一種基於蜂群智能的遙感影像聚類方法與流程
2023-07-20 02:41:36 4
本發明涉及一種基於蜂群智能的遙感影像聚類方法，屬於遙感影像聚類分析領域。
背景技術：
土地利用/覆被為很多學科提供了基礎數據，包括生態學、地理學及氣候學等。因而，一直是科學家關注的焦點之一。遙感技術已經被認為是獲取土地利用/覆被數據的主流手段之一，這是因為其具有很多獨特的優勢，包括宏觀性、現勢性、可重複性和經濟性等。科學家已經付出了很大精力發展了很多遙感分類算法，但由於遙感影像的複雜性，精確的遙感影像分類仍然是一項巨大挑戰。
總體而言，分類方法分為監督分類與非監督分類(聚類)。監督分類(例如最大似然法)一般分類精度較好，但需要大量訓練樣本指導分類。而訓練樣本的搜集一般十分費時費力，並且很多地區不可到達。隨著遙感技術的快速發展，人類獲取的衛星遙感數據量呈現海量規模。在這種背景下，非監督分類受到了科學家越來越多的關注和注意，這是因為其不需要樣本知識，而僅依靠遙感影像自身統計特性就能生產土地利用數據。目前，非監督分類方法已經廣泛應用於各類遙感應用，包括全球土地利用製圖等。
k-means算法是一種最為常用的非監督遙感分類算法。它工作原理簡單，效率較高，因而得到廣泛應用。然而，k-means建立在數據對象符合高斯分布基礎之上，而遙感數據十分複雜，其數據分布往往不符合高斯分布。因而，k-means往往無法達到全局最優解。此外，其性能在很大程度上受到初始數據的影響，因而穩定性不足。
飛速發展的人工智慧為這一領域的進步提供了新的契機。非監督分類問題可以轉換為一個優化問題，利用人工智慧方法加以解決。遺傳算法(genetic algorithm,GA)是最為經典的和最常用的智能算法，基於GA學者們發展了遺傳聚類算法(GA-clustering)用於遙感影像分類。該算法包括以下步驟：
1.將每一個解決方案視為一個染色體，通過對染色體的操作實現優化；
2.構造適宜度函數，通過選擇算子保留精英群體，淘汰部分落後群體；
3.利用交叉算子和變異算子增加種群多樣性；
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。
但是上述遺傳聚類算法具有如下缺點：
1開發能力弱：遺傳聚類算法依靠選擇和交叉算子來對已有染色體進行開發，但並沒有對特別優異的染色體予以特別重視，因而其收斂速度較慢，不適合處理複雜和大規模的遙感數據。
2開拓能力較差：遺傳聚類算法僅僅依靠交叉和變異來實現種群的開拓，往往很難實現解空間的全局搜索與開拓；由於其開拓能力弱，所以其遙感影像聚類結果好壞十分依賴於初始種群質量，即聚類結果不夠穩定。
綜上，現有智能算法由於開發和開拓能力弱，在挖掘最優聚類中心從而實現遙感影像分類任務中，往往無法得到全局最優聚類中心，無法取得滿意遙感分類結果。
技術實現要素：
本發明的目的是為了解決現有用於遙感影像的分類算法開發和開拓能力弱，在挖掘最優聚類中心從而實現遙感影像分類任務中，往往無法得到全局最優聚類中心，無法取得滿意遙感分類結果的缺點，而提出一種基於蜂群智能的遙感影像聚類方法，包括如下步驟：
步驟1)確定待分類遙感影像分類數目，並將遙感影像的每一個像元隨機分配給一種分類；每個像元具有預定數量的特徵；
步驟2)根據像元的特徵對像元進行蜂群智能挖掘，具體為：
步驟2.1)初始化控制參數；所述控制參數包括蜜蜂數量、最大循環次數、限制搜索次數；蜜蜂包括僱傭蜂、觀察蜂；所述蜜蜂數量為p，僱傭蜂數量為p/2，所述觀察蜂數量為p/2；
步驟2.2)建立食物源；每個食物源對應於一個僱傭蜂；所述食物源由每一個類別的聚類中心連接形成，長度為n×m，其中n為遙感影像中每一個像元的波段數目，m為待分類數目；所述食物源的前n位表示第一個類別的聚類中心，以此類推；
步驟2.3)計算食物源的適宜度；所述適宜度函數f的表達式為f＝1/(M+1)，M為聚類指標；
