遙感圖像蟻群算法和加權(quán)圖像到類距離檢索法

葉發(fā)茂，孟祥龍，董 萌，聶運(yùn)菊，葛 蕓，陳曉勇

1. 東華理工大學(xué)測(cè)繪工程學(xué)院，南昌 330013； 2. 南昌大學(xué)信息工程學(xué)院，南昌 330031； 3. 南昌航空大學(xué)軟件學(xué)院，南昌 330063

隨著遙感衛(wèi)星的日益增多，遙感圖像數(shù)據(jù)獲取量逐漸增大，如何有效地管理和利用這些遙感圖像數(shù)據(jù)成了一個(gè)待解決的難題。遙感圖像檢索(remote sensing image retrieval，RSIR)是一種較好的解決方法，已成為遙感應(yīng)用研究領(lǐng)域的一個(gè)重要方向[1]。

遙感圖像檢索研究主要任務(wù)是如何提取有效的檢索特征。傳統(tǒng)的遙感圖像檢索方法提取圖像的光譜、紋理、形狀等視覺(jué)特征。例如，文獻(xiàn)[2]采用雙數(shù)復(fù)小波變換提取顏色描述子以提高高分辨率遙感圖像檢索精度。然而，這些底層特征都是人工設(shè)計(jì)的，只針對(duì)特定的目標(biāo)對(duì)象，難以準(zhǔn)確、全面地表達(dá)圖像的內(nèi)容，容易出現(xiàn)“語(yǔ)義鴻溝”問(wèn)題，所以基于該類特征的檢索方法容易導(dǎo)致檢索結(jié)果不理想[3]。為了解決“語(yǔ)義鴻溝”問(wèn)題，一些檢索方法通過(guò)聚合方法將底層特征轉(zhuǎn)化為中層特征，以提升特征的檢索性能。文獻(xiàn)[4]采用SIFT特征構(gòu)建成低維的視覺(jué)詞袋(bag of visual words，BoVW)特征并與Gabor紋理特征融合進(jìn)行遙感圖像檢索；文獻(xiàn)[5]采用一種基于自動(dòng)編碼器的無(wú)監(jiān)督特征學(xué)習(xí)框架將低層特征集映射成新的稀疏特征，并應(yīng)用于高分辨率遙感圖像檢索；文獻(xiàn)[6]提取局部模式譜的密度信息，并利用局部聚合描述符(vectors of locally aggregated descriptors，VLAD)方法進(jìn)行編碼應(yīng)用于遙感圖像檢索。

近年來(lái)，隨著深度學(xué)習(xí)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)模型展現(xiàn)出強(qiáng)大的提取高級(jí)視覺(jué)特征的能力，已廣泛地應(yīng)用于圖像分類[7]、物體識(shí)別[8-9]、圖像匹配[10]等領(lǐng)域，并取得巨大的成功，同時(shí)也被應(yīng)用于遙感圖像檢索。這些方法大致可以分為兩類：第1類是利用目標(biāo)數(shù)據(jù)庫(kù)的圖像訓(xùn)練或者微調(diào)CNN模型[11-16]；第2類是不利用目標(biāo)數(shù)據(jù)庫(kù)圖像[17-19]。第1類是目前較為常見(jiàn)的方法，例如，文獻(xiàn)[11]利用目標(biāo)數(shù)據(jù)庫(kù)樣本微調(diào)CNN模型，再利用微調(diào)的模型提取CNN特征和圖像類別概率用于遙感圖像檢索；文獻(xiàn)[12]通過(guò)有監(jiān)督方法提取遙感圖像CNN特征，再利用改進(jìn)的模糊C均值對(duì)其進(jìn)行聚類，以提高檢索性能；文獻(xiàn)[14]提出了一種基于CNN特征和重排序方法的遙感圖像檢索方法；文獻(xiàn)[15]提出了稀疏自動(dòng)編碼算法與CNN共享權(quán)值相結(jié)合的方法來(lái)提取圖像高層特征，進(jìn)行海量遙感圖像檢索。第2類方法包括遷移學(xué)習(xí)方法和無(wú)監(jiān)督學(xué)習(xí)方法。遷移學(xué)習(xí)利用已有的、與目標(biāo)數(shù)據(jù)庫(kù)圖像類型相似的帶標(biāo)簽圖像庫(kù)對(duì)CNN模型進(jìn)行微調(diào)，學(xué)習(xí)該領(lǐng)域知識(shí)并遷移到目標(biāo)圖像上[17-18]。無(wú)監(jiān)督學(xué)習(xí)方法利用其他帶標(biāo)簽的圖像庫(kù)通過(guò)無(wú)監(jiān)督學(xué)習(xí)方法學(xué)習(xí)有關(guān)目標(biāo)域知識(shí)[19]。第1類方法由于使用了帶標(biāo)簽的目標(biāo)數(shù)據(jù)庫(kù)圖像，能夠獲取到較好的檢索特征，但需要人工標(biāo)注標(biāo)簽；第2類方法不需要帶標(biāo)簽的目標(biāo)數(shù)據(jù)庫(kù)圖像，但提取檢索特征的檢索性能不如第1類。本文采用的是第1類的方法。

