基于蜂群算法優化的支持向量機植被提取研究

唐昊

(重慶數字城市科技有限公司，重慶 401121)

1 引 言

近年來，隨著國家對資源環境和生態文明建設的日益重視，植被尤其是城市植被高效精確的提取對國家和政府及時了解和掌握植被覆蓋變化趨勢，促進資源環境的協調發展與城市規劃建設具有戰略性意義。支持向量機(Support Vector Machine，SVM)是Vapnik于1995年提出的一種監督分類方法，是以統計學習為基礎，對有限樣本進行模式學習的方法，能有效解決小樣本、高維數、非線性等問題，進而越來越多地被應用到遙感影像處理中[1]。

在利用支持向量機進行分類的過程中，模型參數(懲罰因子C和核函數寬度g)對分類精度影響顯著，如何合理選擇模型參數進而達到最好的分類效果成為近年來研究的熱點。目前常用的SVM參數優化方法有遺傳算法(Genetic Algorithm，GA)、魚群算法(Artificial Fish Swarm Algorithm，AFSA)、粒子群算法(Particle Swarm Optimization，PSO)、蟻群算法(Ant Colony Optimization，ACO)等，能一定程度上提高分類精度，但這些優化算法存在一個致命的缺陷就是會在不同程度上陷入局部最優解而無法尋找到全局最優解，達不到最優分類效果。Karaboga于2005年提出了人工蜂群(Artificial Bee Colony，ABC)這一群智能優化算法，該算法通過不同工種蜜蜂之間的合作，模仿蜜蜂采蜜行為，在很大程度上避免了陷入局部最優解問題，具備比傳統優化方法更好的優化性能[2，3]。本文以RBF核函數的支持向量機為模型，利用人工蜂群算法對模型參數(懲罰因子C和核函數寬度g)進行優化。通過對重慶市某城鄉ZY-3遙感影像植被提取的實驗證明：與遺傳算法和粒子群算法優化SVM相比，蜂群算法能更好地克服局部最優解問題，獲得更好的分類結果，植被提取效果更好。

2 蜂群算法優化SVM

受蜜蜂采蜜行為啟發而產生的人工蜂群算法是一種新穎的元啟發式優化算法，人工蜂群算法模擬蜜蜂采蜜行為來處理參數尋優問題，人工蜂群分為三類：采蜜蜂，觀察蜂和偵查蜂。采蜜蜂和觀察蜂各占蜜蜂總體數量的50%，也就是說食物源的數量和采蜜蜂的數量相等。如果某個食物源被采蜜蜂和觀察蜂放棄，則該食物源對應的采蜜蜂變為偵查蜂[3]。

按照ABC算法搜索過程，對支持向量機模型參數(懲罰因子C和核函數寬度g)進行優化，優化流程如下：

(1)初始化參數。設置終止迭代次數max-cycle，蜜源的最大搜索次數limit。由于優化支持向量機的目的是為了提高分類的精確度，這里我們選擇的適應度函數為：

(1)

其中v是分類正確率。

(2)按照式(3)確定食物源數量SN，并與采蜜蜂數量對應；每個蜜源所在位置為優化問題的一個可能解Xi(i=1，2，…，SN)，Xi為由SVM中參數C和g組成的2維向量。式中，Xij為第i個蜜蜂第j維對應的搜索后的位置，Xmax和Xmin分別為第j維變量的上界和下界。

(3)采蜜蜂根據式(2)做臨近搜索產生新解Vij。

(4)計算蜂群中每一個個體的適應度值，并在當前蜜源和新蜜源之間進行貪婪選擇，如果搜索后的蜜源優于搜索前，則代替之前蜜源。

(5)根據式(1)計算每個蜜源被選擇的概率值Pi，跟隨蜂以輪盤賭機制選擇要跟隨的蜜源進行采蜜，成為引領蜂，并在其附近按式(2)搜索新蜜源。

(6)搜索次數search=search+1，如果search

(7)判別是否存在要放棄的蜜源。如果某些蜜源經limit次循環不變，則放棄該蜜源，且被放棄蜜源對應的引領蜂成為偵查蜂，按式(3)隨機產生新蜜源。

(8)迭代次數cycle=cycle+1，若滿足條件cycle

(9)輸出最佳適應度對應的SVM參數C和g，代入SVM模型對樣本進行預測。

具體的流程如圖1所示：

圖1 蜂群算法流程圖

3 蜂群算法優化SVM的植被提取

3.1 遙感影像的特征

遙感影像的特征主要有光譜特征、紋理特征和空間形狀特征[6]。隨著遙感影像分辨率越來越高，在高分辨率遙感影像中“同物異譜”與“同譜異物”現象普遍存在，單一的采用基于光譜特征的分類方法其分類精度往往較低，達不到理想效果。基于這一原因，本文聯合使用光譜-紋理特征對影像進行分類。

3.2 特征提取

本文面向像元對高分辨率遙感影像進行植被提取，也就是對影像進行二分類。通過原始波段的光譜信息，提取相關的特征信息，包括光譜特征、紋理特征。光譜特征是提取R、G、B三個波段的光譜特征值，紋理特征則提取灰度共生矩陣(GLCM)，并將這些提取的特征進行歸一化處理。其中灰度共生矩陣是一種圖像紋理特征提取的標準化方法，通過分析能夠過得對比度(Contrast，Con)、相關性(Correlation，Cor)、同質度(Homogeneity，Hom)、熵(Entropy，Ent)等指標[7]。下圖圖2為試驗區原始圖像，圖3為對應指標獲得的圖像：(a)為對比度；(b)為相關性；(c)為同質度；(d)為熵。具體的計算算法如下：

