中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A

0 引言

遙感圖像分類是地理信息系統(tǒng)和遙感技術(shù)的核心任務(wù)，研究通過(guò)分析遙感數(shù)據(jù)將地表特征分類。隨著遙感技術(shù)的進(jìn)步，獲取高分辨率、多光譜和超光譜圖像的能力大幅提高，遙感技術(shù)為地表監(jiān)測(cè)、環(huán)境評(píng)估和資源管理提供了大量數(shù)據(jù)。

許文嘉等[通過(guò)構(gòu)建深度學(xué)習(xí)模型有效提取遙感圖像的深度屬性特征，進(jìn)而實(shí)現(xiàn)高精度的圖像分類。但深度屬性學(xué)習(xí)模型需要大量的訓(xùn)練數(shù)據(jù)，對(duì)于某些遙感圖像數(shù)據(jù)稀缺的領(lǐng)域而言存在挑戰(zhàn)。趙全意等2利用深度流形學(xué)習(xí)捕捉圖像的高維特征，通過(guò)蒸餾網(wǎng)絡(luò)進(jìn)行特征提純，從而實(shí)現(xiàn)高效的場(chǎng)景分類。但深度流形蒸餾網(wǎng)絡(luò)的訓(xùn)練過(guò)程較為復(fù)雜，需要精細(xì)的參數(shù)調(diào)優(yōu)，增加了該方法的應(yīng)用難度。

人工蟻群算法高效尋找最優(yōu)解，尤其在高維、非線性問(wèn)題中表現(xiàn)出色，人工蟻群算法能有效應(yīng)對(duì)數(shù)據(jù)復(fù)雜性和不確定性。本文將基于該算法，以遙感圖像分類為例，進(jìn)行應(yīng)用設(shè)計(jì)。

1遙感圖像特征提取

特征向量可以有效降低數(shù)據(jù)存儲(chǔ)和計(jì)算成本。以像素為單位提取每個(gè)窗口的特征向量，進(jìn)行圖像內(nèi)容類別的劃分[3] 。

在此過(guò)程中，利用多尺度分析方法中的小波變換法，捕捉圖像的紋理信息[4]。根據(jù)輸入圖像像素值，以其為中心構(gòu)建一個(gè)窗口，對(duì)該窗口進(jìn)行二維小波分解。分解后，分別計(jì)算水平 H 垂直 V 和對(duì)角 D 方向的小波系數(shù)，得到小波特征值 W_H，W_V，W_D 。計(jì)算公式如下：

公式中： 分別表示3個(gè)方向的小波系數(shù)， m 和 n 分別為窗口的行數(shù)和列數(shù)[5]。在此基礎(chǔ)上，計(jì)算每個(gè)方向小波系數(shù)的歐氏范數(shù)，進(jìn)一步求取范數(shù)的平均值和方差，公式如下。

公式中： N 為窗口內(nèi)的小波系數(shù)總數(shù) ，μ_H，σ_H 分別為水平方向小波系數(shù)的平均值和方差。同理，計(jì)算垂直和對(duì)角方向的平均值和方差， k 表示第 k 個(gè)像素點(diǎn)。每個(gè)像素窗口的小波特征向量由8個(gè)特征值組成，分別對(duì)應(yīng)水平、垂直和對(duì)角方向的平均值和方差。通過(guò)上述步驟，完成遙感圖像特征提取。

2基于人工蟻群優(yōu)化算法的圖像邊緣檢測(cè)

在上述內(nèi)容的基礎(chǔ)上，引進(jìn)人工蟻群算法，進(jìn)行圖像的邊緣檢測(cè)[7]。在此過(guò)程中，將待檢測(cè)的灰度圖像 I 視為一個(gè)無(wú)向圖 G=（v，e） ，其中， v 表示圖像的像素點(diǎn)， e 表示像素點(diǎn)之間的連接邊。該算法通過(guò)螞蟻的移動(dòng)路徑，找到圖像中灰度變化顯著的邊緣區(qū)域。

人工蟻群算法在圖像 I 上隨機(jī)放置 K 只螞蟻，其中， K=M×N，M 和 N 分別為圖像的行數(shù)和列數(shù)。初始化各像素點(diǎn)的信息素強(qiáng)度 τ_ij（0） 為一個(gè)趨近于0的正值，同時(shí)設(shè)置算法參數(shù)，包括信息素權(quán)重因子 α 、啟發(fā)式引導(dǎo)權(quán)重因子 β 、信息素?fù)]發(fā)系數(shù) ρ 和信息素衰減系數(shù)[8]

