孙 可, 殷守林, 刘 杰

(沈阳师范大学 科信软件学院, 沈阳 110034)



一种改进的蚁群算法在高光谱遥感图象分类中的应用

孙 可, 殷守林, 刘 杰

(沈阳师范大学 科信软件学院, 沈阳 110034)

针对原始蚁群算法在高光谱遥感图象分类中收敛速度慢,结果不精确的缺点,提出了一种改进的蚁群算法,并把基于改进蚁群算法的特征选择应用在高光谱遥感图象分类中,从而建立一种新的高光谱遥感图象分类模型。模型分为3部分:基于传统蚁群算法原理,提出新的蚁群算法信息素更新方法;使用改进后的蚁群算法,令蚂蚁在平面上随机选择一个随机投影到平面上的特征,在所有特征中,使用判别函数来确定哪条路径最优,随后形成特征组合;根据特征组合,使用极大似然分类器对遥感图象进行分类。实验结果表明,基于改进的蚁群算法更能有效的对高光谱遥感图象进行分类。

蚁群算法; 特征选择; 高光谱遥感图象分类; 信息素; 极大似然分类器; 特征组合

0 引 言

近年来,模拟自然界动物行为产生了人工智能算法,如最新的智能算法:磁铁优化算法[1]、头脑风暴算法[2]、狼群算法、猫群算法以及蚁群算法[3]等,其快速发展已经应用在很多领域。这些智能算法在高光谱遥感图象分类中也得到了广泛的应用[4-6],陈善静等[7]提出了一种新的结合空-谱二维特征蚁群组合优化和支持向量机方法对高光谱图象进行分类,该方法首先使用一类蚁群在样本空间进行搜索,然后使用另一类蚁群在光谱维空间进行搜索,得到最大间距波段并对其进行组合,提取最优特征波段。王立国等[8]提出了结合拟态物理学优化(APO)算法的高光谱图象波段选择方法,首先对图象进行自空间划分,然后选取适应度函数。文献[9]提出了一种基于人工蜂群算法的高光谱图象波段选择方法,大大提高了图象分类的精确度。

在地表覆盖物中,为区分它们的细微差别,高光谱遥感提供了非常高的光谱分辨率图象数据[10]。但是大量的图象数据又给研究人员带来了分析与解释上的难题,先前的研究结果表明,高维数据空间大多是空的[11],这表明主要应用的数据结构存在于一个子空间中。因此,有必要降低数据维度而不失原始数据的准确性。

特征选择和特征提取[12]可以降低数据维度,但特征提取策略往往是复杂的。大多数情况下,针对高光谱图象的分类,可能会产生辐射降低或者混响信息的现象,特征选择策略可以储备各种地面上的信息,但是大量的高光谱图象波段以及波段之间的强关联信息使得不能做出一些特征选择的方法。假设每个特征是独立的,则不能获得理想的降维,高光谱图象中包含的丰富信息也不能被充分挖掘。因此,有必要研究一种有效的特征选择方法选取能够在不损失有用信息的情况下,利用该特征代表图象的多光谱特性。

已有高光谱特征选择方法存在最优和次优的局限性,针对该提出了一种改进的蚁群算法特征选择。在此过程中,首先将所有的特征随机地映射到平面上,每个蚂蚁在平面上随机地选择一个特征,然后根据判定函数决定在特征中哪一条路最优。其中,选择2个判别函数,使用极大似然分类器分类选择特性,实验结果证明了本方案的有效性。

1 蚁群算法概述

蚁群算法是根据蚂蚁的习性而设计的一种智能优化算法,算法的迭代过程如下。

设n为空间中元素的个数,且用1,2,…,n表示元素的序号,蚂蚁数量为m,元素i与j之间的距离为dij(i,j=1,2,…,n),t时刻路径(i,j)上的信息量为τij(t)。在算法运行之初,每一条路径都有相等的信息量τij(t),设τij(t)=C(C为常数) ,则在t时刻,在元素i上的蚂蚁k(k= 1,2,…,m) 由公式(1) 选择下一个元素j。

其中:ηij(t)为t时刻路径(i,j)上的能见度,是一个局部启发式函数,表示由元素i转移到元素j的启发程度;β表示启发信息的重要程度;allowedk={0,1,…,n-1}表示蚂蚁k当前能选择的元素集合;tabuk为禁忌表,作用是记录蚂蚁k已经走过的元素。

一只蚂蚁对应一个元素,蚂蚁按照式(2)来更新该边上的信息素:

式中,ξ∈[0,1]为随机参数,τ0为常数。

当所有蚂蚁遍历完所有元素后,用式(3)(4)更新各路径上的信息素:

其中,ρ为信息素挥发系数;1-ρ为信息素残留因子;为防止信息的无限积累,通常设置0<ρ<1;Δτij表示本次循环中路径(i,j) 上的信息素增量;Lgb为到目前为止找出的全局最优路径。

