基于多樣性變異的QPSO算法的遙感圖像分類

龍海俠，吳淑雷，呂雁

(海南師范大學(xué) 信息科學(xué)技術(shù)學(xué)院，海南 海口 571158)

?

基于多樣性變異的QPSO算法的遙感圖像分類

龍海俠，吳淑雷，呂雁

(海南師范大學(xué) 信息科學(xué)技術(shù)學(xué)院，海南 海口 571158)

摘要：遙感圖像分類是遙感領(lǐng)域研究的熱點(diǎn)問(wèn)題之一。結(jié)合量子粒子群優(yōu)化(QPSO)算法和多樣性變異的機(jī)制提出了一種新的高光譜遙感圖像分類算法。在遙感圖像分類過(guò)程中，采用無(wú)監(jiān)督分類，圖像中每個(gè)像素點(diǎn)到聚類中心的高斯距離作為分類標(biāo)準(zhǔn)，使用QPSO算法進(jìn)行聚類中心的優(yōu)化，在聚類過(guò)程中使用多樣性變異機(jī)制防止QPSO算法早熟收斂，使分類結(jié)果達(dá)到最優(yōu)化。在遙感圖像上所做的實(shí)驗(yàn)表明:此分類算法具有較好的搜索速度和收斂精度，能有效尋找和優(yōu)化最佳聚類中心，是一種有效、可行的遙感圖像分類方法。

關(guān)鍵詞：遙感圖像；無(wú)監(jiān)督分類；聚類中心；量子粒子群優(yōu)化算法；多樣性變異

中文引用格式：龍海俠，吳淑雷，呂雁. 基于多樣性變異的QPSO算法的遙感圖像分類[J]. 智能系統(tǒng)學(xué)報(bào)， 2015, 10(6): 938 -942.

遙感圖像分類是遙感圖像處理系統(tǒng)的核心功能之一，它實(shí)現(xiàn)了將圖像中每個(gè)像元根據(jù)其在不同波段的光譜亮度、空間結(jié)構(gòu)特征或者其他信息，按照某種規(guī)則或算法劃分為不同的類別[1]，是遙感研究領(lǐng)域里的一項(xiàng)重要內(nèi)容[2]，遙感圖像分類方法主要有監(jiān)督和非監(jiān)督分類法[3-4]。隨著遙感圖像分類方法的發(fā)展，最大似然法、光譜角填圖、支持向量機(jī)、匹配濾波、神經(jīng)網(wǎng)絡(luò)等方法已經(jīng)在遙感圖像分類及濕地信息提取中得到應(yīng)用[5]。

國(guó)內(nèi)外很多學(xué)者研究了利用粒子群優(yōu)化算法對(duì)遙感圖像進(jìn)行分類。文獻(xiàn)[1] 利用混合PSO-FCM算法和非監(jiān)督學(xué)習(xí)動(dòng)態(tài)聚類算法分別對(duì)湖南東洞庭湖3個(gè)主成分合成圖像，進(jìn)行濕地分類實(shí)驗(yàn)。文獻(xiàn)[4]提出了一種基于粒子群算法和最近鄰原則的高光譜圖像半監(jiān)督分類方法。文獻(xiàn)[6]提出了基于自適應(yīng)最優(yōu)神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的多目標(biāo)PSO算法的多光譜衛(wèi)星圖像的分類。基于量子粒子群優(yōu)化算法的遙感圖像分類的文獻(xiàn)幾乎沒(méi)有。

Sun等[7]提出了QPSO算法，提高了粒子群的全局收斂能力。QPSO算法的思想來(lái)源于量子力學(xué)和PSO模型。它能保證算法的全局收斂并且在優(yōu)化模型中只有位置向量，沒(méi)有速度向量，控制參數(shù)少、尋優(yōu)能力強(qiáng)。因此本文使用QPSO算法進(jìn)行遙感圖像的分類。但是QPSO算法像其他進(jìn)化算法一樣，也會(huì)遇到早熟收斂的問(wèn)題，并且在收斂的后期粒子的多樣性減少了,因此出現(xiàn)了許多改進(jìn)的QPSO算法。Coelho[8]介紹了基于Gaussian 概率分布的QPSO算法，在此算法中引入了變異算子;在QPSO算法中引入多精英模型來(lái)提高算法的收斂速度[9]。