螞蟻從當(dāng)前位置 （i，j） 移動(dòng)到鄰域像素點(diǎn) （u，v） 的轉(zhuǎn)移概率 P_{（i，j）（u，v）} 由信息素強(qiáng)度和啟發(fā)式引導(dǎo)函數(shù)決定， P_{（i，j）（u，v）} 的計(jì)算公式如下：

公式中： τ_u，v（t-1） 表示第 t-1 次迭代時(shí)像素點(diǎn)^{（u，v）} 的信息素強(qiáng)度； η_u，v 表示像素點(diǎn) ^（u，v） 的啟發(fā)式引導(dǎo)函數(shù)值; Ω（i，j） 表示像素點(diǎn)的八鄰域像素集合[9]。在迭代過(guò)程中，采用全局檢索的方式，進(jìn)行蟻群位置的更新，更新規(guī)則如下：

τ_i，j（t）=（1-?）?τ_i，j（t-1）+??Δτ_i，j^global

公式中： Δτ_i，j^global 為全局信息素增量，與最優(yōu)路徑上的信息素強(qiáng)度相關(guān)。當(dāng)算法迭代完成后，研究通過(guò)設(shè)定閾值 T ，判斷像素點(diǎn)是否為邊緣點(diǎn)[10]。若像素點(diǎn) （i，j） 的信息素強(qiáng)度 τ_i，jgt; 閾值 T ，則判定為邊緣點(diǎn)。否則，判定為非邊緣點(diǎn)。

3遙感圖像類別自動(dòng)劃分

遙感圖像通常包含多種地物類別。為了實(shí)現(xiàn)遙感圖像的自動(dòng)分類，需要將提取的特征與邊緣檢測(cè)結(jié)果輸入分類器進(jìn)行模型訓(xùn)練。在此過(guò)程中，引進(jìn)極限學(xué)習(xí)機(jī)（ExtremeLearningMachine，ELM）。

將邊緣像素點(diǎn)與相關(guān)標(biāo)準(zhǔn)輸入ELM分類器，ELM的輸出可表示為下述公式。

公式中： f（X） 為分類器的輸出分類結(jié)果， B_J 為第J 個(gè)隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的權(quán)重； h_J（X） 為第 J 個(gè)隱層節(jié)點(diǎn)的輸出，采用Sigmoid非線性激活函數(shù)； L 為隱層節(jié)點(diǎn)數(shù)量。分類中，將提取的像素特征向量輸入ELM進(jìn)行訓(xùn)練，在此基礎(chǔ)上，對(duì)其他像素的特征向量進(jìn)行分類。ELM分類器輸出分類器的計(jì)算結(jié)果，完成遙感圖像的自動(dòng)分類。

4對(duì)比實(shí)驗(yàn)

4.1實(shí)驗(yàn)準(zhǔn)備

該研究選擇某單位作為研究試點(diǎn)，該試點(diǎn)單位存儲(chǔ)的多源遙感影像涵蓋土地覆蓋、地表形變、生態(tài)監(jiān)測(cè)三大類別，包含陸地衛(wèi)星8號(hào)運(yùn)營(yíng)性陸地成像儀（OperationalLandImager，Landsat ^-8 OLI）、哨兵2號(hào)衛(wèi)星搭載的多光譜成像儀（Sentinel-2Multi-SpectralImager，Sentinel-2MSI）。該試點(diǎn)單位還存儲(chǔ)了時(shí)序合成孔徑雷達(dá)干涉測(cè)量（InterferometricSyntheticApertureRadar，InSAR）數(shù)據(jù)。影像參數(shù)顯示：多光譜波段數(shù)達(dá)13個(gè)，輻射分辨率12位，時(shí)間基線覆蓋2015一2023年，構(gòu)成四維時(shí)空數(shù)據(jù)集。

現(xiàn)有分類方法依賴人工，局限性顯著。如光譜特征提取忽略關(guān)鍵波段，導(dǎo)致濕地與水體混淆率18.6% ；未引入地形因子校正，山區(qū)陰影分類精度降23.4% ;樣本不均衡，稀疏地類裸巖F1-score僅0.42。這些問(wèn)題導(dǎo)致生態(tài)評(píng)估等失誤達(dá) 15.7% 。