遙感圖像檢索另一個(gè)方面的研究是圖像相似測(cè)度的研究。文獻(xiàn)[20]對(duì)歐氏距離、余弦距離、曼哈頓距離和卡方距離4種常見(jiàn)的相似性度量進(jìn)行了對(duì)比分析，試驗(yàn)結(jié)果表明歐氏距離和余弦距離能夠取得更好的效果。文獻(xiàn)[17]提出一種基于檢索結(jié)果圖像系列的排名相似測(cè)度；文獻(xiàn)[21]提出將圖的節(jié)點(diǎn)和區(qū)域的邊相結(jié)合的圖相似測(cè)度，該相似度考慮了區(qū)域的特征和區(qū)域間的相互關(guān)系；文獻(xiàn)[22]提出一種加權(quán)圖像到類距離的相似測(cè)度，不僅考慮查詢圖像與待檢索圖像之間的距離，還考慮待檢索圖像與遙感圖像庫(kù)中與查詢圖像同一類別的圖像之間的距離。

遙感圖像檢索是要從遙感圖像庫(kù)中檢索出與查詢圖像語(yǔ)義相關(guān)的圖像，但在檢索過(guò)程通常利用的是查詢圖像與待檢索圖像間的距離，而遙感圖像庫(kù)中圖像間的語(yǔ)義信息通常被忽視[23]。如果在檢索過(guò)程中，考慮遙感圖像庫(kù)中圖像之間的語(yǔ)義相似度，將可以增加檢索結(jié)果中的圖像之間的語(yǔ)義相似度，將有助于提升圖像檢索性能。蟻群算法(ant colony optimization,ACO)是模擬螞蟻尋找食物的群智能優(yōu)化算法[24]。該算法起初用于求解旅行商問(wèn)題，后來(lái)被廣泛地應(yīng)用于各種優(yōu)化問(wèn)題，如移動(dòng)機(jī)器人路徑規(guī)劃[25]、車間作業(yè)調(diào)度問(wèn)題、航跡規(guī)劃[26]。ACO也被用于圖像檢索，如文獻(xiàn)[27]利用蟻群算法從掃描的文檔中尋找最優(yōu)的商標(biāo)所在位置；文獻(xiàn)[28]利用ACO為圖像檢索系統(tǒng)從較大的特征集中選擇出最小、最合適的特征集用于檢索。而本文將ACO強(qiáng)大、自適應(yīng)求解最優(yōu)化問(wèn)題能力應(yīng)用于優(yōu)化遙感圖像庫(kù)中圖像間語(yǔ)義相似度。通過(guò)在檢索過(guò)程中充分利用改善的圖像間語(yǔ)義相似度，使檢索結(jié)果中的圖像具有更高的語(yǔ)義相似度，從而提高遙感圖像檢索精度。同時(shí)，本文還將信息素濃度與加權(quán)圖像到類距離相結(jié)合，提出了改進(jìn)的加權(quán)圖像到類距離，進(jìn)一步提高度量圖像間相似度的準(zhǔn)確性。

