基于蚁群算法的多光谱遥感图像分类_胡河山pdf.docVIP

第 32 卷第 4 期杭 州 电 子 科 技 大 学 学 报Vol． 32，No． 42012 年 08月Journal of Hangzhou Dianzi UniversityAug． 2012doi: 10． 3969/j． issn． 1001 － 9146． 2012． 04 － 023 基于蚁群算法的多光谱遥感图像分类 胡河山，覃亚丽 ( 浙江工业大学信息工程学院光纤通信与信息工程研究所，浙江 杭州 310023) 摘要: 该文应用蚁群算法和支持向量机实现多光谱遥感图像分类。首先提取出多光谱遥感图像的 光谱特征、纹理特征和形状特征，然后利用蚁群优化算法从提取出的多维特征空间中选择最优的 特征子集向量，最后将特征子集作为支持向量机分类器的输入量实现分类。实验结果显示，较传 统的 K 均值方法文章给出的方法能够提高遥感图像的分类精度。 关键词: 多光谱遥感图像; 分类; 光谱特征; 形状特征; 蚁群算法; 支持向量机分类器 中图分类号: TP753 文献标识码: A 文章编号: 1001 － 9146( 2012) 04 － 0088 － 04 0 引 言 遥感技术已经在环境监测、资源管理和灾害预报等领域发挥着重要的作用。分类是遥感图像应用 ， ［1］ 的一个重要方面 同时也是遥感图像研究的重点和热点之一 。由于多光谱遥感图像数据量大、信息 多，给分类带来很大的困难，因此研究一种有效的、高分类精度的分类方法一直受到各国学者的重视。 多光谱遥感图像一般含有许多特征，例如光谱特征、纹理特征和形状特征等，这些特征信息都可用于图 像分类。只用其中的一个特征进行分类，通常是很难得到高精度的分类结果。故此，为了有效提高分类 精度，通常将光谱特征、纹理特征和形状特征综合考虑［2］，然而提取的这些特征中，有些信息可能是冗 余的，这样就需要从原始的特征集中，选择出具有原始信息和较少数据量的最优特征子集。蚁群算法是 ， ［3］ 一种智能的仿生算法 在寻找最优组合的诸多问题中有许多应用 。蚁群算法的离散性和并行性特点 适合对数字图像进行离散计算，而并行处理能提高处理速度，近年来许多国内外学者应用蚁群算法在图 ［3，4］ ， 像分割、图像特征提取等领域中做了相关工??? 。本文利用蚁群算法进行特征选择 并将选取的特征 子集作为支持向量机分类器的输入，实现多光谱遥感图像的分类。 特征提取 遥感图像的分类精度大大的依赖于特征的提取过程，因此对遥感图像分类之前，必须先提取出图像 特征。主要包括 3 部分: 光谱特征提取、纹理特征提取和形状特征提取［5，6］。 光谱特征: 通过原始波段的点运算获得的图像中目标物的颜色及灰度或者波段间亮度的比较。光 谱特征对应于每个象素，与象元的排列等空间结构无关。本文采用欧氏距离测量法、离散测量标准函数 法、主成分分析法、微分脉冲编码调制方法。 纹理特征: 一种反应图像象素灰度级空间分布的属性。如果物体内部的灰度级变化明显又不是简 单的色调变化，那么该物体就有纹理。本文采用最小二乘法、缩放法、伽柏滤波和区域分割。 形状特征: 也称为轮廓特征，是指整个图像或图像中子对像的边缘特征和区域特征。本文采用波段 分组和不变矩的聚类分析方法。 收稿日期: 2012 － 06 － 10 作者简介: 胡河山( 1988 － ) ，男，福建泉州人，在读研究生，通信与信息系统． 第 4 期 胡河山等: 基于蚁群算法的多光谱遥感图像分类 89 基于蚁群算法的特征选择 蚁群算法是对自然界蚂蚁的寻径方式进行模拟而得到的一种仿生算法。蚁群在寻找食物时，它们 总能找到一条从食物到巢穴间的最短路径。这是因为蚂蚁在寻找路径时会在释放出一种信息素。如一 条路径上的信息素浓度愈高，便会刺激蚂蚁以较高的概率选择这一路径; 同时信息素会随着时间而挥 发，这样对于信息素浓度较低的路径将以较低的概率影响蚂蚁选择。由此形成一个正反馈过程。此外， 在整个寻径过程中，虽然单个蚂蚁的选择能力有限，但是通过信息素的刺激作用，整个蚁群之间交换着 路径选择信息，最终找出最优路径。 在利用蚁群算法进行特征选择时，如图 1 所示，图 1 中的结点代表特征，蚂蚁随机的放在某一结点 ， ［7，8］ 上 而两个结点间的代表蚂蚁可能选择的下一特征经过的路径 。因此选择最优的特征子集相当于 是蚂蚁根据终止条件，遍历结束后所经过的结点。而蚂蚁由当前结点选择下一结点的转移概率为: τa( t) ηβ ( t)ijij( t) =pk∑τisa ( t) ηisβ ( t)j∈Sk( 1)ijs∈S{0otherwise式中，ηij ( t) 为在特