胡河山，覃亞麗

(浙江工業(yè)大學(xué)信息工程學(xué)院光纖通信與信息工程研究所，浙江杭州310023)

0 引言

遙感技術(shù)已經(jīng)在環(huán)境監(jiān)測、資源管理和災(zāi)害預(yù)報(bào)等領(lǐng)域發(fā)揮著重要的作用。分類是遙感圖像應(yīng)用的一個重要方面，同時也是遙感圖像研究的重點(diǎn)和熱點(diǎn)之一［1］。由于多光譜遙感圖像數(shù)據(jù)量大、信息多，給分類帶來很大的困難，因此研究一種有效的、高分類精度的分類方法一直受到各國學(xué)者的重視。多光譜遙感圖像一般含有許多特征，例如光譜特征、紋理特征和形狀特征等，這些特征信息都可用于圖像分類。只用其中的一個特征進(jìn)行分類，通常是很難得到高精度的分類結(jié)果。故此，為了有效提高分類精度，通常將光譜特征、紋理特征和形狀特征綜合考慮［2］，然而提取的這些特征中，有些信息可能是冗余的，這樣就需要從原始的特征集中，選擇出具有原始信息和較少數(shù)據(jù)量的最優(yōu)特征子集。蟻群算法是一種智能的仿生算法，在尋找最優(yōu)組合的諸多問題中有許多應(yīng)用［3］。蟻群算法的離散性和并行性特點(diǎn)適合對數(shù)字圖像進(jìn)行離散計(jì)算，而并行處理能提高處理速度，近年來許多國內(nèi)外學(xué)者應(yīng)用蟻群算法在圖像分割、圖像特征提取等領(lǐng)域中做了相關(guān)工作［3，4］。本文利用蟻群算法進(jìn)行特征選擇，并將選取的特征子集作為支持向量機(jī)分類器的輸入，實(shí)現(xiàn)多光譜遙感圖像的分類。

1 特征提取

遙感圖像的分類精度大大的依賴于特征的提取過程，因此對遙感圖像分類之前，必須先提取出圖像特征。主要包括3部分:光譜特征提取、紋理特征提取和形狀特征提?。?，6］。

光譜特征:通過原始波段的點(diǎn)運(yùn)算獲得的圖像中目標(biāo)物的顏色及灰度或者波段間亮度的比較。光譜特征對應(yīng)于每個象素，與象元的排列等空間結(jié)構(gòu)無關(guān)。本文采用歐氏距離測量法、離散測量標(biāo)準(zhǔn)函數(shù)法、主成分分析法、微分脈沖編碼調(diào)制方法。

紋理特征:一種反應(yīng)圖像象素灰度級空間分布的屬性。如果物體內(nèi)部的灰度級變化明顯又不是簡單的色調(diào)變化，那么該物體就有紋理。本文采用最小二乘法、縮放法、伽柏濾波和區(qū)域分割。

形狀特征:也稱為輪廓特征，是指整個圖像或圖像中子對像的邊緣特征和區(qū)域特征。本文采用波段分組和不變矩的聚類分析方法。

2 基于蟻群算法的特征選擇

蟻群算法是對自然界螞蟻的尋徑方式進(jìn)行模擬而得到的一種仿生算法。蟻群在尋找食物時，它們總能找到一條從食物到巢穴間的最短路徑。這是因?yàn)槲浵佋趯ふ衣窂綍r會在釋放出一種信息素。如一條路徑上的信息素濃度愈高，便會刺激螞蟻以較高的概率選擇這一路徑;同時信息素會隨著時間而揮發(fā)，這樣對于信息素濃度較低的路徑將以較低的概率影響螞蟻選擇。由此形成一個正反饋過程。此外，在整個尋徑過程中，雖然單個螞蟻的選擇能力有限，但是通過信息素的刺激作用，整個蟻群之間交換著路徑選擇信息，最終找出最優(yōu)路徑。

在利用蟻群算法進(jìn)行特征選擇時，如圖1所示，圖1中的結(jié)點(diǎn)代表特征，螞蟻隨機(jī)的放在某一結(jié)點(diǎn)上，而兩個結(jié)點(diǎn)間的代表螞蟻可能選擇的下一特征經(jīng)過的路徑［7，8］。因此選擇最優(yōu)的特征子集相當(dāng)于是螞蟻根據(jù)終止條件，遍歷結(jié)束后所經(jīng)過的結(jié)點(diǎn)。而螞蟻由當(dāng)前結(jié)點(diǎn)選擇下一結(jié)點(diǎn)的轉(zhuǎn)移概率為:

式中，ηij(t)為在特征i選擇特征j的啟發(fā)因子，τij(t)為(i，j)間的信息素，Sk為第k只螞蟻在特征i時與之相鄰未選擇的特征集合，α和β分別表示啟發(fā)因子和信息素在選擇下一特征時的相對重要程度。

為了引導(dǎo)蟻群算法尋找特征子集的準(zhǔn)確性，引入一個準(zhǔn)確度函數(shù):

式中，g(k)表示圖像分類的正確率，λ為常量，ms為選擇的特征子集中的特征數(shù)目，ma為初始特征集中的特征數(shù)目。

當(dāng)一只螞蟻遍歷完所有特征結(jié)點(diǎn)時，結(jié)點(diǎn)間的邊的信息素更新為:

