一種基於改進粒子群的非監督遙感影像分類方法與流程
2023-06-22 19:28:56 1
本發明涉及一種遙感影像分類方法。
背景技術：
土地利用/覆被(LUCC)數據能反映基本的自然和社會過程，在地球科學中佔據舉足輕重的地位，這是因為LUCC數據為很多預測地球生態系統的模型提供了基礎數據。此外，LUCC數據對於理解人類活動與全球變化的複雜交互機制至關重要。目前，遙感技術已經成為獲取LUCC數據的主流技術手段，這是由於其具有宏觀性、經濟性、可重複性及實時性等獨特優勢。
隨著遙感技術的不斷進步，人們獲取的遙感影像資源愈加豐富和多樣，日累積數據量達到海量級別。在這種背景下，非監督遙感分類方法受到用戶越來越多關注(簡單和高效特性)。其中，k-means是最為常用的方法，能實現快速收斂完成影像聚類。然而，其搜索能力有限，很難達到全局最優解。
事實上，非監督遙感影像分類可以轉化為一個優化問題，而人工智慧算法對該問題的解決具有天然的優勢。遺傳算法(genetic algorithm,GA)是最為經典最常用的人工智慧算法，學者們發展了基於GA的非監督遙感分類方法，並證明其性能優於傳統的k-means方法。然而，由於遙感影像一般數據量較大且數據複雜多樣，GA的搜索機制對解空間的開發能力有限，無法實現快速收斂。
近年來，粒子群智能(PSO)已發展成為人工智慧領域熱門方法之一。PSO是模仿飛鳥群覓食過程中的行為而形成的。在PSO中，每一個粒子代表一個飛鳥。在粒子進化過程中，使用全局最優解(gbest)與局部最優解(pbest)指導粒子進化。因而PSO收斂速度相比於GA算法有了明顯的提高。目前，已經有學者將PSO引入遙感聚類領域，並發展了非監督粒子群智能分類算法(UPSO)。該方法包括以下基本步驟：
1將每一個解決方案視為一個粒子，並隨機為每一個粒子分配一個位置；
2構造適宜度函數，為粒子適宜度的評價提供基礎；
3粒子通過相互學習與交流機制(全局與局域最優粒子)，完成自身進化及位置更新；
4達到循環停止條件，輸出最優解決方案，實現遙感影像非監督分類。
但是UPSO具備傳統智能算法優勢，即自組織、自學習和自收斂的能力。並且，不依賴數據分布情況，在很多情況下能取得比GA等傳統智能方法更為優異的遙感影像分類結果。然而，UPSO仍然存在一些明顯的缺點：
(1)無法實現全局搜索。UPSO使用最優解指導粒子進化，雖然能達到快速收斂的目的，然而代價是粒子之間相似度越來越高，種群失去多樣性，從而陷入局部最優，無法取得最優遙感分類結果。
(2)表現依賴初始解質量。由於UPSO使用最優解指導粒子進化，初始解集直接影響進化方向，因而其分類結果十分依賴初始解集質量，分類結果不穩定。
技術實現要素：
本發明為了解決目前應用粒子群智能算法對遙感圖像進行聚類存在的容易陷入局部最優而無法取得最優遙感分類結果的問題和分類結果不穩定的問題。
一種基於改進粒子群的非監督遙感影像分類方法，包括如下步驟：
步驟1、一幅遙感影像由象元組成，其波段數和待分類的類別數分別為d和k；並設定聚類指標M，聚類指標M為遙感影像中每一個象元到它所屬聚類中心歐式距離之和；
參照粒子群算法，設置五個控制參數，包括釋放粒子數量、最大循環次數Max_Iter、動態慣性因子w及兩個加速因子c1和c2；
步驟2、粒子群表達及初始化：
任意一類聚類中心zi用一組實數表示，實數數目等于波段數d；通過將k個類別的聚類中心連接，來表示一個粒子，因而一個粒子長度為d×k；一個粒子中前d個位置表示第一類別聚類中心，以此類推，每d個位置表示一類聚類中心；
每一個粒子隨機賦予一個位置，生成粒子初始位置；
步驟3、計算種群適宜度：
聚類指標M值的大小與聚類質量成反比；定義適宜度函數f如下：
f＝1/(M+1) (1)
在計算每一個粒子的適宜度後，記錄下全局和局部最優粒子位置；