因此在下面的分類過(guò)程中將使用一種多樣性變異的機(jī)制防止QPSO算法的早熟收斂。本文結(jié)合QPSO算法和多樣性變異對(duì)遙感圖像進(jìn)行分類。

2研究方法

2.1QPSO算法

(1)

式中：j=1,2,…,D，φ=c1r1/(c1r1+c2r2)，r1和r2為2個(gè)在(0，1)內(nèi)均勻分布的隨機(jī)數(shù)序列，c1和c2為PSO算法的加速因此，在通常情況下c1=c2。因此φj為一個(gè)在(0，1)內(nèi)均勻分布的隨機(jī)數(shù)序列。并且，從式(1)中可以看出局部吸引點(diǎn)Ai是一個(gè)位于超矩形中的隨機(jī)點(diǎn)。

下面介紹QPSO算法：

假如粒子在以吸引點(diǎn)為中心的一維δ勢(shì)阱中運(yùn)動(dòng)，解一維δ勢(shì)阱的Schr?dinger 方程, 得到概率分布函數(shù)為

(2)

式中：L為Delta勢(shì)阱的特征長(zhǎng)度，它決定了粒子的搜索范圍。使用Monte Carlo方法，可得到粒子位置的進(jìn)化公式為

(3)

式中：μ為(0，1)內(nèi)均勻分布的隨機(jī)數(shù)，由于L的控制方法對(duì)QPSO算法的收斂速度和性能有關(guān)鍵性的影響，Sun在QPSO算法中引入了平均最好位置Cbest[6-7], Cbest定義為所有粒子個(gè)體最好位置的平均值，即

(4)

L的值用式(5)計(jì)算，采用xij和Cbestj之間的間隔：

(5)

則式(3)的粒子位置更新方程為

(6)

2.2多樣性變異的QPSO算法

QPSO算法在搜索開(kāi)始時(shí)，由于粒子群的初始化，多樣性相對(duì)性比較高，在搜索的過(guò)程中，由于粒子的逐漸收斂，群體的多樣性不斷下降，在搜索的后期，由于粒子都聚集到一個(gè)相對(duì)較小的區(qū)間，粒子群的多樣性已經(jīng)很低，全局搜索能力已經(jīng)變得很弱，進(jìn)行大范圍的搜索的能力已經(jīng)很小，此時(shí)算法就會(huì)發(fā)生早熟現(xiàn)象。為了進(jìn)一步改善QPSO算法的性能，本文受Ursem[11]和Right[12]的啟發(fā)，在QPSO算法中引入多樣性控制的方法(diversity-mutaion QPSO,DMQPSO)，粒子群的多樣性也采用粒子到中心點(diǎn)的平均歐幾里德幾何距離來(lái)度量，在QPSO算法中，存在粒子的個(gè)體最好位置組成的群體，因此QPSO算法的多樣性度量采用如式(7)的形式：

(7)

對(duì)于每一個(gè)j,使

(8)

2.3基于DMQPSO的分類算法

(9)

在DMQPSO算法分類過(guò)程中用到的目標(biāo)函數(shù)為

(10)

分類算法的具體過(guò)程如下：

1)初始化粒子群W1,W2,…,Wc，作為第1代粒子群；

2)設(shè)置聚類類別數(shù)，多光譜遙感圖像的波段數(shù)，終止條件的最大迭代次數(shù)；

3)根據(jù)式(10)計(jì)算多光譜遙感圖像像素的適應(yīng)度函數(shù)值；

4)根據(jù)式(4)計(jì)算平均最好位置Cbest

5)根據(jù)式(7)計(jì)算dt。IFdt

7)更新局部最優(yōu)pbest；

8)更新全局最優(yōu)gbest；

9)根據(jù)式(1)計(jì)算隨機(jī)點(diǎn)；

10)根據(jù)式(6)更新粒子位置，產(chǎn)生下一代粒子群；

重復(fù)計(jì)算3)~10)，直到滿足迭代的次數(shù)。

3仿真結(jié)果及分析

3.1仿真數(shù)據(jù)