1 原理與方法

1.1 基于ACO的遙感圖像檢索的思想

ACO對(duì)螞蟻覓食的群體智能行為進(jìn)行了模擬。螞蟻外出覓食過(guò)程中，會(huì)在所經(jīng)過(guò)的路徑上留下具有揮發(fā)性的化學(xué)刺激物——信息素[24]。當(dāng)一條路徑上經(jīng)過(guò)的螞蟻越多，該路徑上積累的信息素越多，該路徑則會(huì)被更多的螞蟻選擇。而某些路徑上經(jīng)過(guò)的螞蟻較少時(shí),該路徑上的信息素會(huì)隨時(shí)間的推移而逐漸揮發(fā)。通過(guò)這種正反饋機(jī)制，最終蟻群能夠?qū)ふ业较佈ㄅc食物源之間的最優(yōu)路徑[24]。ACO利用信息素濃度矩陣(以下簡(jiǎn)稱信息素矩陣)存儲(chǔ)螞蟻覓食經(jīng)過(guò)路徑的留下的信息素濃度信息，并通過(guò)正反饋機(jī)制使得較短的路徑(較優(yōu)解)的信息素得以更多積累，從而引導(dǎo)算法逐步尋找到最優(yōu)解。

遙感圖像檢索是利用從遙感圖像中提取的圖像特征在遙感圖像庫(kù)中尋找出與查詢圖像語(yǔ)義相關(guān)的圖像的過(guò)程。檢索過(guò)程利用的是圖像特征的相似度，但當(dāng)提取的圖像特征不完美時(shí)，會(huì)導(dǎo)致圖像特征相似度不能夠較好地反映圖像語(yǔ)義相似程度，從而導(dǎo)致有些與查詢圖像不相關(guān)，但特征相似度大的圖像出現(xiàn)在檢索結(jié)果列表的前列。

為了改善這種情況，本文通過(guò)信息素濃度描述遙感圖像庫(kù)中圖像間的語(yǔ)義相似度，并通過(guò)ACO改善這些圖像語(yǔ)義相似度。該方法主要思想如下：將遙感圖像庫(kù)中的每幅圖像認(rèn)為是圖的一個(gè)節(jié)點(diǎn)，圖像兩兩相連，形成無(wú)向全連接圖。再把遙感圖像庫(kù)中的每一幅圖像作為查詢圖像，并將其作為螞蟻行走路徑的起點(diǎn)，螞蟻在該全連接圖上進(jìn)行游走。然后，把每只螞蟻行走的路徑看作是以查詢圖像為起點(diǎn)的一次檢索過(guò)程，并且如果某螞蟻行走的路徑較短，即該檢索結(jié)果較好，則該路徑分配較多的信息素。最后，通過(guò)螞蟻不斷的游走，語(yǔ)義相似度高的圖像間分配的信息素會(huì)增多，而語(yǔ)義相似度低的圖像間的信息素由于不斷揮發(fā)會(huì)逐步減少，通過(guò)這種方式就可以不斷改善圖像間的語(yǔ)義相似度。

在遙感圖像檢索過(guò)程中，充分利用通過(guò)ACO獲取到的遙感圖像庫(kù)中圖像間信息素濃度改善查詢圖像與待檢索圖像間的距離。也就是說(shuō)，計(jì)算圖像間的距離時(shí)不但利用圖像特征間的距離，還利用待檢索圖像之間的語(yǔ)義相似度信息，從而使得檢索結(jié)果中的圖像具有更高的語(yǔ)義相似度，并提高遙感圖像檢索精度。

1.2 信息素矩陣初始化和更新

1.2.1 信息素矩陣初始化

信息素被用于描述圖像間的語(yǔ)義相似度，其值越大則圖像間語(yǔ)義相似度越大。因此，本文根據(jù)圖像特征的歐氏距離對(duì)信息素矩陣初始化，兩圖像特征間的歐氏距離越小，該圖像間的信息素越大。假設(shè)遙感圖像庫(kù)RD中有N幅圖像，Ph表示該遙感圖像庫(kù)中圖像的信息素矩陣，則信息素矩陣Ph根據(jù)式(1)進(jìn)行初始化

Ph(Ii,Ij)=1-ND(Ii,Ij)

(1)

式中，Ph(Ii,Ij)是圖像Ii與Ij間的信息素；ND(Ii,Ij)是圖像Ii與Ij間的歐氏距離，D(Ii,Ij)根據(jù)式(2)歸一化后的距離

(2)