該項(xiàng)目在測(cè)試時(shí)，終端構(gòu)建混合云計(jì)算架構(gòu)，用3臺(tái)配置NVIDIAA10OGPU的DGX服務(wù)器做計(jì)算節(jié)點(diǎn)，經(jīng)40GbpsInfiniBand網(wǎng)絡(luò)構(gòu)建高速集群。研究數(shù)據(jù)存于Ceph分布式系統(tǒng)，該系統(tǒng)有1.2PB全閃存存儲(chǔ)池，支持時(shí)空索引訪問(wèn)。算法用Docker容器化部署，構(gòu)建含PyTorch和ACO優(yōu)化器的鏡像。按照表1中的內(nèi)容，進(jìn)行算法技術(shù)參數(shù)的設(shè)計(jì)。

表1人工蟻群優(yōu)化算法的技術(shù)參數(shù)設(shè)計(jì)

實(shí)驗(yàn)中，主通道通過(guò) 100G 以太網(wǎng)接入多光譜影像數(shù)據(jù)庫(kù)，備用通道配置光纖直連時(shí)序InSAR存儲(chǔ)陣列。終端節(jié)點(diǎn)配置雙路電源冗余，配備智能電源分配單元（PowerDistributionUnit，PDU），實(shí)現(xiàn)能耗動(dòng)態(tài)管理。信息素矩陣計(jì)算模塊采用遠(yuǎn)程直接內(nèi)存訪問(wèn)（RemoteDirectMemoryAccess，RDMA）網(wǎng)絡(luò)加速，將內(nèi)存訪問(wèn)延遲控制在 1.2μs 以內(nèi)。

4.2遙感圖像邊緣檢測(cè)效果

邊緣檢測(cè)是遙感圖像處理的關(guān)鍵任務(wù)，邊緣檢測(cè)旨在提取圖像中的地物邊界或變化區(qū)域。邊緣檢測(cè)質(zhì)量對(duì)后續(xù)圖像分析和解譯效果至關(guān)重要，因此評(píng)估其清晰度和準(zhǔn)確性非常重要。對(duì)此，應(yīng)用本文方法、深度屬性學(xué)習(xí)的圖像分類方法、深度流形蒸餾網(wǎng)絡(luò)的圖像分類方法，對(duì)樣本圖像分類前進(jìn)行邊緣提取，其結(jié)果如圖1所示。

圖1遙感圖像邊緣檢測(cè)結(jié)果

從上述圖1所示的結(jié)果可以看出，應(yīng)用本文設(shè)計(jì)的方法進(jìn)行圖像邊緣檢測(cè)，檢測(cè)的圖像邊緣線具有較高的連續(xù)性，邊緣能夠直觀地描述地物輪廓。同時(shí)，檢測(cè)到的邊緣線與實(shí)際地物邊界在空間位置上高度一致，具有高定位精度的優(yōu)勢(shì)。

在此基礎(chǔ)上，對(duì)深度屬性學(xué)習(xí)的圖像分類方法、深度流形蒸餾網(wǎng)絡(luò)的圖像分類方法的檢測(cè)結(jié)果進(jìn)行分析發(fā)現(xiàn)，深度屬性學(xué)習(xí)的圖像分類方法的檢測(cè)結(jié)果存在明顯的信息缺失，未能保留圖像中的細(xì)節(jié)信息。而深度流形蒸餾網(wǎng)絡(luò)的圖像分類方法的檢測(cè)結(jié)果中噪聲較多，提取的邊緣線清晰度較低。

4.3遙感圖像分類檢驗(yàn)

在上述內(nèi)容的基礎(chǔ)上，選擇部分遙感圖像作為樣本，樣本圖像如圖2所示。

圖2遙感圖像樣本

將遙感圖像樣本編號(hào)為1～9，現(xiàn)已知編號(hào)1、5、6的圖像為土地覆蓋類別遙感圖像，編號(hào)2、3、7的圖像為水域遙感圖像，編號(hào)4、8、9的圖像為城市遙感圖像。應(yīng)用3種方法進(jìn)行遙感圖像的分類，其結(jié)果如圖3所示。