實(shí)驗(yàn)平臺(tái)為Intel? Core(TM) i5-2450M 2.5 GHz處理器，4GB內(nèi)存，Windows 7 操作系統(tǒng)，在MATLAB環(huán)境下編制DMQPSO的遙感圖像分類程序。仿真數(shù)據(jù)來(lái)自ALOS多光譜遙感圖像，其有8種主要地物類型：草地、林地、耕地、水體、居民區(qū)、裸土地、機(jī)場(chǎng)、道路。

3.2參數(shù)設(shè)置

在QPSO和DMQPSO算法的實(shí)現(xiàn)過(guò)程中，粒子數(shù)為30，最大迭代次數(shù)MAXITER 取值為200，收縮-擴(kuò)張系α=(1.0-0.5)*(MAXITER-T)/MAXITER+0.5，聚類類別數(shù)為8，多光譜遙感圖像波段數(shù)為3。在K-Means、QPSO和DMQPSO算法中聚類中心的個(gè)數(shù)為30。

3.3遙感圖像分類結(jié)果圖

本文分別使用DMQPSO、QPSO算法以及利用ENVI遙感圖像處理軟件的無(wú)監(jiān)督分類模塊的K-Means,對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分類，得到分類結(jié)果如圖1。

從分類結(jié)果中可以看出：K-Means算法的分類結(jié)果中，草地和林地的混分現(xiàn)象比較明顯，耕地、裸土地和道路也存在一定的混分現(xiàn)象，草地和水體也存在一些分類錯(cuò)誤。QPSO算法在草地和林地上存在著混分現(xiàn)象，草地面積增大，水體和草地也有少量的混分。相對(duì)而言，DMQPSO算法能得到較好的分類，與原始遙感圖像的視覺(jué)效果大概一致，但是草地和林地也存在少量的混分現(xiàn)象。

圖1　3種算法的遙感圖像分類圖Fig.1　Sensing image classification produced by three algorithms

3.4遙感圖像的精度評(píng)價(jià)

本文采用2種方法對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)：

1)像素級(jí)的評(píng)價(jià)

以分類后的混淆矩陣為基礎(chǔ)，分別計(jì)算總體分類精度、Kappa系數(shù)、制圖精度和用戶精度。混淆矩陣是通過(guò)將每個(gè)地表真實(shí)像元的位置和分類與分類圖像中相應(yīng)位置和分類圖像比較計(jì)算，混淆矩陣的每一列代表了一個(gè)地表真實(shí)分類，每一列中的數(shù)值等于地表真實(shí)像元在分類圖像中對(duì)應(yīng)于相應(yīng)類別的數(shù)量。在實(shí)驗(yàn)過(guò)程中，樹(shù)林、草地、房屋、道路、湖泊、土地的感興趣區(qū)都隨機(jī)選取800個(gè)數(shù)據(jù)。表1給出了DMQPSO算法的混淆矩陣，QPSO和K-Means算法的感興趣區(qū)與DMQPSO算法相同。

表2給出了3種算法的像素級(jí)評(píng)價(jià)結(jié)果。從總體分類精度和Kappa系數(shù)來(lái)說(shuō)，DMQPSO分類結(jié)果精度最高；從用戶精度和制圖精度來(lái)說(shuō)，DMQPSO算法和QPSO算法的分類精度都比K-Means算法的分類精度高，總體上來(lái)說(shuō)DMQPSO算法的分類精度稍高于QPSO算法。

表1DMQPSO算法的混淆矩陣 (像素)

Table 1The confusion matrix of DMQPSO algorithm (pixel)

類別草地林地耕地水體居民區(qū)裸土地機(jī)場(chǎng)道路行總數(shù)草地620121506535582915993林地70561655825353328875耕地20254963020222751691水體5332848018203234650居民區(qū)26262232625153888872裸土地421790603538014796867機(jī)場(chǎng)121024453020358156655道路57253012250136332797列總數(shù)800800800800800800800800