1.2.2 加權(quán)圖像到類距離

如何準(zhǔn)確地衡量查詢圖像與待檢索圖像間(遙感圖像庫(kù)中的圖像)的距離是遙感圖像檢索中一個(gè)關(guān)鍵問(wèn)題，為了更精確地衡量查詢圖像與待檢索圖像間的距離，文獻(xiàn)[22]提出了一種加權(quán)的圖像到類距離。圖像到類距離是指待檢索圖像到查詢圖像類(遙感圖像庫(kù)中所有與查詢圖像類別相同的圖像)間的距離。文獻(xiàn)[22]根據(jù)CNN預(yù)測(cè)的圖像類別置信度和圖像到類距離預(yù)測(cè)的圖像類別置信度計(jì)算待檢索圖像的類別權(quán)重，賦予與查詢圖像有更大可能是同一類別的待檢索圖像更大的權(quán)重，并將該權(quán)重與圖像到類距離相結(jié)合得到加權(quán)圖像到類距離。

給定查詢圖像Iq，由于查詢圖像Iq和遙感圖像庫(kù)RD中圖像的類別都是未知的，所以要在遙感圖像庫(kù)RD找出所有與查詢圖像Iq類別相同的圖像是困難的。本文采用K-means法在遙感圖像庫(kù)RD找出與一些查詢圖像Iq最相似的圖像，并將這些圖像與查詢圖像一起作為查詢圖像類，查詢圖像Iq在遙感圖像庫(kù)中的K近鄰圖像集合為

NkNN(Iq,k)={R ?RD,|R|=k∧?Ix∈R,

Iy∈RD-R:D(Iq,Ix)≤

D(Iq,Iy)}

(3)

式中，D(Iq,Ix)是查詢圖像Iq與圖像Ix特征間的歐氏距離。然后，根據(jù)式(4)計(jì)算Iq與Ir間的圖像到類距離為

D(Ir,Ix))

(4)

最后，如果查詢圖像Iq與待檢索圖像Ir兩者具有較高的概率是同一類的圖像，就給該待檢索圖像Ir賦予更大的權(quán)重。根據(jù)文獻(xiàn)[22]確定待檢索圖像Ir的權(quán)重WIr，從而得到加權(quán)圖像到類距離為

WQCD(Iq,Ir)=(1-WIr+0.000 1)×QCD(Iq,Ir)

(5)

根據(jù)查詢圖像與待檢索圖像的加權(quán)圖像到類距離的進(jìn)行排序，就可以得到最終的檢索結(jié)果。

1.2.3 路徑生成

為了改善遙感圖像庫(kù)中圖像間的信息素濃度，本文以遙感圖像庫(kù)中每幅圖像作為螞蟻行走路徑的起點(diǎn)，通過(guò)模仿螞蟻覓食的過(guò)程，生成每幅圖像的檢索路徑，然后再根據(jù)這些路徑對(duì)信息素矩陣進(jìn)行更新。每只螞蟻行走的路徑就是以路徑起點(diǎn)為查詢圖像，在遙感圖像庫(kù)中進(jìn)行檢索的一個(gè)結(jié)果。單條路徑生成的過(guò)程如下：

(1) 從遙感圖像庫(kù)中取出任一幅圖像作為查詢圖像Iq，采用改進(jìn)的加權(quán)混合距離，WPD(Iq,Ir)，獲取Iq的鄰域。改進(jìn)的加權(quán)混合距離WPD(Iq,Ir)是根據(jù)歸一化的距離ND(Iq,Ir)和信息素Ph(Iq,Ir)進(jìn)行計(jì)算，定義如下

WPD(Iq,Ir)=(α×ND(Iq,Ir)+β×(1-Ph(Iq,

Ir)))×(1-WIr+0.000 1)

(6)

式中，α和β分別是控制ND(Iq,Ir)和Ph(Iq,Ir)影響的參數(shù)，兩者之和為1。

(2) 根據(jù)式(7)確定查詢圖像Iq的鄰域

NKNN(Iq,k)={R ?RD,|R|=k∧?Ix∈R,

Iy∈RD-R:WPD(Iq,Ix)≤

WPD(Iq,Iy)}

(7)

式中，k為鄰域的大小。將查詢圖像Iq和其鄰域NKNN(Iq,k)作為查詢圖像類。

(3) 根據(jù)式(8)計(jì)算查詢圖像Iq與待檢索圖像Ir之間的改進(jìn)的圖像到類距離

(8)

