算法的優(yōu)越性，蝙蝠算法、K-means算法、粒子群算法的分類結(jié)果如圖3所示，分類精度見(jiàn)表2。

從分類效果來(lái)看，本文算法的總體精度為95.62%，Kappa系數(shù)為0.098 1，分類效果最優(yōu)，這是由于引入變異機(jī)制之后，算法具有更強(qiáng)的全局搜索能力，到迭代后期，使得種群中個(gè)體的差異變小，同時(shí)也具有更強(qiáng)的局部搜索能力，能準(zhǔn)確地提取出目標(biāo)地物，致使不同地物類型之間得到較好的區(qū)分；蝙蝠算法由于自身存在缺陷，導(dǎo)致近似光譜信息的地物容易受到相互干擾，總體精度和Kappa系數(shù)最低，分類效果最差；K-means算法的總體精度與Kappa系數(shù)分別為83.96%、0.801 4，分類精度相對(duì)較低，分類結(jié)果中存在一些錯(cuò)誤分類；粒子群算法的分類精度不高，但比K-means算法的分類效果好，總體精度為89.73%，Kappa系數(shù)為0.876 3，能夠區(qū)分面積比較大的分類區(qū)域。從分類時(shí)間來(lái)看，本文算法所需的運(yùn)行時(shí)間最短，K-means算法的運(yùn)行時(shí)間最長(zhǎng)，粒子群算法的運(yùn)行時(shí)間介于蝙蝠算法和本文算法之間，而蝙蝠算法雖然比粒子群算法效率高但比本文算法效率低。因此本文算法分類時(shí)間短，具有較高的效率。

圖3 不同算法的分類結(jié)果

方法蝙蝠算法K?means算法粒子群算法本文算法總體精度/(%)78．5583．9689．7395．62Kappa系數(shù)0．75370．80140．87630．9484運(yùn)行時(shí)間/s0．11720．21350．19480．0981

4 結(jié) 語(yǔ)

本文提出了一種GABA算法的遙感圖像分類方法，該方法針對(duì)蝙蝠算法后期收斂速度慢、尋優(yōu)精度不高、易陷入局部最優(yōu)值的缺點(diǎn)，將遺傳算法融入蝙蝠算法中，對(duì)種群蝙蝠個(gè)體進(jìn)行選擇、變異、交叉操作，從而增強(qiáng)蝙蝠種群多樣性、全局搜索能力和尋優(yōu)能力，弱化蝙蝠算法的缺陷，發(fā)揮兩者之間的優(yōu)勢(shì)，提高遙感圖像分類精度與效率。為驗(yàn)證該方法有效，試驗(yàn)選取蝙蝠算法、K-means算法、粒子群算法與本文算法進(jìn)行比較，分析評(píng)價(jià)遙感圖像的分類結(jié)果，試驗(yàn)表明本文算法在遙感圖像分類應(yīng)用中提高分類精度的同時(shí)也減少了分類時(shí)間，是一種有效的分類方法，在遙感圖像分類中具有廣泛的應(yīng)用前景。

[1] HUANG X, ZHANG L. An SVM Ensemble Approach Com-bining Spectral, Structural, and Semantic Features for the Classification of High-Resolution Remotely Sensed Imagery[J]. Geoscience & Remote Sensing IEEE Transactions on, 2013, 51(1):257-272.

[2] 樊利恒,呂俊偉,鄧江生.基于分類器集成的高光譜遙感圖像分類方法[J].光學(xué)學(xué)報(bào),2014, 34(9):91-101.

[3] 郭玉寶, 池天河, 彭玲,等. 利用隨機(jī)森林的高分一號(hào)遙感數(shù)據(jù)進(jìn)行城市用地分類[J]. 測(cè)繪通報(bào), 2016(5):73-76.

[4] 李枝勇,馬良,張惠珍.蝙蝠算法收斂性分析[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2013, 43(12):182-190.