表2　DMQPSO算法的混淆矩陣 (像素)

2)基于特征級(jí)的精度評(píng)價(jià)

通過(guò)特征的屬性差異，計(jì)算目標(biāo)函數(shù)的適應(yīng)度、類內(nèi)距、類間距、運(yùn)行時(shí)間、算法收斂時(shí)的迭代次數(shù)進(jìn)行精度評(píng)價(jià)。其適應(yīng)度函數(shù)即式(10)，類內(nèi)距和類間距函數(shù)為式(11)、(12)所示。

類內(nèi)距函數(shù)：聚類內(nèi)部的距離, 即一個(gè)聚類中所有特征向量到聚類中心的距離。

(11)

類間距函數(shù)：聚類之間的距離，即聚類的中心向量之間的距離。

inter_distance=‖zi-zj‖

(12)

評(píng)價(jià)結(jié)果的平均值如表3所示，本文算法中，適應(yīng)度值越小，說(shuō)明分類精度越好，聚類之間的距離越大越好,保證了不同聚類之間的相似性較小。聚類內(nèi)部的距離(8)越小越好，保證了聚類內(nèi)部的樣本與中心的偏離較小，聚類內(nèi)部相似性較大。

從表3可以看出，DMQPSO算法的適應(yīng)度、類內(nèi)距和類間距都優(yōu)于其他2種算法，所以DMQPSO算法的分類精度最高。但是，其收斂速度和運(yùn)行時(shí)間相對(duì)較慢，所以此算法有待改進(jìn)。

表3　基于特征級(jí)的分類精度

5結(jié)束語(yǔ)

本文將QPSO算法進(jìn)行改進(jìn)，在QPSO算法中加入多樣性變異機(jī)制，提出了一種新的遙感圖像分類算法，由實(shí)驗(yàn)結(jié)果可以看出，在分類過(guò)程中，采用DMQPSO算法得到的圖像的分類精度更高，并且QPSO算法相比K-Means 算法能找到更優(yōu)的聚類中心，為研究人員進(jìn)一步研究遙感圖像分類提供了理論和實(shí)際參考價(jià)值。 但是其缺點(diǎn)是分類時(shí)間較長(zhǎng)，需要對(duì)算法進(jìn)一步改進(jìn)。

參考文獻(xiàn):

[1]蔣衛(wèi)國(guó), 陳強(qiáng), 郭驥, 等. 基于HPSO和FCM的多光譜遙感圖像濕地分類[J]. 光譜學(xué)與光譜分析, 2010, 30(12): 3329-3333.

JIANG Weiguo, CHEN Qiang, GUO Ji, et al. Classification of wetlands in multispectral remote sensing image based on HPSO and FCM[J]. Spectroscopy and Spectral Analysis, 2010, 30(12): 3329-3333.

[2]SHANKAR B U, MEHER S K, GHOSH A. Wavelet-fuzzy hybridization: feature-extraction and land-cover classification of remote sensing images[J]. Applied Soft Computing, 2011, 11(3): 2999-3011.

[3]董杰, 沈國(guó)杰. 一種基于模糊關(guān)聯(lián)分類的遙感圖像分類方法[J]. 計(jì)算機(jī)研究與發(fā)展, 2012, 49(7): 1500-1506. DONG Jie, SHEN Guojie. Remote sensing image classification based on fuzzy associative classification[J]. Journal of Computer Research and Development, 2012, 49(7): 1500-1506.

[4]袁永福. 基于粒子群和互信息的高光譜圖像波段選擇和分類[D]. 西安: 西安電子科技大學(xué), 2014: 61-73. YUAN Yongfu. Band selection and classification for hyperspectral image based on particle swarm optimization and mutual information[D]. Xi’an: Xidian University, 2014: 61-73.

[5]UIA D, MUNOZ-MARI J, CAMPS-VALLS G. Remote sensing image segmentation by active queries[J]. Pattern Recognition, 2012, 45(6): 2180-2192.

[6]AGRAWAL R K, BAWANE N G. Multiobjective PSO based adaption of neural network topology for pixel classification in satellite imagery[J]. Applied Soft Computing, 2015, 28: 217-225.

