GABA算法的遙感圖像分類

牛穎超，周忠發,王 歷,王小宇

(1. 貴州師范大學喀斯特研究院，貴州 貴陽 550001； 2. 貴州省遙感中心，貴州 貴陽 550001； 3. 貴州省喀斯特山地生態環境國家重點實驗室培育基地，貴州 貴陽 550001)

隨著遙感技術的高速發展，遙感圖像分類成為遙感應用領域中的熱點與難點問題之一。為了提高遙感圖像分類的精度和效率，許多學者對遙感圖像分類算法進行了廣泛深入的研究，常用的有監督分類、非監督分類和半監督分類[1-3]。但傳統的分類方法已難以滿足實際需求，因此本文提出了一種新穎的蝙蝠算法(GABA)，運用于遙感圖像分類。

蝙蝠算法是通過模擬蝙蝠的回聲定位功能提出的一種智能優化算法。該算法通過改變蝙蝠的頻率、響度、脈沖發射率，進行最優解的搜索，直到達到目標或滿足條件停止操作。但蝙蝠算法具有后期收斂速度慢、尋優精度不高、易陷入局部最優值的缺點[4]。本文為了避免這個問題，將蝙蝠算法與遺傳算法相結合創建一種新的遙感圖像分類方法—GABA算法，將遺傳算法中的選擇、交叉、變異操作引入到蝙蝠算法中，增強種群多樣性、全局搜索能力和尋優能力，從而弱化蝙蝠算法的缺陷，發揮兩者之間的優勢。通過試驗與蝙蝠算法[5]、K-means算法[6-8]、粒子群算法[9-11]相比較，表明本文算法在遙感圖像分類中具有較高的分類精度和分類效率。

1 蝙蝠算法

fi=fmin+(fmax-fmin)β

(1)

(2)

(3)

式中，β為一個隨機向量，取值范圍為[0,1]；x*為比較n只蝙蝠所對應位置后當前全局最佳位置。λifi的改變會導致速度的增長，在求解不同的問題時，不改變λi(或fi)的同時改變fi(或λi)調整速度。在實際運用時，可以根據所感興趣問題領域的大小，使用f∈(1,100),開始時每只蝙蝠隨機分配頻率，頻率由[fmin,fmax]平均得出。

更新蝙蝠的位置之后，生成一個隨機數，如果大于生成的隨機數脈沖頻率ri,就在隨機游走中就近生成新的解決方案，即最佳解決方案。

xnew=xold+εAt

(4)

(5)

(6)

式中，α和γ都是恒量，α類似于模擬退火算法中冷卻進程表中的冷卻因素，對于任何0<α<1和γ>0的量都有

(7)

α和γ的值采用連續函數求優的參數值即：α=γ=0.9，控制蝙蝠速度和種群移動范圍的主要參數為響度、脈沖發射率和頻率，它們的取值范圍分別為[1,0]、[1,0]和[2,0]。

最后判斷蝙蝠的適應度函數的優劣，找出當前最優解，并迭代更新直到滿足條件，輸出最優解。

2 GABA算法

通過分析蝙蝠算法可以發現，該算法自身缺乏變異機制，若受到某個局部極值制約后很難掙脫，在進化過程中，種群的最優蝙蝠可能吸引其他個體迅速向自己聚集，導致種群多樣性急劇下降，當許多蝙蝠個體越接近種群最優個體時，收斂速度下降甚至出現進化停滯的狀況，致使種群喪失了進一步自身進化的能力，并且蝙蝠算法不能收斂到全局極值，這樣就很難發現分布在局部最優鄰域內的全局最優點。因此基于蝙蝠算法的遙感圖像分類往往分類精度不高，容易出現錯分現象。若想改進蝙蝠算法的遙感圖像的分類精度，提高種群的多樣性、全局搜索能力和尋優能力至關重要。本文針對蝙蝠算法的局限性，將遺傳算法引入到蝙蝠算法中，對種群蝙蝠個體進行選擇、變異、交叉操作，彌補蝙蝠算法的缺陷，發揮兩者之間的優勢，提高遙感圖像的分類精度。

