一种基于蜂群智能的遥感影像分类方法.pdf

(19)中华人民共和国国家知识产权局*CN103049757A*(12)发明专利申请(10)申请公布号CN103049757A(43)申请公布日2013.04.17(21)申请号201210461836.2(22)申请日2012.11.16(71)申请人南京师范大学地址210097江苏省南京市鼓楼区宁海路122号(72)发明人曹敏史照良阳建逸范雪婷(74)专利代理机构南京知识律师事务所32207代理人李媛媛(51)Int.Cl.G06K9/62(2006.01)权利要求书权利要求书2页2页说明书说明书77页页附图附图22页(54)发明名称一种基于蜂群智能的遥感影像分类方法(57)摘要本发明公开一种基于蜂群智能的遥感影像分类方法，属于计算机和遥感影像信息提取技术领域。结合仿生智能计算方法，采用模仿蜜蜂采蜜行为的群智能优化算法，自动搜索遥感影像各波段的最优分割点，定义各波段最优分割点和地物类别节点的连线为蜂群搜索路径，构造以IF-THEN形式表达的遥感分类规则。该智能式遥感分类方法不需使用数学公式，能更清晰地表达地物分类中的复杂关系。与See5.0决策树方法相比，本发明方法的遥感影像总体分类精度和Kappa系数均比See5.0决策树方法更高，该智能遥感分类方法具有更好的遥感影像分类效果。CN1034975ACN103049757A权利要求书1/2页1.一种基于蜂群智能的遥感影像分类方法，其特征在于：包括以下步骤：（1）采用分层均匀抽样的方式在遥感影像上采集样本数据，并将样本数据分成两部分：训练样本数据和测试样本数据；（2）定义蜂群搜索路径为各波段最优分割点和地物类别节点的连线，构造以IF-THEN形式表达的遥感影像分类规则；（3）根据遥感图像分类的具体特征，构造遥感影像分类适应度函数；（4）遥感影像分类规则的蜂群智能挖掘及修剪；（5）遥感影像分类规则对训练数据的覆盖；（6）使用蜂群挖掘的分类规则对遥感影像进行分类，并评价测试样本数据的分类精度。2.根据权利要求1所述的一种基于蜂群智能的遥感影像分类方法，其特征在于：所述步骤（4）中，模仿蜜蜂的采蜜行为挖掘遥感影像的分类规则，蜂群在每个遥感影像波段搜索最优上界和最优下界，遥感影像分类规则的挖掘过程隐含有图像波段优点的选取，遥感影像分类规则的蜂群智能挖掘及修剪的具体过程包括以下步骤：（1）使用蜂群初始化函数生成初始采蜜蜂种群，并用分类适应度函数计算蜂群分类适应度；然后，使用规则修剪函数对初始分类规则中条件项进行修剪处理，即依次删掉规则中的某条件项后，如果该规则的适应度变大，就删除该条件项；否则保留该条件项，从而简化分类规则；（2）开始蜂群进化过程，采蜜蜂在当前蜜源周围不断搜索邻居蜜源，用分类适应度函数计算该邻居蜜源上蜂群分类适应度；同样使用规则修剪函数修剪当前邻居蜜源上蜂群分类规则，对该邻居蜜源上蜂群分类规则中条件项进行修剪处理，仅保留对当前分类规则的适应度有影响的主要条件项；（3）采用贪婪选择算子，如果邻居蜜源的蜂群分类适应度值大于当前蜜源的蜂群分类适应度值，则将该邻居蜜源替代当前蜜源，使采蜜蜂选取更优适应度的蜜源保留给下一代的种群，从而保证了种群能够保留精英个体，使得进化方向不会后退；（4）跟随蜂依照采蜜蜂种群适应度值大小选择一个采蜜蜂；（5）同步骤（2）和（3），每只跟随蜂搜索邻居蜜源，并记下种群最终更新过后达到的最优适应度值及相应的参数；（6）当蜜蜂搜索次数达到某阈值T1而仍没有找到更优位置时，则用蜂群初始化函数重初始化该蜜蜂的位置；（7）当全局最优适应度值达到一定的稳定值或迭代次数达到一定阈值T2时，终止蜂群进化过程，并输出最优蜂群分类规则和其最优分类适应度值；否则转向步骤（2），继续进行蜂群优化。3.根据权利要求1所述的一种基于人工蜂群算法的智能式遥感分类方法，其特征在于：所述步骤（5）的具体过程包括以下步骤：（1）使用规则保存函数，将蜂群智能挖掘的最优分类规则及其最优分类适应度值保存到遥感影像分类规则集中；（2）使用样本刷新函数，在训练数据中移除当前规则覆盖的样本数据，即影像波段属性和土地利用类型均与分类规则的相匹配的数据；（3）使用规则覆盖移除后的训练数据搜索下一条分类规则；2CN103049757A权利要求书2/2页（4）当训练数据中某一土地利用类别的规则样本覆盖度，即某一类别的规则所覆盖的样本数/该类别样本数，达到一定阈值T3时，终止该类别数据的规则挖掘，开始下一类别的规则挖掘，直至所有类别的规则挖掘完毕。3CN103049757A说明书1/7页一种基于蜂群智能的遥感影像分类方法技术领域[0001]本发明属于计算机和遥感影像信息提取技术领域，特别涉及一种基于蜂群智能的遥感影像分类方法。背景技术[0002]遥感影像分类是土地利用专题信息提取的一个重要环节，是遥感影像应