步驟2.4)搜索新食物源；即在根據步驟2.3)計算完現有食物源的適宜度後，在已有食物源周圍隨機搜索新的食物源位置；
步驟2.5)觀察蜂根據隨機概率P(Xi)對一個食物源進行跟隨，隨機概率P(Xi)的表達式為：
其中，Xi為第i個蜜蜂食物源位置，f(Xi)為食物源Xi的花粉豐度，Ne為僱傭蜂數量；
步驟2.6)若一個食物源在經過限制搜索次數後始終不能提高f(Xi)的值，則僱傭蜂轉變為偵察蜂，使用列維飛行在解空間內全局搜索新的食物源；若能夠提高f(Xi)的值，則跳轉到步驟2.4)；
步驟2.7)當所有蜜蜂完成搜索，將當前的適宜度最高的最食物源與上一個循環的最優食物源進行比較，選取數值更高的作為當前的全局最優食物源；當循環達到最大循環次數時，停止循環並輸出最優聚類中心。
本發明的有益效果為：1、現有技術中的遺傳聚類算法僅僅通過選擇算子來增加精英群體比例，但並沒有圍繞該群體進行強力搜索，因此其開發能力很弱。而本發明在影像最優聚類中心搜索過程中，利用觀察蜂對優秀食物源周圍進行多次搜索，大大提高了種群開發能力。2、遺傳聚類算法通過交叉和變異算子實現全局搜索，然而交叉算子僅僅基於已有基因片段，而變異算子往往只針對一個基因位，且其變異幅度有限，因此遺傳聚類算法開拓能力有限。而遺傳聚類算法通過定義限制搜索次數，及時放棄低劣食物源，並通過列維飛行實現了全局漫遊能力，因而能實現在最優聚類中心解空間的全局搜索能力，具備了強大的開拓能力。3、僱用蜂與觀察蜂相互配合機制，實現遙感影像聚類最優食物源的快速搜索即強化了開發能力；4、使用了列維飛行的分布模型，列維飛行使得搜索新的食物源時，搜索位置為在小範圍內流通，並且有小概率會流動到較遠位置，使得對遙感影像的聚類可以做到全局搜索，其突出優點在於，小概率流動到較為位置的特性可以提高搜索蜜源的效率，即原有的搜索方式符合均值分布、正態分布，而導致搜索範圍較小，如果相鄰區域不存在符合條件的蜜源，則會大大降低搜索效率，而列維飛行的步長不符合高斯分布律，可以提高搜索效率，並且使用列維飛行模型克服了本領域內技術人員的技術偏見，本領域的技術人員僅僅認識到了可以通過隨機算法來進行全局搜索、全局漫遊，但是使用的算法都是符合高斯分布律的隨機算法，即使做了提高效率也未從非高斯分布算法的角度考慮。因此本發明的基於蜂群智能的遙感影像聚類方法是非顯而易見的，具有突出的技術效果。
附圖說明
圖1為本發明的基於蜂群智能的遙感影像聚類方法的流程圖；
圖2為本發明的基於蜂群智能的遙感影像聚類方法中蜂群智能挖掘的具體步驟流程圖。
具體實施方式
具體實施方式一：本實施方式的一種基於蜂群智能的遙感影像聚類方法，其特徵在於，包括如下步驟：
步驟1)確定待分類遙感影像分類數目，並將遙感影像的每一個像元隨機分配給一種分類；每個像元具有預定數量的特徵；
步驟2)根據像元的特徵對像元進行蜂群智能挖掘，具體為：
步驟2.1)初始化控制參數；控制參數包括蜜蜂數量、最大循環次數、限制搜索次數；蜜蜂包括僱傭蜂、觀察蜂；蜜蜂數量為p，僱傭蜂數量為p/2，觀察蜂數量為p/2；
步驟2.2)建立食物源；每個食物源對應於一個僱傭蜂；食物源由每一個類別的聚類中心連接形成，長度為n×m，其中n為遙感影像中每一個像元的波段數目，m為待分類數目；食物源的前n位表示第一個類別的聚類中心，以此類推；
步驟2.3)計算食物源的適宜度；適宜度函數f的表達式為f＝1/(M+1)，M為聚類指標；聚類指標M直接反映了一個聚類中心的質量，因而在本發明中，我們基於聚類指標M評估食物源的收益，考慮到聚類指標越大，則食物源的質量越差，為了保障豐富的食物源具有高收益，故做了上述的適宜度函數。
步驟2.4)搜索新食物源；即在根據步驟2.3)計算完現有食物源的適宜度後，在已有食物源周圍隨機搜索新的食物源位置；
步驟2.5)觀察蜂根據隨機概率P(Xi)對一個食物源進行跟隨，隨機概率P(Xi)的表達式為：