2 改进的蚁群算法

在传统蚁群算法中,由于使用随机比例状态转移原则,蚂蚁总是选择当前产生的最优解,从而易于陷入局部最优解而产生早熟。为了使蚂蚁能够去选择其他解,须增大选择概率范围,采用式(5)的状态转移方程去实现该功能。

其中,q为[0,1]区间均匀分布的随机数,K=1,2,…,NC。如果q<1-e-1/K,按式(5)进行计算,否则采用轮盘赌的方式进行状态转移。轮盘赌具体执行方式如下:

1)r=rand(0,1),s=0,i=1;

2) 如果s≥r,转到步骤4),否则顺序执行下一步;

4) 元素j即为所选元素,结束

蚂蚁的信息素作为最关键的因素,需要有效利用,本文采用全局信息素的更新方法,对其进行必要的调整。其具体过程是当算法完成了一次迭代后,用式(7)对上一条路径进行信息素更新。

3 基于改进蚁群算法的高光谱遥感图象分类

高光谱图象数据的每个波谱段可以看作一个特性,因此在高光谱图象中,特征选择可以转化为波段的选择,被选择的子集能够丢弃冗余的信息来降低数据集的维数,在特征集X中,从n个特征中选择m(m

3.1 特征选择

对于分类来说,有n个特征可用于对每个模式进行分类,X={x1,x2,…,xn}。首先将n个特征随机地投影到平面上,每只蚂蚁在平面上随机地选择一个特征。假设在t时刻,τij是路径(i,j)上的信息素,n是特征集大小,m是蚁群中的蚂蚁数量。其中信息素由式(6)、式(7)计算,初始设置Δτij(0)=0,选择概率由式(5)计算,参数α和β控制信息素和启发信息ηij的相对重要性。其中:

式中Jij是特征之间的判别函数。

对于改进蚁群算法的特征选择,在每次迭代的初始时期,所用特征是随机选择的。随着迭代次数的增加,蚂蚁将会选择相同的路径走,最后,特征子集对应的最优判别函数就是最佳结果。

3.2 图象分类

具体流程如下:

1) 初始化参数:设置参数α、β,最大循环次数Nmax,初始时刻信息量Δτij(0)=0,训练样本总数M。

2) 计算各特征之间的相关系数rij;初始化异质样本比例系数为υ,数量为0;初始循环次数N=1。

3) 执行改进的蚁群算法。

Step 1 设定蚂蚁数目k=1;

Step 2 蚂蚁随机选择一个特征yi开始出发;

Step 3 第k只蚂蚁根据式(5)计算特征yi到yj的状态转移概率;

Step 4 根据状态转移概率选择候选特征,如果候选特征与该训练样本之间的判别函数值大于设定的阈值,则保留此特征并存于样本子空间中,否则选择下一个样本;

Step 5 若样本子空间中的样本数小于异质样本数K(K=υM),蚂蚁继续搜索否则向下执行;如果当前样本子空间判别函数达到最大值,设定k=k+1,根据式(6)和式(7)更新蚂蚁信息素,蚂蚁移动到yj,设置i=j,否则,转到2)。

Step6 如果判别函数大于最大值,则保留蚂蚁异质样本。

4) 循环次数增加1,即N=N+1。

5) 如果循环次数超过最大值,迭代停止,输出此时的判别函数值的特征。否则转到3)。

3.3 判别函数

在高光谱成像技术的具体应用中,采用的判别函数分别是Bhattacharya距离和Jeffries-Matusita距离。

3.3.1 Bhattacharya距离

其中,n是类别的个数;Jij(B)是第i个类与第j个类之间的Bhattacharya距离;μi是第i个类的平均向量;∑i第i个类的协方差矩阵。

3.3.2 Jeffries-Matusita距离

其中,n是类的个数;JM是第i个类与第j个类之间的Jeffries-Matusita距离。

假设在以上2种距离计算中有类高斯分布,Bhattacharya 距离和Jeffries-Matusita距离作为距离测量法,获得的距离越大,蚁群预期值越大,那么得到的解最优。

4 实验仿真及分析

4.1 实验环境及数据

为了说明提出算法的可行性和高效性,在Pentium(R) Dual-Core 2.6 GHz,内存为2.0 G的硬件系统和Windows XP,MATLAB2014a软件平台环境下将本文提出的算法用于遥感图象分类实验。对比本文基于改进的蚁群算法高光谱遥感图象分类(IAC-HRS)、传统蚁群算法高光谱遥感图象分类(AC-HRS)[4]。研究数据来自某地区的遥感图象,其中分为6大类数据:居住地、荒地、植被、道路、湖泊和河流,总训练数为2 000,测试数为500,表1是各类样本具体的数量。