從圖3所示的結(jié)果可以看出，3種方法中，只有本文方法可以在實(shí)際應(yīng)用中，實(shí)現(xiàn)對(duì)不同類別遙感圖像的精準(zhǔn)劃分，其他方法的分類結(jié)果均與設(shè)計(jì)類別存在偏差。因此，本文方法可以實(shí)現(xiàn)對(duì)遙感圖像的精準(zhǔn)分類。

5結(jié)語(yǔ)

傳統(tǒng)分類方法雖在特定場(chǎng)景表現(xiàn)好，但對(duì)參數(shù)設(shè)置敏感，易陷入局部解集。對(duì)此，本文采用基于人工蟻群優(yōu)化算法的圖像邊緣檢測(cè)，模擬蟻群行為高效搜索并優(yōu)化圖像邊緣，保障邊緣清晰準(zhǔn)確。分類時(shí)充分利用遙感圖像多光譜波段信息，提高分類精度。該項(xiàng)目通過(guò)混合云計(jì)算架構(gòu)與Docker容器化技術(shù)部署，實(shí)現(xiàn)算法高效穩(wěn)定運(yùn)行，提升分類可靠性與實(shí)用性。

圖3遙感圖像分類結(jié)果

參考文獻(xiàn)

[1]許文嘉.基于深度屬性學(xué)習(xí)的光學(xué)遙感圖像分類研究[J].測(cè)繪學(xué)報(bào)，2023（11）：2012.

[2]趙全意，鄭福建，夏波，等.基于深度流形蒸餾網(wǎng)絡(luò)的高光譜遙感圖像場(chǎng)景分類方法[J].測(cè)繪學(xué)報(bào)，2024（12） ：2404-2415.

[3]高翔，侯宇超，程蓉，等.基于多特征融合與Fisher準(zhǔn)則的遙感場(chǎng)景圖像分類[J].蘭州大學(xué)學(xué)報(bào)（自然科學(xué)版），2023（1）：90-97.

[4]杜偉，孟小前，涂杰楠，等.基于機(jī)器學(xué)習(xí)的典型巖溶區(qū)巖性分類技術(shù)：以廣西平果地區(qū)為例[J].中國(guó)巖溶，2024（3）：606-616.

[5]王亞麗，湯定定，李丙春，等.基于分?jǐn)?shù)階空譜聯(lián)合Gabor特征的高光譜遙感圖像分類[J].激光雜志，2024（6） ：144-150.

[6]張立亭，夏文生，羅亦泳，等.改進(jìn)雙重注意力機(jī)制結(jié)合ResNet50的遙感圖像分類［J].測(cè)繪科學(xué)，2023（4） ：98-105.

[7]曹一鵬，楊鳳遠(yuǎn)，李照奎.結(jié)合像素注意力與分類器解耦的小樣本遙感圖像目標(biāo)檢測(cè)[J].激光雜志，2024（6）：138-143.

[8]岳泓光，韓龍玟，王正勇，等.基于多通道自注意力網(wǎng)絡(luò)的遙感圖像場(chǎng)景分類[J].四川大學(xué)學(xué)報(bào)（自然科學(xué)版），2023（2）：91-99.

[9]陳小勇，郭元術(shù)，梁雅博.基于3DOctave卷積和膠囊網(wǎng)絡(luò)的高光譜圖像分類[J].現(xiàn)代電子技術(shù)，2023（5）：29-34.

[10]楊珍，郭艷光，魯曉波.基于改進(jìn)AlexNet網(wǎng)絡(luò)的無(wú)人機(jī)遙感圖像分類方法[J].湖南科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2023（3）：59-69.

（編輯 王永超）

Abstract：To achieve the classfication of remote sensing images，this article studiesa remote sensing image classification methodbasedonartificialantcolonyoptimizationalgorithm.Thearticledescribes thecontentof remote sensing images by extracting feature vectors from each pixel window，using pixels as the unit.This study utilizes extractedfeatures andcombines artificial mosquito swarmoptimization algorithms for edge detection of images.The research introduces extreme learning machines to input extracted features and edge detection results into clasifiers for model training，achieving automaticclassification of remote sensing image categories.The experimental results show thatthe proposed method not only achieves accurate edge detection of remote sensing images，but also enables the classification of different categories of remote sensing images.

Key Words：colony optimization algorithm；feature extraction；edge detection;automatic division;classification method; remote sensing image