2.1 遺傳算法

遺傳算法是1975年由John Holland提出的，它是將每一個體進行編碼，從一個初始化種群出發迭代更新，迭代的每一次都根據預定的目標適應度函數對種群的每個個體進行評價，利用適者生存的進化法則，模擬現實世界中的優勝劣汰進行選擇、交叉、變異操作，不斷得到更優的群體，并以全局并行搜索方式來搜索優化種群中的最優個體，求得滿足要求的最優解[15-17]。

遺傳算法的主要流程如下：

(1) 初始化：隨機產生初始群體A(0)。

(2) 個體評價：計算群體A(n)中各個個體的適應度。

(3) 選擇運算:將選擇算子作用于群體。目的是把優化的個體直接遺傳到下一代或通過配對交叉產生新的個體再遺傳到下一代。

(4) 交叉運算：將交叉算子作用于群體。遺傳算法中起核心作用的就是交叉算子。

(5) 變異運算：將變異算子作用于群體。即是對群體中個體的某些基因上的基因值作變動。群體A(n)經過選擇、交叉、變異運算之后得到下一代群體A(n+1)。

(6) 終止條件判斷:如果滿足終止條件，則以進化過程中所得到的具有最大適應度個體作為最優解輸出，終止計算。

2.2 遺傳算法與蝙蝠算法相結合(GABA算法)

(1) 初始化GABA算法的各個參數，設種群的大小為n，搜索空間維度為d，每個蝙蝠的位置和速度表示為s×r維變量，第i只蝙蝠的位置為xi，速度為vi，i=1,2,3，…,n。

(2) 計算種群個體的適應度函數，確定當前個體的最優解。若xi、bj滿足

(8)

則xi為第j類，每個種群個體的適應度函數公式為

(9)

(3) 利用式(1)—式(3)更新蝙蝠的位置、速度和搜索脈沖頻率。

(4) 更新蝙蝠的位置之后，生成一個隨機數，如果大于生成的隨機數脈沖頻率，在隨機游走中就近生成新的解決方案。

(5) 判斷新的隨機解決方案的數量是否Ai&f(xi)

(6) 利用遺傳算法以每一個蝙蝠位置為初始點進行選擇、交叉、變異操作，得到新的蝙蝠位置和速度，公式如下

if(Ri

(10)

式中，Ri(i∈M)為均勻分布在[0,1]的隨機變量，M為適應度較差的部分粒子；R2為介于[0,1]的隨機變量；R3為隨機變量，當隨機數小于0.5時為1，大于0.5時為-1，以此來更新這部分蝙蝠的位置和速度。

(7) 根據蝙蝠種群個體的適應度函數的優劣，更新最優解。

(8) 迭代更新判斷是否為最優解，否則轉到第(3)步繼續運行。

3 試驗與分析

3.1 試驗數據

本文試驗數據選取江蘇省常州市某地區高分二號遙感圖像作為試驗數據，試驗區主要包括水體、建筑用地、裸地、道路、水田、旱地、林地、草地等地物，進行圖像分類前，首先對圖像進行預處理。本文采用雙線性內插法對圖像進行幾何校正，并利用短波紅外波段，從圖像中選取亮度值較低的水體為參照，對圖像進行相對輻射校正，然后進行重采樣處理。處理后影像如圖1所示。

圖1 研究區遙感影像圖

本試驗操作系統為Windows 7，編譯軟件為Matlab 2015A，硬件為Intel(R) Core(TM) i5-4460 CPU@ 3.20 GHz。遙感圖像的分類數目為8類，最大迭代次數為100，b1、b2代表加速常數，本試驗b1為2.8，b2為1.3，Bv取0.8，Bm取1。然后運用GABA算法進行分類，如圖2所示。

圖2 GABA算法的分類結果

3.2 精度驗證與分析

精度驗證是遙感分類過程中不可缺少的一部分，通過精度分析可以有效地獲取分類結果中的信息。常用的精度驗證有誤差矩陣方法、統計比較法[18]。其中誤差矩陣是評價分類識別精度的基本參數，它是將遙感影像分類后的結果與相應的地物真實分布圖或更高分辨率的影像進行對比，得出各類地物的分類誤差[19-21]。誤差矩陣一般分為3種精度指標：總體精度(overall accuracy)、制圖精度(producers accuracy)、用戶精度(users accuracy)，本文采用混淆矩陣對研究區的分類結果進行精度評價[22]。