(4) 將改進(jìn)的圖像到類距離QCD(Iq,Ir)代入式(5)就得到改進(jìn)的加權(quán)圖像到類距離WQCD(Iq,Ir)，并根據(jù)該距離對(duì)待檢索圖像從小到大排序，尋找前M幅圖像，形成一條完整的螞蟻行走路徑PIq。

1.2.4 信息素更新

遙感圖像庫(kù)中的每幅圖像都根據(jù)以上路徑生成方法生成一條路徑，就可以得到N條路徑。再根據(jù)下式計(jì)算每條路徑PIq的長(zhǎng)度

(9)

最后，根據(jù)路徑的長(zhǎng)度對(duì)信息素矩陣Ph利用式(10)進(jìn)行更新

(10)

式中，ρ∈[01]，(1-ρ)表示揮發(fā)系數(shù)，ΔPhk(Iq,Ix)是第k只螞蟻在(Iq,Ix)邊上分配的信息素。ΔPhk(Iq,Ix)計(jì)算公式為

(11)

1.3 基于ACO的遙感圖像檢索流程

基于ACO的遙感圖像檢索方法首先利用以上信息素初始化和更新方法獲取遙感圖像庫(kù)中圖像間的信息素矩陣，得到圖像間的語(yǔ)義相似度。然后，利用得到的圖像間信息素矩陣，根據(jù)以上路徑生成方法進(jìn)行查詢圖像的檢索，獲取檢索結(jié)果。

在檢索過(guò)程中，如果查詢圖像Iq不屬于遙感圖像庫(kù)，查詢圖像Iq與待檢索圖像Ir之間的信息素是缺失的，則根據(jù)以式(12)確定兩者間的信息素濃度

Ph(Iq,Ir)=1-NQD(Iq,Ir)

(12)

基于ACO的遙感圖像檢索過(guò)程可以分為兩部分：離線部分和在線部分。離線部分主要包括提取遙感圖像庫(kù)中圖像的特征和生成、更新信息素矩陣，其具體流程見(jiàn)算法1。

算法1:離線過(guò)程

i. 輸入遙感圖像庫(kù)RD。

ii. 利用微調(diào)的CNN模型提取每幅圖像的CNN特征和獲取圖像的類別概率。

iii. 計(jì)算任意兩幅圖像間的歐氏距離和利用式(1)和式(2)初始化信息素矩陣Ph。

iv. Foreach圖像Ixin 遙感圖像庫(kù)RD。

v. 利用式(6)和式(7)獲取圖像Ix的鄰域NKNN(Ix,k)。

vi. 根據(jù)式(8)和式(5)計(jì)算Ix與遙感圖像庫(kù)中其他圖像Ir的距離WQCD(Ix,Ir)，獲取路徑PIx。

vii. 利用式(9)計(jì)算路徑PIx的長(zhǎng)度。

viii. End for

ix. Foreach路徑PIx

x. 利用式(10)和式(11)更新信息素矩陣Ph。

xi. End for

xii. 輸出遙感圖像庫(kù)RD每幅圖像的特征和類別概率，信息素矩陣Ph。

在線部分包括一幅查詢圖像檢索過(guò)程，具體過(guò)程見(jiàn)算法2。

算法2:在線過(guò)程

i. 輸入查詢圖像Iq。

ii. 利用微調(diào)的CNN模型提取查詢圖像Iq的CNN特征和獲取圖像的類別概率。

iii. 計(jì)算查詢圖像Iq與遙感圖像庫(kù)RD中每幅圖像間的距離。

iv. 如果查詢圖像不屬于遙感圖像庫(kù)RD，則根據(jù)式(12)和式(13)計(jì)算查詢圖像Iq與遙感圖像庫(kù)RD中圖像間的信息素。

v. 利用式(6)和式(7)獲取圖像Iq的鄰域NKNN(Iq,k)。

vi. 根據(jù)式(8)和式(5)計(jì)算Iq與遙感圖像庫(kù)中每幅圖像Ir的距離WQCD(Iq,Ir)，并從小到大排序。

vii. 輸出排序結(jié)果。

2 試驗(yàn)與結(jié)果分析

2.1 試驗(yàn)環(huán)境

采用兩個(gè)公開的遙感數(shù)據(jù)集，the UC Merced dataset (UCMD)[29]和PatternNet[30]，進(jìn)行算法評(píng)估。UCMD包含21類地物，每類有100張圖像。每張圖像大小是256×256像素，圖像的分辨率是0.3 m左右。PatternNet包含38類，每類圖像800張，圖像大小也是256×256像素，圖像分辨率有較大的差別，分辨率從0.062～4.693 m。