步驟4、粒子最優位置搜索：
評估粒子適宜度後，利用公式(2)對每一個粒子速度進行更新：
其中，Vi(t+1)和Vi(t)分別為第i個粒子在t+1時刻和t時刻的速度；和Xi(t)分別表示第i個粒子歷史最優位置和在第t時刻的位置，Xgbest為整個種群的歷史最優位置；r1、r2分別為兩個在0-1之間變化的隨機數；
粒子速度值更新後再對粒子位置進行更新；
步驟5、最優粒子位置更新：
當粒子完成位置更新後，利用公式(1)重新計算每一個粒子的適宜度；計算整個種群最優適宜度，並與之前記錄的全局最優位置的適宜度進行比較，更新並記錄新的最優位置及其適宜度；針對每一個粒子，對比當前粒子適宜度與記錄的該粒子歷史最優適宜度，將適宜度值更高的記錄為該粒子的新局部最優適宜度，並同時記錄粒子位置；
步驟6、根據列維飛行搜索新位置：
識別出每一次循環中適宜度最小粒子位置，並利用列維飛行對該位置進行更新，以達到全局搜索目的；適宜度最小粒子(最差粒子)的新位置計算公式如下：
其中，表示第i個粒子的新位置，原位置為Xi；位置更新後，該粒子的適宜度也隨即更新；s表示步長；
步驟7、停止循環完成遙感影像分類：
若循環未達到最大循環次數Max_Iter，回到步驟4繼續進行粒子位置搜索；當到達最大循環次數Max_Iter，停止循環並輸出全局最優解，全局最優解就是最優聚類中心，此時視為聚類指標M值達到最小，從而完成遙感影像分類任務。
優選地，步驟1所述的聚類指標M的計算公式如下：
其中，Ci′表示類別i′，i′＝1、2、…、k；j′為類別i′中的象元個數，xj′為類別i′中的任意一個象元，zi′作為類別i′的聚類中心。
優選地，步驟2中所述的每一個粒子隨機賦予一個位置生成粒子初始位置的過程包括以下步驟：
利用以下公式生成粒子初始位置：
其中，表示第i個粒子在第j個屬性的位置，和分別表示第j個屬性的最小值和最大值，r是一個在0-1之間變化的隨機數。
優選地，步驟4中所述的粒子速度值更新後再對粒子位置進行更新包括以下步驟：
粒子速度值更新後，隨後用以下公式更新粒子位置：
Xi(t+1)＝Xi(t)+Vi(t+1)
其中，Xi(t+1)表示第i個粒子在t+1時刻的位置。
優選地，步驟6所述的步長s的計算公式如下：
μ、ν和λ分別從正態分布中計算得到：
其中，Γ為gamma函數，β為在1到2之間變化的常量。
本發明具有以下效果：
現有的利用UPSO進行遙感影像分類時，在進化過程中通過參考全局最優解及局部最優解，指導粒子群進化方向，造成的結果是隨著進化深入粒子相似度越來越高，因而陷入局部最優。而本發明的基於改進粒子群的非監督遙感影像分類方法(UIPSO)在最優聚類中心搜索過程中，識別每一次循環最差粒子，利用列維飛行更新粒子位置，大大提高了種群全局搜索能力，從而提高遙感影像識別精度，相對利用UPSO進行遙感影像分類方法，本發明的遙感影像識別精度提高8％以上。
並且，現有的利用UPSO進行遙感影像分類進化依賴於初始解集，而本發明的基於改進粒子群的非監督遙感影像分類方法(UIPSO)通過使用列維飛行，實現了解空間的全局漫遊，因而大大降低了對初始解集的依賴性；即使賦予低質量初始解集，UIPSO仍可以取得穩定的遙感分類結果。
附圖說明
圖1為本發明的流程示意圖。
具體實施方式
具體實施方式一：結合圖1說明本實施方式，
一種基於改進粒子群的非監督遙感影像分類方法，包括如下步驟：
步驟1、假設一幅遙感影像由N個象元組成，其波段數和待分類的類別數分別為d和k；並設定聚類指標M，聚類指標M為遙感影像中每一個象元到它所屬聚類中心歐式距離之和；
參照粒子群算法，設置五個控制參數，包括釋放粒子數量Num_Particle、最大循環次數Max_Iter、動態慣性因子w及兩個加速因子c1和c2；Num_Particle用來控制粒子群的數量，Max_Iter提供了循環停止條件，w規定了速度慣性的權重，c1和c2定義了局部和全局最優解的影響；