綜上所述，基于蟻群算法的特征選擇如圖1所示。圖1中F1－F10表示一個象元由本文第2部分提取出來的10種特征值，假設(shè)蟻群最終的遍歷結(jié)果為選擇特征F1、F2、F3、F4、F5。那么特征子集(F1、F2、F3、F4、F5)將是得到的最優(yōu)的子集。

圖1 ACO特征選擇

3 支持向量機(jī)分類器圖像分類

支持向量機(jī)分類器是一種基于核的非線性分類器，是在基于統(tǒng)計(jì)的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小理論的基礎(chǔ)上，根據(jù)有限的樣本數(shù)在模型的復(fù)雜度和學(xué)習(xí)能力間找出最佳折中，以達(dá)到最佳的信息提取效果。當(dāng)前SVM分類方法有兩種:一是集成許多兩類問題，已有比較成熟的算法，如一對一方法、一對多方法以及有向無環(huán)支持向量機(jī)等;另一種是在優(yōu)化公式中直接考慮多類問題。本文采用基于徑向基函數(shù)的多類支持向量機(jī)分類器，將上一部分由蟻群算法選擇出的特征子集作為SVM的輸入，實(shí)現(xiàn)多光譜遙感圖像分類［9］。

4 實(shí)驗(yàn)和結(jié)果分析

本文采用Landsat TM遙感衛(wèi)星在2009年獲取到的秦皇島某地區(qū)的7波段156×134個象素的遙感數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，圖像中包含水域、森林和裸露地3類，如圖2所示。為了測試本文提出的方法的有效性，將實(shí)驗(yàn)結(jié)果和利用K均值分類方法的結(jié)果進(jìn)行比較。

圖2 秦皇島某地區(qū)的遙感圖像數(shù)據(jù)

應(yīng)用前述的光譜特征的4種算法、紋理特征的4種算法和形狀特征的2中算法，共10種特征提取方法算出每個象元相應(yīng)的值組成一個10維的特征初始集，假設(shè)圖2上有10個結(jié)點(diǎn)，每個結(jié)點(diǎn)代表一個象元的一維特征值，利用ACO算法遍歷10個結(jié)點(diǎn)選出每個象元的最優(yōu)的特征子集作為SVM分類器的輸入，進(jìn)行分類，其實(shí)驗(yàn)結(jié)果如圖3(a)所示;采用傳統(tǒng)K均值分類方法對多光譜遙感圖像進(jìn)行分類，其實(shí)驗(yàn)結(jié)果如圖3(b)所示。

圖3 兩種分類方法的實(shí)驗(yàn)結(jié)果

最后本文采用總體分類精度來評價提出的方法的有效性:

式中，Pc為總分類精度，m為分類類別，N為樣本總數(shù)，Pkk為第k類的判對樣本數(shù)。本文采取的方法分類精度如表1所示:

根據(jù)圖3，對比a、b兩幅圖，可以看出利用本文給出的分類方法，能夠取得更好的分類效果。由表1可以得出較于K均值分類方法，基于ACO和SVM的分類方法能得到更高的分類精度。因此，本文提出的方法在多光譜遙感圖像分類中能取得較好的分類。

表1 分類精度

5 結(jié)束語

本文給出的利用蟻群算法和支持向量機(jī)的遙感圖像分類方法是一種有效的分類方法。由實(shí)驗(yàn)結(jié)果表明，蟻群算法能夠很好的選擇出最優(yōu)的特征子集，利用得到的特征子集進(jìn)行分類，能夠得到更好的分類正確度，提高分類精度。

［1］ Wilkinson G G .Results and implications of a study of fifteen years of satellite image classification experiments［J］.Geosci Remote Sens，2005，43(3):433 –440.

［2］ Tian Yanqin，Guo Ping，Lyu Michael R .Comparative Studies on Feature Extraction Methods for Multispectral Remote Sensing Image Classification［C］.Hawaii:Proceedings of IEEE International Conference on Systems，Man and Cybernetics，2005:1 275 －1 279.

［3］ 段海濱.蟻群算法原理及其應(yīng)用［M］.北京:科學(xué)出版社，2005:26－43.

［4］ Dorigo M，Stutzle T.Ant Colony Optimization［M］.Cambridge:MIT Press，2004:5 －13.

［5］ 葉志偉，鄭肇葆，萬幼川，等.基于蟻群優(yōu)化的特征選擇新方法［J］.武漢大學(xué)學(xué)報(bào)，2007，32(12):41－44.

［6］ 劉磊.多光譜遙感圖像的特征提取與比較［D］.上海:上海交通大學(xué)，2005.

［7］ SongQing，Guo Ping，Jia Yunde.Ant colony optimization algorithm for remote sensing image classification using combined features［C］.Kunming:Proceedings of International Confernence on Machine Learning and Cybernetics，2008:3 478 －3 484.

［8］ Liu Bo，AAbbass H，McKay B.Classification Rule Discovery with Ant Colony Optimization［J］.Computational Intelligence，2004，3(1):83 －88.

［9］ 李先鋒.基于特征優(yōu)化和多特征整合的雜草識別方法研究［D］.蘇州:江蘇大學(xué)，2010.