采用VGG16和ResNet50兩個(gè)CNN模型提取檢索特征，這兩個(gè)模型在圖像分類、物體識(shí)別、圖像檢索中都取得令人矚目的成績(jī)。本文選用這兩個(gè)模型的高層特征，分別是VGG16的FC7層和ResNet50的Pool5層，作為檢索特征。這兩個(gè)模型采用ImageNet數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練；為了使這兩個(gè)模型更適合遙感圖像檢索，從UCMD每類圖像中隨機(jī)選擇50幅圖像用于微調(diào)這兩個(gè)模型，PatternNet每類選擇90幅。模型訓(xùn)練參數(shù)如下：采用均值為0，方差為0.01的高斯分布對(duì)CNN模型最后一層的權(quán)重進(jìn)行隨機(jī)初始化；采用Adam(adaptive moment estimation)學(xué)習(xí)方法，學(xué)習(xí)速率的初始值設(shè)為0.001，權(quán)重設(shè)為0.005，批大小(batchSize)設(shè)為256，動(dòng)量設(shè)為0.9，迭代次數(shù)設(shè)為300次。

采用平均查準(zhǔn)率(mean average precision，mAP)和平均歸一化檢索秩(average normalized modified retrieval rank，ANMRR)作為檢索性能的評(píng)判標(biāo)準(zhǔn)。mAP取值范圍是[0，1]，值越大檢索精度越高。ANMRR取值范圍也是[0，1]，但值越小，檢索精度越高。

試驗(yàn)環(huán)境為：CPU型號(hào)為Intel CPU i7-7700，主頻3.60 GHz，內(nèi)存16 GB。深度學(xué)習(xí)框架為Matconvnet，操作系統(tǒng)為Ubuntu 14.04。模型的相應(yīng)參數(shù)如下：k=9，M=29，α=0.01，β=0.99，ρ=0.1。

2.2 類別mAP比較

將本文方法與采用初始的歐氏距離方法利用兩種特征在兩個(gè)數(shù)據(jù)集中的類別mAP進(jìn)行對(duì)比，分析每個(gè)類別的檢索性能差異，結(jié)果見(jiàn)圖1和圖2。由圖1可以看出，大部分類別采用本文方法的結(jié)果(Pool5_ACO和FC7_ACO)都優(yōu)于初始采用歐氏距離的檢索結(jié)果(Pool5和FC7)。一些容易被識(shí)別的類別，如高爾夫球場(chǎng)和停車場(chǎng)，兩種方法的類別mAP值都能達(dá)到100%；但是對(duì)于一些比較難以識(shí)別的類別，如密集住宅區(qū)，初始方法的Pool5的類別mAP值僅為51.34%，而本文方法的Pool5的類別mAP值可以達(dá)到70.28%，增長(zhǎng)近20%；本文方法的所有的類別mAP的平均值比初始方法大約增長(zhǎng)了6.5%。由圖2可以看出在PatternNet庫(kù)中也可以得到類似結(jié)論。因此，由于在檢索過(guò)程中利用了通過(guò)蟻群算法得到的遙感圖像庫(kù)圖像間的語(yǔ)義相似度以及改進(jìn)的加權(quán)圖像到類距離，本文方法相對(duì)于初始方法無(wú)論是從各個(gè)類別還是整體性能都能有所提升。

圖1 UCMD庫(kù)中本文方法與初始檢索結(jié)果的類別mAP比較Fig.1 Performance comparison of per class mAP values of our method with the initial result on UCMD

圖2 PatternNet庫(kù)中本文方法與初始檢索結(jié)果的類別mAP比較Fig.2 Performance comparison of per class mAP values of our method with the initial result on PatternNet