[5] 陳海挺.改進(jìn)蝙蝠算法優(yōu)化極限學(xué)習(xí)機(jī)的圖像分類[J].激光雜志,2014(11):26-29.

[6] BANDYOPADHYAY S, MAULIK U. An Evolutionary Technique Based on K-means Algorithm for Optimal Clustering in RN [J]. Information Sciences, 2002, 146(1-4):221-237.

[7] TANG R, FONG S, YANG X S, et al. Integrating Nature-inspired Optimization Algorithms to K-means Clustering[C]∥Seventh International Conference on Digital Information Management. [S.l.]: IEEE, 2012:116-123.

[8] 陳華,陳書(shū)海,張平,等.K-means算法在遙感分類中的應(yīng)用[J].紅外與激光工程,2000, 29(2):26-30.

[9] 丁勝,袁修孝,陳黎.粒子群優(yōu)化算法用于高光譜遙感影像分類的自動(dòng)波段選擇[J].測(cè)繪學(xué)報(bào), 2010, 39(3):257-263.

[10] 蔣韜.基于遺傳粒子群優(yōu)化算法的遙感圖像分類方法研究與應(yīng)用[D].北京：首都師范大學(xué),2013.

[11] 付建東.粒子群神經(jīng)網(wǎng)絡(luò)在遙感影像分類中的應(yīng)用研究[D].南昌：東華理工大學(xué),2015.

[12] YANG X S. A New Metaheuristic Bat-Inspired Algorithm[J]. Computer Knowledge & Technology, 2010, 284:65-74.

[13] YANG X S, HE X. Bat Algorithm: Literature Review and Applications[J]. International Journal of Bio-Inspired Computation, 2013, 5(3):141-149.

[14] YANG X, GANDOMI A H. Bat Algorithm: a Novel Approach for Global Engineering Optimization[J]. Engineering Computations, 2012, 29(5):464-483.

[15] 張鈴,張拔.遺傳算法機(jī)理的研究[J]. 軟件學(xué)報(bào),2000,11(7):945-952.

[16] 臧淑英,張策,張麗娟,等.遺傳算法優(yōu)化的支持向量機(jī)濕地遙感分類——以洪河國(guó)家級(jí)自然保護(hù)區(qū)為例[J].地理科學(xué),2012, 32(4):434-441.

[17] 黃明,吳延斌.基于混沌遺傳算法的遙感影像分類[J].測(cè)繪科學(xué),2011, 36(2):5-8.

[18] 王衛(wèi)紅,嚴(yán)魯琴,金丹丹,等.基于GEPSO模型的面向?qū)ο筮b感圖像分類[J].計(jì)算機(jī)科學(xué),2015, 42(5):51-53.

[19] CLEVE C, KELLY M, KEARNS F R, et al. Classification of the Wildland-urban Interface: A Comparison of Pixel and Object-based Classifications Using High-resolution Aerial Photography [J]. Computers Environment & Urban Systems, 2008, 32(4):317-326.

[20] 劉大偉,韓玲,韓曉勇.基于深度學(xué)習(xí)的高分辨率遙感影像分類研究[J].光學(xué)學(xué)報(bào), 2016(4):298-306.

[21] 吳洋.基于超像素的面向?qū)ο筮b感圖像分類方法研究[D].武漢：華中科技大學(xué),2013.

[22] 明冬萍, 邱玉芳, 周文. 遙感模式分類中的空間統(tǒng)計(jì)學(xué)應(yīng)用——以面向?qū)ο蟮倪b感影像農(nóng)田提取為例[J]. 測(cè)繪學(xué)報(bào), 2016, 45(7):825-833.

[23] 彭海濤,柯長(zhǎng)青.基于多層分割的面向?qū)ο筮b感影像分類方法研究[J].遙感技術(shù)與應(yīng)用,2010, 25(1):149-154.

[24] 葛春青,張凌寒,楊杰.基于決策樹(shù)規(guī)則的面向?qū)ο筮b感影像分類[J].遙感信息,2009(2):86-90.