[7]SUN Jun, FENG Bin, XU Wenbo. Particle swarm optimization with particles having quantum behavior[C]// Congress on Evolutionary Computation. Portland: IEEE, 2004: 325-331.

[8]COELHO L S. Novel gaussian quantum-behaved particle swarm optimiser applied to electromagnetic design[J]. IET Science, Measurement & Technology, 2007, 1(5): 290-294.

[9]SUN Jun, CHEN Wei, FANG Wei, et al. Gene expression data analysis with the clustering method based on an improved quantum-behaved Particle Swarm Optimization[J]. Engineering Applications of ArtificialIntelligence, 2012, 25(2): 376-391.

[10]SUN Jun, WU Xiaojun, PALADE V, et al. Convergence analysis and improvements of quantum-behaved particle swarm optimization[J]. Information Sciences, 2012, 193: 81-103.

[11]URSEM R K. Diversity-guided Evolutionary Algorithm[M]//GUERVS J J M, ADAMIDIS P, BEYER H G, et al. Parallel Problem Solving from Nature -PPSN VII. Berlin Heidelberg: Springer, 2002, 2439: 462-471.

[12]RIGET J, VESTERSTROEM J S. A Diversity-guided particle swarm optimizer-the ARPSO[R]. Aarhus: Department of Computer Science, University of Aarhus, 2002.

龍海俠，女，1980年生，副教授，博士，主要研究方向?yàn)槿斯ぶ悄堋Ｖ鞒滞瓿珊Ｄ鲜∽匀豢茖W(xué)基金2項(xiàng)，主持完成海南省高等科學(xué)研究項(xiàng)目1項(xiàng)。作為第一完成人獲得海南省科技進(jìn)步獎(jiǎng)三等獎(jiǎng)1項(xiàng)。發(fā)表學(xué)術(shù)論文20余篇。出版專著1部，教材1部。

吳淑雷，女，1974年生，教授，主要研究方向?yàn)橐曨l、圖像和地理信息等。主持和完成國(guó)家自然科學(xué)基金、海南省自然科學(xué)基金多項(xiàng)。發(fā)表學(xué)術(shù)論文30余篇。出版專著2部，教材1部。

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/23.1538.tp.20151110.1354.014.html

英文引用格式：LONG Haixia, WU Shulei, LYU Yan. Classification of multispectral remote sensing image based on QPSO and diversity-mutation[J]. CAAI Transactions on Intelligent Systems, 2015, 10(6): 938 -942.

Classification of multispectral remote sensing image

based on QPSO and diversity-mutation

LONG Haixia, WU Shulei, LYU Yan

(School of Information Science and Technology, Hainan Normal University, Haikou 571158, China)

Abstract：The classification of remote sensing images is one of the most important issues in remote sensing today. This paper presents a novel classification algorithm for multispectral remote sensing images based on the quantum-behaved particle swarm optimization (QPSO) algorithm and diversity-mutation. To classify remote sensing images, we adopted unsupervised classification, and used the Gaussian distance function between the image pixels and the cluster centers as the classification standard. We used the QPSO algorithm to optimize the cluster centers. For clustering, we propose diversity-mutation to prevent premature convergence of the QPSO algorithm to optimize the classification results. The experimental results show that the proposed algorithm not only has better search speed, but also has higher convergence precision, and searches and optimizes the best cluster center more efficiently. Therefore, we conclude that the algorithm is effective and feasible.

Keywords：remote sensing image; un-supervised classification; cluster centers; quantum-behaved particle swarm optimization algorithm; diversity-mutation

作者簡(jiǎn)介：

通信作者：吳淑雷. E-mail：595615374@qq.com.

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(61163042)；海南師范大學(xué)地理學(xué)重點(diǎn)學(xué)科基金資助項(xiàng)目(00203030905#).

收稿日期：2015-07-23. 網(wǎng)絡(luò)出版日期：2015-11-10.

中圖分類號(hào)：TP391.9

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1673-4785(2015)06-0938-05

DOI:10.11992/tis.201507045