表1 样本数值Tab.1 Samples values

4.2 实验结果及分析

图1是基于传统蚁群算法高光谱遥感图象分类结果,图2是基于改进的蚁群算法高光谱遥感图象分类结果。分类样本的准确率如表2所示。

表2 各类样本分类的准确率Tab. 2 Accuracy of classification of various types of samples %

由图1和图2所知,基本蚁群高光谱遥感图象分类方法和改进的高光谱遥感图象分类对遥感图象分类都有很准确的结果,但是改进的蚁群算法对其影响更大,因为在蚁群方法中更新信息素可以防止蚂蚁陷入局部解,从而增大其灰色关联,从表2即可得知,在这6类数据中,新的算法比采用基本蚁群算法的图象分类结果分别高1.7%、0.8%、0.4%、0.5%、1.9%、1.1%。从实验结果可以说明采用本文算法能较好的实现高光谱遥感图象分类。

图1 AC-HRS结果Fig.1 Result of AC-HRS

图2 IAC-HRS结果Fig.2 Result of IAC-HRS

5 结 语

针对基本蚁群算法在高光谱遥感图象分类中出现早熟,且易于陷入局部最优的缺点,提出了改进的蚁群算法,在蚁群行动过程中改进信息素,然后再进行特征选择,来决定哪条路径最优,根据特征组合,使用极大似然分类器对遥感图象进行分类。经过实验论证,本文算法在很大程度上提高了分类效果,在实际工程应用中,也能够发挥其价值。在以后的遥感图象分类工作中,将会采用更为先进的人工智能算法来提高分类准确率。

[ 1 ]WOO D K, CHOI J H, ALI M, et al. A Novel Multimodal Optimization Algorithm Applied to Electromagnetic Optimization[J]. IEEE Trans Magn, 2011,47(6):1667-1673.

[ 2 ]杨玉婷,史玉回,夏顺仁. 基于讨论机制的头脑风暴优化算法[J]. 浙江大学学报(工学版), 2013,47(10):1705-1711.

[ 3 ]夏浩东,薛云,邓会娟,刘凤姣. 基于蚁群算法的光谱分解方法剔除植被干扰信息[J]. 地质力学学报, 2012,18(1):72-78.

[ 4 ]胡河山,覃亚丽. 基于蚁群算法的多光谱遥感图像分类[J]. 杭州电子科技大学学报, 2012,32(4):88-91.

[ 5 ]吴孔江,曾永年,靳文凭,等. 改进利用蚁群规则挖掘算法进行遥感影像分类[J]. 测绘学报, 2013,42(1):59-66.

[ 6 ]王立国,魏芳洁. 结合遗传算法和蚁群算法的高光谱图像波段选择[J]. 中国图像图形学报, 2013,18(2):235-242.

[ 7 ]陈善静,胡以华,石亮,等. 空-谱二维蚁群组合优化SVM的高光谱图像分类[J]. 光谱学与光谱分析, 2013,33(8):2192-2197.

[ 8 ]王立国,魏芳洁. 结合APO算法的高光谱图像波段选择[J]. 哈尔滨工业大学学报, 2013,45(9):100-106.

[ 9 ]王立国,赵亮,刘丹凤. 基于人工蜂群算法高光谱图像波段选择[J]. 哈尔滨工业大学学报, 2015,47(11):82-88.

[10]刘振林. 基于核空谱信息挖掘的高光谱图像分类方法研究[D]. 哈尔滨:哈尔滨工业大学, 2014.

[11]冯小东. 基于稀疏表示的高维数据无监督挖掘研究[D]. 北京:北京科技大学, 2015.

[12]苏红军,杜培军. 高光谱数据特征选择与特征提取研究[J]. 遥感技术与应用, 2006,21(4):288-293.

An improved ant colony algorithm used in Hyperspectral remote sensing image classification

SUN Ke, YIN Shoulin, LIU Jie

(Software College, Shenyang Normal University, Shenyang 110034, China)

When original ant colony algorithm is used in Hyperspectral remote sensing image classification, which has slow convergence speed and results inaccuracy. The author proposes an improved ant colony algorithm in this paper. And the feature selection based on new scheme is applied into Hyperspectral remote sensing image classification, so it builds a new Hyperspectral remote sensing image classification model. This model includes three parts: firstly, it presents new pheromone updating methods based on traditional ant colony algorithm; secondly, each ant stochastically selects a feature on the plane(features are randomly projected on a plane) based on new ant colony algorithm. In all features, it uses discrimination function to determine which road is the best; thirdly, according to the characteristics of combination, it uses the maximum likelihood classifier to classify remote sensing image. Finally, experimental results show that the new scheme based on improved ant colony algorithm is more effective to deal with Hyperspectral remote sensing image classification.

ant colony algorithm; feature selection; Hyperspectral remote sensing image classification; pheromone; maximum likelihood classifier; feature combination

2016-05-10。

国家自然科学基金资助项目(60970112)。

孙 可(1979-),男,山东滕州人,沈阳师范大学副编审,哈尔滨工业大学博士研究生。

1673-5862(2016)03-0354-05

TP391

A

10.3969/ j.issn.1673-5862.2016.03.020