其中，Xi為第i個蜜蜂食物源位置，f(Xi)為食物源Xi的花粉豐度，Ne為僱傭蜂數量；這表示當開始搜索時，觀察蜂隨機變為僱傭蜂搜索食物源，隨機變為僱傭蜂的概率即為P(Xi)，P(Xi)一定程度上反映了食物源豐度，即食物源豐度越高，僱傭蜂就有越高的機率跟隨這個食物源。如此一來可以把更多的注意力放在豐富的食物源上。
步驟2.6)若一個食物源在經過限制搜索次數後始終不能提高f(Xi)的值，則僱傭蜂轉變為偵察蜂，使用列維飛行在解空間內全局搜索新的食物源；若能夠提高f(Xi)的值，則跳轉到步驟2.4)；
步驟2.7)當所有蜜蜂完成搜索，將當前的適宜度最高的最食物源與上一個循環的最優食物源進行比較，選取數值更高的作為當前的全局最優食物源；當循環達到最大循環次數時，停止循環並輸出最優聚類中心，從而完成遙感影像聚類的任務。
其中列維飛行是從分布角度上講，大部分情況在小範圍內流動，也有一小部分情況會流動到較遠位置的一種運動模式。
使用列維飛行的好處是，列維飛行使得搜索新的食物源時，搜索位置為在小範圍內流通，並且有小概率會流動到較遠位置，使得對遙感影像的聚類可以做到全局搜索，其突出優點在於，小概率流動到較為位置的特性可以提高搜索蜜源的效率，即原有的搜索方式符合均值分布、正態分布，而導致搜索範圍較小，如果相鄰區域不存在符合條件的蜜源，則會大大降低搜索效率，而列維飛行的步長不符合高斯分布律，可以提高搜索效率。
由於傳統的蜂群智能算法不能做到全局搜索，因此相比於傳統算法，本實施方式的好處是通過列維飛行在小範圍內隨機流動，可以在小範圍隨機位置搜索新蜜源；相比於其他做了全局搜索的蜂群算法，本實施方式的好處在於，列維步長提供了一種小概率產生長步長的方法，使得蜜源的搜索效率更高。
需要說明的是，步驟2.5)中的f(Xi)與步驟2.3)中的適宜度函數f是相同的函數，適宜度函數f是關於M的函數，同時從M的表達式中可以看出，通過兩次累加符號累加出來的值其實就是第i個蜜蜂食物源的位置。因此適宜度函數f雖然從表示形式上沒有直接體現出其為關於Xi的函數，但是實際上適宜度函數f的自變量就是Xi。
具體實施方式二：本實施方式與具體實施方式一不同的是：聚類指標通過如下公式計算：
其中，xj為i(i＝1,2,…,k)類別中的任意一個像元，zi為類別i的聚類中心,Ci為第i類聚類，j為類別i的像元個數，k∈{1,2,…,p/2}且k≠i。
其它步驟及參數與具體實施方式一相同。
具體實施方式三：本實施方式與具體實施方式一至二之一不同的是：
步驟2.2)中，食物源的位置由如下公式確定：
其中，表示第i個僱傭蜂在第j個特徵的位置，和分別表示第j個特徵的最小值和最大值，rand(0,1)表示在0-1之間變化的隨機數。第j個特徵是指遙感影像多維特徵(即波段)中的第j個特徵
其它步驟及參數與具體實施方式一至三之一相同。
具體實施方式四：本實施方式與具體實施方式一至三之一不同的是：
步驟2.2)中新的食物源表達式為：
其中，是第i個僱傭蜂在第j個特徵(j＝1,2,…,n)的新食物源位置；和分別表示第i、k個蜜蜂在第j個特徵的原食物源位置，其中i,k∈{1,2,…,p/2}且k≠i；是一個在-1和1之間變化的隨機數。
本實施方式表示在完成現有的食物源收益評估後，僱傭蜂開始在已有食物源周圍隨機搜索新食物源位置，搜索機制如上式所示，如果新的食物源收益度高於原食物源，則原食物源被新食物源替換。
其它步驟及參數與具體實施方式一至四之一相同。
具體實施方式五：本實施方式與具體實施方式一至四之一不同的是：
步驟2.6)中新的位置通過如下公式計算：
其中，表示被放棄的食物源i的新位置，Xi為原位置，s為列維飛行所產生步長。
其它步驟及參數與具體實施方式一至五之一相同。
具體實施方式六：本實施方式與具體實施方式一至五之一不同的是：
列維飛行所產生步長s通過如下公式進行計算:
在這裡，μ,ν和λ分別從正態分布中計算得到，即：
其中，
其中，Γ為gamma函數，β為在1到2之間變化的常量。
其它步驟及參數與具體實施方式一至六之一相同。