(1)計算R、G、B遙感影像的強度分量影像，計算公式：I=(R+B+G)/3；

(2)對灰度圖像進行量化處理，這里將256級灰度級降為8，量化后的圖像雖有一定的失真，但其紋理特征可較好的保留[8]；

(3)用3×3的矩陣作為滑動窗口，計算窗口中0°，45°，90°，135°四個方向的灰度共生矩陣，計算每個方向上的紋理特征，對每個像素四個方向上的紋理信息取平均值，得到該像素點的紋理信息；

(4)用滑動窗口遍歷整個影像，得到整幅圖的灰度共生矩陣，滑動窗口的移動步長為一個像元；

圖2 原始圖像

圖3 灰度共生矩陣相關指標圖

4 實驗結果及分析

實驗影像數據采用拍攝于重慶市某地區的資源三號(ZY-3)衛星影像，選用臺灣大學林智仁博士等設計的通用軟件包LIBSVM進行仿真實驗；實驗選擇配置為酷睿i3中央處理器(主頻 2.4 GHZ)，內存為4G的電腦為硬件平臺，在Windows 7操作系統下利用Matlab2012a進行實驗。人工蜂群算法食物源數量設為20，食物源最大循環次數limit設為50，實驗最大迭代次數max-cycle為500，SVM參數搜索范圍設為[0.01，500]。實驗結果如下：圖4為GA算法優化SVM植被提取圖；圖5為PSO算法優化SVM植被提取圖；圖6為蜂群算法優化后SVM植被提取圖。圖中綠色部分為植被區。

圖4 GA-SVM植被提取

圖5 PSO-SVM植被提取

圖6 ABC-SVM植被提取

支持向量機參數選擇比較 表1

5 評價

5.1 主觀評價

通過主觀目視效果，經過人工蜂群算法優化的SVM提取植被效果相對于遺傳算法和粒子群算法優化的SVM提取植被效果而言，其分類精度有了一定的提高，植被提取效果有一定程度的增強。

5.2 客觀評價

所謂客觀評價，就是將分類結果與真實的地物地面數據進行比較，通過建立誤差矩陣并進行相關的運算得到所分地物的分類精度。這里我們選用總體精度和Kappa系數[8]來對植被提取效果進行客觀評價。

為定量進行分類精度的評價，驗證本文所提方法的有效性，本文在原圖像中隨機選取1 000個測試樣本點，并對植被和非植被樣本點進行個數統計。圖7為測試樣本點的分布圖：

圖7 測試樣本點分布圖

GA及PSO算法優化的SVM提取植被的評價結果如表2和表3所示；ABC優化的SVM植被提取結果如表4所示；綜合評價結果如表5所示：

GA-SVM植被提取結果 表2

PSO-SVM植被提取結果 表3

ABC-SVM植被提取結果 表4

植被提取綜合評價結果 表5

分析上表數據可知：通過上述算法優化SVM的參數后，其分類結果都一定程度上有了提高，其中GA-SVM總體分類精度達到了79.2%，Kappa系數為0.580 6；PSO-SVM總體分類精度達到了80.63%，Kappa系數為 0.608 1；但經過蜂群算法對其懲罰因子C和核函數寬度g進行優化后的SVM植被提取效果其總體精度達到了82.7%，Kappa系數為 0.652 6，相比于前面兩種方法，改進效果更加明顯。本文為以后的支持向量機優化提供了較好的思路。

6 結 論

本文針對支持向量機的懲罰因子C與核函數寬度g對其有顯著影響的問題，提出了選用人工蜂群算法對其參數進行優化，獲得最優參數，實現了遙感影像植被提取。通過實驗證明蜂群算法優化后的SVM能在很大程度上克服局部最優解，對綠色植被具有較好的提取效果，相對于遺傳算法和粒子群算法，分類精度有了一定程度的提高。

[1] Vladimir N. Vapnik. The Nature of Statistical Learning Theory[M]. Springer，2012：988～999.

[2] 江銘炎，袁東風. 人工蜂群算法及其應用[M]. 科學出版社，2014.

[3] Karaboga D. An Idea Based on Honey Bee Swarm for Numerical Optimization，Technical Report-TR06[J]. 2005.

[4] 劉路，王太勇. 基于人工蜂群算法的支持向量機優化[J]. 天津大學學報：自然科學與工程技術版，2011，44(9)：803～809.

[5] 李璟民，郭敏. 人工蜂群算法優化支持向量機的分類研究[J]. 計算機工程與應用，2015，51(2)：151～155.

[6] 趙英時. 遙感應用分析原理與方法[M]. 科學出版社，2003.

[8] 薄華，馬縛龍，焦李成. 圖像紋理的灰度共生矩陣計算問題的分析[J]. 電子學報，2006，34(1)：155～158.

[9] 白雪冰，王克奇，王輝. 基于灰度共生矩陣的木材紋理分類方法的研究[J]. 哈爾濱工業大學學報，2005，37(12)：1667～1670.

[10] 丁世飛 ，齊丙娟 ，譚紅艷. 支持向量機理論與算法研究綜述[J]. 電子科技大學學報，2011，40(1)：2～10.

[11] D Karaboga ，B Akay. A comparative study of Artificial Bee Colony algorithm[J]. Applied Mathematics & Computation，2009，214(1) ：108～132.

[12] 李璟民 ，郭敏. 人工蜂群算法優化支持向量機的分類研究[J]. 計算機工程與應用，2015，51(2)：151～155.

[13] 黃慧萍，吳炳方. 地物提取的多尺度特征遙感應用分析[J]. 遙感技術與應用 ，2003，18(5)：276～281.