2.3 使用信息素對(duì)檢索結(jié)果的影響

為了驗(yàn)證信息素對(duì)檢索結(jié)果的影響，本文對(duì)不使用信息素方法[22]和使用信息素方法進(jìn)行比較。不使用信息素方法利用了加權(quán)圖像到類距離，沒(méi)有使用信息素矩陣。結(jié)果見(jiàn)表1，在UCMD中，F(xiàn)C7特征使用信息素能夠使mAP從92.0%提升到93.21%；ANMRR從0.063 6下降到0.059 7。Pool5特征使用信息素能夠使mAP從95.62%提升到96.71%；ANMRR從0.035 9下降到0.027 8。在PatternNet中，F(xiàn)C7特征使用信息素能夠使mAP從96.48%提升到97.01%；ANMRR從0.027 3下降到0.025 5。Pool5特征使用信息素能夠使mAP從98.49%提升到98.67%；ANMRR從0.011 8下降到0.011 1。由此可見(jiàn)，對(duì)于兩個(gè)數(shù)據(jù)庫(kù)，使用信息素的兩種特征方法都能夠提升檢索性能。

同時(shí)，在UCMD中不使用信息素方法FC7和Pool5特征檢索時(shí)間是43.1 ms和34.7 ms，而使用方法的檢索時(shí)間分別是44.4 ms和37.5 ms，相應(yīng)增長(zhǎng)了3%和7%。在PatternNet庫(kù)中，使用信息素方法相對(duì)于不使用信息素方法時(shí)間FC7和Pool5特征檢索時(shí)間分別增長(zhǎng)了6%和7%，見(jiàn)表1。由此可見(jiàn)，本文方法由于計(jì)算相似度時(shí)增加了計(jì)算信息素的時(shí)間，從而提高了檢索時(shí)間，但是增加的時(shí)間不超過(guò)7%。

表1 是否使用信息素的檢索性能比較

2.4 與其他算法的對(duì)比

為了驗(yàn)證本文方法的有效性，將本文方法與其他相關(guān)方法在UCMD和PatternNet上的檢索性能分別進(jìn)行了比較，結(jié)果見(jiàn)表2和表3。表2前5種方法和表3中的前兩種方法是使用其他遙感圖像庫(kù)微調(diào)的CNN模型；其他方法是使用目標(biāo)圖像對(duì)應(yīng)的遙感圖像庫(kù)微調(diào)的CNN模型。根據(jù)表2和表3所示，在UCMD數(shù)據(jù)集中，本文方法中的Pool5特征得到了最好的結(jié)果能夠?qū)AP值從95.62%上升到96.71%，提升了1.09%；ANMRR值從0.035 9下降到0.027 8，下降了約22%；PatternNet數(shù)據(jù)集中，mAP值從98.49%上升到98.67%，提升了0.18%；ANMRR值從0.011 8下降到0.011 1，下降了約6%。因此本文方法相比這些方法能夠得到更好的檢索性能。

表3 與其他方法在PatternNet上檢索性能對(duì)比

同時(shí)，由表1、表2可知，使用目標(biāo)圖像庫(kù)訓(xùn)練的CNN模型取得的檢索精度要優(yōu)于使用其他遙感圖像庫(kù)微調(diào)的CNN模型，這主要是因?yàn)檫@些模型利用了目標(biāo)圖像庫(kù)的標(biāo)簽信息。在這些方法中，本文方法取得較好的結(jié)果，主要是因?yàn)槔昧诉b感圖像庫(kù)中圖像間的語(yǔ)義相似度，提高了檢索精度。

表2 與其他方法在UCMD上檢索性能對(duì)比

3 結(jié) 論

為了提高遙感圖像檢索精度，本文提出了一種基于ACO和改進(jìn)圖像到類距離的遙感圖像檢索方法。該方法利用信息素濃度描述遙感圖像庫(kù)中圖像之間的語(yǔ)義相似度，并通過(guò)模仿蟻群覓食的過(guò)程，不斷更新信息素濃度。同時(shí)，在尋找路徑的過(guò)程中，還利用了改進(jìn)的加權(quán)圖像到類距離方法，提高了檢索路徑的質(zhì)量，從而提高計(jì)算路徑長(zhǎng)度的可靠性。試驗(yàn)結(jié)果證明，利用ACO可以改善遙感圖像庫(kù)中圖像之間的語(yǔ)義相似度，從而提高遙感圖像檢索精度。