第10卷第6期 智能系统学报 Vol.10 No.6 2015年12月 CAAI Transactions on Intelligent Systems Dee.2015 D0:10.11992/is.201507045 网络出版地址：http://www.cnki.net/kcms/detail/23.1538.tp.20151110.1354.014.html 基于多样性变异的QPS0算法的遥感图像分类 龙海侠，吴淑雷，吕雁 (海南师范大学信息科学技术学院，海南海口571158) 摘要：遥感图像分类是遥感领域研究的热点问题之一。结合量子粒子群优化(QPS0)算法和多样性变异的机制提 出了一种新的高光谱遥感图像分类算法。在遥感图像分类过程中，采用无监督分类，图像中每个像素点到聚类中心 的高斯距离作为分类标准，使用QPS0算法进行聚类中心的优化.在聚类过程中使用多样性变异机制防止QPS0算 法早熟收敛，使分类结果达到最优化。在遥感图像上所做的实验表明：此分类算法具有较好的搜索速度和收敛精 度，能有效寻找和优化最佳聚类中心，是一种有效、可行的遥感图像分类方法。 关键词：遥感图像：无监督分类：聚类中心：量子粒子群优化算法；多样性变异 中图分类号：TP391.9文献标志码：A文章编号：1673-4785(2015)06-0938-05 中文引用格式：龙海侠，吴淑雷，吕雁.基于多样性变异的QPS0算法的遥感图像分类[J].智能系统学报，2015,10(6)：938-942. 英文引用格式：LONG Haixia,WU Shulei,LYU Yan..Classification of multispectral remote sensing image based on QPSO and di- versity-mutation[J].CAAI Transactions on Intelligent Systems,2015,10(6):938 -942. Classification of multispectral remote sensing image based on QPSO and diversity-mutation LONG Haixia,WU Shulei,LYU Yan (School of Information Science and Technology,Hainan Normal University,Haikou 571158,China) Abstract:The classification of remote sensing images is one of the most important issues in remote sensing today. This paper presents a novel classification algorithm for multispectral remote sensing images based on the quantum- behaved particle swarm optimization (QPSO)algorithm and diversity-mutation.To classify remote sensing images, we adopted unsupervised classification,and used the Gaussian distance function between the image pixels and the cluster centers as the classification standard.We used the QPSO algorithm to optimize the cluster centers.For clus- tering,we propose diversity-mutation to prevent premature convergence of the QPSO algorithm to optimize the clas- sification results.The experimental results show that the proposed algorithm not only has better search speed,but also has higher convergence precision,and searches and optimizes the best cluster center more efficiently.There- fore,we conclude that the algorithm is effective and feasible. Keywords:remote sensing image;un-supervised classification;cluster centers;quantum-behaved particle swarm optimization algorithm:diversity-mutation 遥感图像分类是遥感图像处理系统的核心功能 种规则或算法划分为不同的类别)，是遥感研究领 之一，它实现了将图像中每个像元根据其在不同波 域里的一项重要内容]，遥感图像分类方法主要有 段的光谱亮度、空间结构特征或者其他信息，按照某 监督和非监督分类法[34。随着遥感图像分类方法 的发展，最大似然法、光谱角填图、支持向量机、匹配 收稿日期：2015-07-23.网络出版日期：2015-11-10. 滤波、神经网络等方法已经在遥感图像分类及湿地 基金项目：国家自然科学基金资助项目(61163042)：海南师范大学地理 学重点学科基金资助项目(00203030905#). 信息提取中得到应用)。 通信作者：吴淑雷.E-mail:595615374@qq.com 国内外很多学者研究了利用粒子群优化算法对