(1) 總體精度是誤差矩陣中分類的正確像元總數與所有像元總數的比值，即每一個隨機樣本的分類結果與真實類型相一致的概率。

(2) 制圖精度是用某一種類別正確的像元除以該類總檢測像元個數，即參考像元被正確分類的概率。

(3) 用戶精度是采用一個類別的正確像元總數除以實際上被分到該類像元的總數，即圖上分到該類的像元在地面上實際代表該類的概率。

上述統計量可以用來評價圖像分類的單個類別的分類精度。但利用總體精度、制圖精度或用戶精度的弊端是像元類別的變化可能導致自身的百分比隨之變化，但Kappa系數考慮了誤差矩陣中所有的因子，能夠全面反映總體分類精度[23-24]。計算公式為

(11)

式中，k為誤差矩陣的總列數，即樣本的總類別；xii為誤差矩陣中第i行、第i列的值；xih、xih分別為第i行、第i列的總像元數；N為地表真實分類中的總像元數。

本文選取9867個點基作為檢驗數據，將GABA算法的分類結果建立混淆矩陣進行精度評價見表1。從表1中可以看出本文算法的總體精度為95.62%，Kappa系數為0.948 4，分類精度高、結果較優。從單個地物的分類精度來看，在研究區中水體的用戶精度為90.25%，雖然比其他地物的用戶精度較低，但良好地區分出與水體光譜特征相似的建筑用地陰影及陰面的林地。建筑用地和道路的光譜信息類似，運用本文算法，建筑用地與道路的用戶精度分別為92.27%、90.21%，使兩者得到了較好的識別。通常裸地分類時容易與建筑用地、道路混淆，而裸地的用戶精度為97.80%，分類效果較為滿意。水田分類時容易受水體干擾，其用戶精度為96.92%，信息較精確地被提出。旱地的用戶精度最高為99.89%，表明本文算法在識別旱地時具有一定的優勢。一般情況下林地和草地兩者不易區分，而表1中它們的用戶精度分別為92.60%、91.62%，得到了良好的區分。

表1 GABA算法的精度評價結果

3.3 與其他分類算法對比分析

本文分別運用蝙蝠算法、K-means算法、粒子群算法與GABA算法進行對比分析，以此突出GABA算法的優越性，蝙蝠算法、K-means算法、粒子群算法的分類結果如圖3所示，分類精度見表2。

從分類效果來看，本文算法的總體精度為95.62%，Kappa系數為0.098 1，分類效果最優，這是由于引入變異機制之后，算法具有更強的全局搜索能力，到迭代后期，使得種群中個體的差異變小，同時也具有更強的局部搜索能力，能準確地提取出目標地物，致使不同地物類型之間得到較好的區分；蝙蝠算法由于自身存在缺陷，導致近似光譜信息的地物容易受到相互干擾，總體精度和Kappa系數最低，分類效果最差；K-means算法的總體精度與Kappa系數分別為83.96%、0.801 4，分類精度相對較低，分類結果中存在一些錯誤分類；粒子群算法的分類精度不高，但比K-means算法的分類效果好，總體精度為89.73%，Kappa系數為0.876 3，能夠區分面積比較大的分類區域。從分類時間來看，本文算法所需的運行時間最短，K-means算法的運行時間最長，粒子群算法的運行時間介于蝙蝠算法和本文算法之間，而蝙蝠算法雖然比粒子群算法效率高但比本文算法效率低。因此本文算法分類時間短，具有較高的效率。

圖3 不同算法的分類結果

方法蝙蝠算法K?means算法粒子群算法本文算法總體精度/(%)78．5583．9689．7395．62Kappa系數0．75370．80140．87630．9484運行時間/s0．11720．21350．19480．0981

4 結 語

本文提出了一種GABA算法的遙感圖像分類方法，該方法針對蝙蝠算法后期收斂速度慢、尋優精度不高、易陷入局部最優值的缺點，將遺傳算法融入蝙蝠算法中，對種群蝙蝠個體進行選擇、變異、交叉操作，從而增強蝙蝠種群多樣性、全局搜索能力和尋優能力，弱化蝙蝠算法的缺陷，發揮兩者之間的優勢，提高遙感圖像分類精度與效率。為驗證該方法有效，試驗選取蝙蝠算法、K-means算法、粒子群算法與本文算法進行比較，分析評價遙感圖像的分類結果，試驗表明本文算法在遙感圖像分類應用中提高分類精度的同時也減少了分類時間，是一種有效的分類方法，在遙感圖像分類中具有廣泛的應用前景。

[1] HUANG X, ZHANG L. An SVM Ensemble Approach Com-bining Spectral, Structural, and Semantic Features for the Classification of High-Resolution Remotely Sensed Imagery[J]. Geoscience & Remote Sensing IEEE Transactions on, 2013, 51(1):257-272.

