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)

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［1］。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［3］。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像分割、图像特征提取等领域中做了相关工作［3，4］。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。

1 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。

2 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［7，8］。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:

式中，ηij(t)为在特征i选择特征j的启发因子，τij(t)为(i，j)间的信息素，Sk为第k只蚂蚁在特征i时与之相邻未选择的特征集合，α和β分别表示启发因子和信息素在选择下一特征时的相对重要程度。

为了引导蚁群算法寻找特征子集的准确性，引入一个准确度函数:

式中，g(k)表示图像分类的正确率，λ为常量，ms为选择的特征子集中的特征数目，ma为初始特征集中的特征数目。

当一只蚂蚁遍历完所有特征结点时，结点间的边的信息素更新为:

综上所述，基于蚁群算法的特征选择如图1所示。图1中F1－F10表示一个象元由本文第2部分提取出来的10种特征值，假设蚁群最终的遍历结果为选择特征F1、F2、F3、F4、F5。那么特征子集(F1、F2、F3、F4、F5)将是得到的最优的子集。

图1 ACO特征选择

3 支持向量机分类器图像分类

支持向量机分类器是一种基于核的非线性分类器，是在基于统计的VC维理论和结构风险最小理论的基础上，根据有限的样本数在模型的复杂度和学习能力间找出最佳折中，以达到最佳的信息提取效果。当前SVM分类方法有两种:一是集成许多两类问题，已有比较成熟的算法，如一对一方法、一对多方法以及有向无环支持向量机等;另一种是在优化公式中直接考虑多类问题。本文采用基于径向基函数的多类支持向量机分类器，将上一部分由蚁群算法选择出的特征子集作为SVM的输入，实现多光谱遥感图像分类［9］。

4 实验和结果分析

本文采用Landsat TM遥感卫星在2009年获取到的秦皇岛某地区的7波段156×134个象素的遥感数据作为实验数据，图像中包含水域、森林和裸露地3类，如图2所示。为了测试本文提出的方法的有效性，将实验结果和利用K均值分类方法的结果进行比较。

图2 秦皇岛某地区的遥感图像数据

应用前述的光谱特征的4种算法、纹理特征的4种算法和形状特征的2中算法，共10种特征提取方法算出每个象元相应的值组成一个10维的特征初始集，假设图2上有10个结点，每个结点代表一个象元的一维特征值，利用ACO算法遍历10个结点选出每个象元的最优的特征子集作为SVM分类器的输入，进行分类，其实验结果如图3(a)所示;采用传统K均值分类方法对多光谱遥感图像进行分类，其实验结果如图3(b)所示。

图3 两种分类方法的实验结果

最后本文采用总体分类精度来评价提出的方法的有效性:

式中，Pc为总分类精度，m为分类类别，N为样本总数，Pkk为第k类的判对样本数。本文采取的方法分类精度如表1所示:

根据图3，对比a、b两幅图，可以看出利用本文给出的分类方法，能够取得更好的分类效果。由表1可以得出较于K均值分类方法，基于ACO和SVM的分类方法能得到更高的分类精度。因此，本文提出的方法在多光谱遥感图像分类中能取得较好的分类。

表1 分类精度

5 结束语

本文给出的利用蚁群算法和支持向量机的遥感图像分类方法是一种有效的分类方法。由实验结果表明，蚁群算法能够很好的选择出最优的特征子集，利用得到的特征子集进行分类，能够得到更好的分类正确度，提高分类精度。

［1］ Wilkinson G G .Results and implications of a study of fifteen years of satellite image classification experiments［J］.Geosci Remote Sens，2005，43(3):433 –440.

［2］ Tian Yanqin，Guo Ping，Lyu Michael R .Comparative Studies on Feature Extraction Methods for Multispectral Remote Sensing Image Classification［C］.Hawaii:Proceedings of IEEE International Conference on Systems，Man and Cybernetics，2005:1 275 －1 279.

［3］ 段海滨.蚁群算法原理及其应用［M］.北京:科学出版社，2005:26－43.

［4］ Dorigo M，Stutzle T.Ant Colony Optimization［M］.Cambridge:MIT Press，2004:5 －13.

［5］ 叶志伟，郑肇葆，万幼川，等.基于蚁群优化的特征选择新方法［J］.武汉大学学报，2007，32(12):41－44.

［6］ 刘磊.多光谱遥感图像的特征提取与比较［D］.上海:上海交通大学，2005.

［7］ SongQing，Guo Ping，Jia Yunde.Ant colony optimization algorithm for remote sensing image classification using combined features［C］.Kunming:Proceedings of International Confernence on Machine Learning and Cybernetics，2008:3 478 －3 484.

［8］ Liu Bo，AAbbass H，McKay B.Classification Rule Discovery with Ant Colony Optimization［J］.Computational Intelligence，2004，3(1):83 －88.

［9］ 李先锋.基于特征优化和多特征整合的杂草识别方法研究［D］.苏州:江苏大学，2010.