步驟2、粒子群表達及初始化：
在本發明中，任意一類聚類中心zi用一組實數表示，實數數目等于波段數d；通過將k個類別的聚類中心連接，來表示一個粒子(即聚類問題的解決方案)，因而一個粒子長度為d×k；一個粒子中前d個位置表示第一類別聚類中心，以此類推，每d個位置表示一類聚類中心；
每一個粒子隨機賦予一個位置，生成粒子初始位置；
步驟3、計算種群適宜度：
聚類指標M值的大小與聚類質量成反比，即聚類指標值越小，聚類質量越高(同一聚類集簇中相似度越高)；定義適宜度函數f如下：
f＝1/(M+1) (1)
在計算每一個粒子的適宜度後，記錄下全局和局部最優粒子位置；
步驟4、粒子最優位置搜索：
評估粒子適宜度後，利用公式(2)對每一個粒子速度進行更新：
其中，Vi(t+1)和Vi(t)分別為第i個粒子在t+1時刻和t時刻的速度；和Xi(t)分別表示第i個粒子歷史最優位置和在第t時刻的位置，Xgbest為整個種群的歷史最優位置；w為動態慣性係數，表示上一時刻速度對本時刻速度的影響；r1、r2分別為兩個在0-1之間變化的隨機數；c1、c2分別為加速因子；
粒子速度值更新後再對粒子位置進行更新；
步驟5、最優粒子位置更新：
當粒子完成位置更新後，利用公式(1)重新計算每一個粒子的適宜度；計算整個種群最優適宜度，並與之前記錄的全局最優位置的適宜度進行比較，更新並記錄新的最優位置(適宜度值更高)及其適宜度；針對每一個粒子，對比當前粒子適宜度與記錄的該粒子歷史最優適宜度，將適宜度值更高的記錄為該粒子的新局部最優適宜度，並同時記錄粒子位置；局部最優適宜度針對每一個粒子而言，即每個粒子的最優適宜度；全局最優適宜度是針對整個種群而言的最優適宜度；
步驟6、根據列維飛行搜索新位置：
識別出每一次循環中適宜度最小粒子位置，並利用列維飛行對該位置進行更新，以達到全局搜索目的；列維飛行是一種被動物廣泛利用的食物源搜索方式，它的搜索步長長短結合，不符合高斯分布規律，因而能實現全局漫遊與搜索；適宜度最小粒子(最差粒子)的新位置計算公式如下：
其中，表示第i個粒子(最差粒子)的新位置，原位置為Xi；位置更新後，該粒子的適宜度也隨即更新；s表示步長；
步驟7、停止循環完成遙感影像分類：
若循環未達到最大循環次數Max_Iter，回到步驟4繼續進行粒子位置搜索；當到達最大循環次數Max_Iter，停止循環並輸出全局最優解，全局最優解就是最優聚類中心，此時視為聚類指標M值達到最小，從而完成遙感影像分類任務。
具體實施方式二：
本實施方式的步驟1所述的聚類指標M的計算公式如下：
其中，Ci′表示類別i′，i′＝1、2、…、k；j′為類別i′中的象元個數，xj′為類別i′中的任意一個象元，zi′作為類別i′的聚類中心。
其他步驟和參數與具體實施方式一相同。
具體實施方式三：
本實施方式的步驟2中所述的每一個粒子隨機賦予一個位置生成粒子初始位置的過程包括以下步驟：
利用以下公式生成粒子初始位置：
其中，表示第i個粒子在第j個屬性的位置，和分別表示第j個屬性的最小值和最大值，r是一個在0-1之間變化的隨機數。
其他步驟和參數與具體實施方式一或二相同。
具體實施方式四：
本實施方式的步驟4中所述的粒子速度值更新後再對粒子位置進行更新包括以下步驟：
粒子速度值更新後，隨後用以下公式更新粒子位置：
Xi(t+1)＝Xi(t)+Vi(t+1)
其中，Xi(t+1)表示第i個粒子在t+1時刻的位置。
其他步驟和參數與具體實施方式一至三之一相同。
具體實施方式五：
本實施方式的步驟6所述的步長s的計算公式如下：
μ、ν和λ分別從正態分布中計算得到：
其中，Γ為gamma函數，β為在1到2之間變化的常量。
其他步驟和參數與具體實施方式一至四之一相同。