[2] 樊利恒,呂俊偉,鄧江生.基于分類器集成的高光譜遙感圖像分類方法[J].光學學報,2014, 34(9):91-101.

[3] 郭玉寶, 池天河, 彭玲,等. 利用隨機森林的高分一號遙感數據進行城市用地分類[J]. 測繪通報, 2016(5):73-76.

[4] 李枝勇,馬良,張惠珍.蝙蝠算法收斂性分析[J].數學的實踐與認識,2013, 43(12):182-190.

[5] 陳海挺.改進蝙蝠算法優化極限學習機的圖像分類[J].激光雜志,2014(11):26-29.

[6] BANDYOPADHYAY S, MAULIK U. An Evolutionary Technique Based on K-means Algorithm for Optimal Clustering in RN [J]. Information Sciences, 2002, 146(1-4):221-237.

[7] TANG R, FONG S, YANG X S, et al. Integrating Nature-inspired Optimization Algorithms to K-means Clustering[C]∥Seventh International Conference on Digital Information Management. [S.l.]: IEEE, 2012:116-123.

[8] 陳華,陳書海,張平,等.K-means算法在遙感分類中的應用[J].紅外與激光工程,2000, 29(2):26-30.

[9] 丁勝,袁修孝,陳黎.粒子群優化算法用于高光譜遙感影像分類的自動波段選擇[J].測繪學報, 2010, 39(3):257-263.

[10] 蔣韜.基于遺傳粒子群優化算法的遙感圖像分類方法研究與應用[D].北京：首都師范大學,2013.

[11] 付建東.粒子群神經網絡在遙感影像分類中的應用研究[D].南昌：東華理工大學,2015.

[12] YANG X S. A New Metaheuristic Bat-Inspired Algorithm[J]. Computer Knowledge & Technology, 2010, 284:65-74.

[13] YANG X S, HE X. Bat Algorithm: Literature Review and Applications[J]. International Journal of Bio-Inspired Computation, 2013, 5(3):141-149.

[14] YANG X, GANDOMI A H. Bat Algorithm: a Novel Approach for Global Engineering Optimization[J]. Engineering Computations, 2012, 29(5):464-483.

[15] 張鈴,張拔.遺傳算法機理的研究[J]. 軟件學報,2000,11(7):945-952.

[16] 臧淑英,張策,張麗娟,等.遺傳算法優化的支持向量機濕地遙感分類——以洪河國家級自然保護區為例[J].地理科學,2012, 32(4):434-441.

[17] 黃明,吳延斌.基于混沌遺傳算法的遙感影像分類[J].測繪科學,2011, 36(2):5-8.

[18] 王衛紅,嚴魯琴,金丹丹,等.基于GEPSO模型的面向對象遙感圖像分類[J].計算機科學,2015, 42(5):51-53.

[19] CLEVE C, KELLY M, KEARNS F R, et al. Classification of the Wildland-urban Interface: A Comparison of Pixel and Object-based Classifications Using High-resolution Aerial Photography [J]. Computers Environment & Urban Systems, 2008, 32(4):317-326.

[20] 劉大偉,韓玲,韓曉勇.基于深度學習的高分辨率遙感影像分類研究[J].光學學報, 2016(4):298-306.

[21] 吳洋.基于超像素的面向對象遙感圖像分類方法研究[D].武漢：華中科技大學,2013.

[22] 明冬萍, 邱玉芳, 周文. 遙感模式分類中的空間統計學應用——以面向對象的遙感影像農田提取為例[J]. 測繪學報, 2016, 45(7):825-833.

[23] 彭海濤,柯長青.基于多層分割的面向對象遙感影像分類方法研究[J].遙感技術與應用,2010, 25(1):149-154.

[24] 葛春青,張凌寒,楊杰.基于決策樹規則的面向對象遙感影像分類[J].遙感信息,2009(2):86-90.