第 １０ 卷第 ６ 期 智 能 系 统 学 报 Ｖｏｌ．１０ №．６ ２０１５ 年 １２ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｄｅｃ． ２０１５ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１５０７０４５ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ｔｐ．２０１５１１１０．１３５４．０１４．ｈｔｍｌ 基于多样性变异的 ＱＰＳＯ 算法的遥感图像分类 龙海侠，吴淑雷，吕雁 （海南师范大学 信息科学技术学院，海南 海口 ５７１１５８） 摘 要：遥感图像分类是遥感领域研究的热点问题之一。 结合量子粒子群优化（ＱＰＳＯ）算法和多样性变异的机制提 出了一种新的高光谱遥感图像分类算法。 在遥感图像分类过程中，采用无监督分类，图像中每个像素点到聚类中心 的高斯距离作为分类标准，使用 ＱＰＳＯ 算法进行聚类中心的优化，在聚类过程中使用多样性变异机制防止 ＱＰＳＯ 算 法早熟收敛，使分类结果达到最优化。 在遥感图像上所做的实验表明：此分类算法具有较好的搜索速度和收敛精 度，能有效寻找和优化最佳聚类中心，是一种有效、可行的遥感图像分类方法。 关键词：遥感图像；无监督分类；聚类中心；量子粒子群优化算法；多样性变异 中图分类号： ＴＰ３９１．９ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１５）０６⁃０９３８⁃０５ 中文引用格式：龙海侠，吴淑雷，吕雁． 基于多样性变异的 ＱＰＳＯ 算法的遥感图像分类［Ｊ］． 智能系统学报， ２０１５， １０（６）： ９３８ ⁃９４２． 英文引用格式：ＬＯＮＧ Ｈａｉｘｉａ， ＷＵ Ｓｈｕｌｅｉ， ＬＹＵ Ｙａｎ． Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｍｕｌｔｉｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｂａｓｅｄ ｏｎ ＱＰＳＯ ａｎｄ ｄｉ⁃ ｖｅｒｓｉｔｙ⁃ｍｕｔａｔｉｏｎ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１５， １０（６）： ９３８ ⁃９４２． Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｍｕｌｔｉｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｂａｓｅｄ ｏｎ ＱＰＳＯ ａｎｄ ｄｉｖｅｒｓｉｔｙ⁃ｍｕｔａｔｉｏｎ ＬＯＮＧ Ｈａｉｘｉａ， ＷＵ Ｓｈｕｌｅｉ， ＬＹＵ Ｙａｎ （Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｈａｉｎａｎ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｈａｉｋｏｕ ５７１１５８， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ｉｓ ｏｎｅ ｏｆ ｔｈｅ ｍｏｓｔ ｉｍｐｏｒｔａｎｔ ｉｓｓｕｅｓ ｉｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｔｏｄａｙ． Ｔｈｉｓ ｐａｐｅｒ ｐｒｅｓｅｎｔｓ ａ ｎｏｖｅｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｍｕｌｔｉｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｑｕａｎｔｕｍ⁃ ｂｅｈａｖｅｄ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ （ＱＰＳＯ） ａｌｇｏｒｉｔｈｍ ａｎｄ ｄｉｖｅｒｓｉｔｙ⁃ｍｕｔａｔｉｏｎ． Ｔｏ ｃｌａｓｓｉｆｙ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ， ｗｅ ａｄｏｐｔｅｄ ｕｎｓｕｐｅｒｖｉｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ， ａｎｄ ｕｓｅｄ ｔｈｅ Ｇａｕｓｓｉａｎ ｄｉｓｔａｎｃｅ ｆｕｎｃｔｉｏｎ ｂｅｔｗｅｅｎ ｔｈｅ ｉｍａｇｅ ｐｉｘｅｌｓ ａｎｄ ｔｈｅ ｃｌｕｓｔｅｒ ｃｅｎｔｅｒｓ ａｓ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｓｔａｎｄａｒｄ． Ｗｅ ｕｓｅｄ ｔｈｅ ＱＰＳＯ ａｌｇｏｒｉｔｈｍ ｔｏ ｏｐｔｉｍｉｚｅ ｔｈｅ ｃｌｕｓｔｅｒ ｃｅｎｔｅｒｓ． Ｆｏｒ ｃｌｕｓ⁃ ｔｅｒｉｎｇ， ｗｅ ｐｒｏｐｏｓｅ ｄｉｖｅｒｓｉｔｙ⁃ｍｕｔａｔｉｏｎ ｔｏ ｐｒｅｖｅｎｔ ｐｒｅｍａｔｕｒｅ ｃｏｎｖｅｒｇｅｎｃｅ ｏｆ ｔｈｅ ＱＰＳＯ ａｌｇｏｒｉｔｈｍ ｔｏ ｏｐｔｉｍｉｚｅ ｔｈｅ ｃｌａｓ⁃ ｓｉｆｉｃａｔｉｏｎ ｒｅｓｕｌｔｓ． Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｌｇｏｒｉｔｈｍ ｎｏｔ ｏｎｌｙ ｈａｓ ｂｅｔｔｅｒ ｓｅａｒｃｈ ｓｐｅｅｄ， ｂｕｔ ａｌｓｏ ｈａｓ ｈｉｇｈｅｒ ｃｏｎｖｅｒｇｅｎｃｅ ｐｒｅｃｉｓｉｏｎ， ａｎｄ ｓｅａｒｃｈｅｓ ａｎｄ ｏｐｔｉｍｉｚｅｓ ｔｈｅ ｂｅｓｔ ｃｌｕｓｔｅｒ ｃｅｎｔｅｒ ｍｏｒｅ ｅｆｆｉｃｉｅｎｔｌｙ． Ｔｈｅｒｅ⁃ ｆｏｒｅ， ｗｅ ｃｏｎｃｌｕｄｅ ｔｈａｔ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｉｓ ｅｆｆｅｃｔｉｖｅ ａｎｄ ｆｅａｓｉｂｌｅ． Ｋｅｙｗｏｒｄｓ： ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ； ｕｎ⁃ｓｕｐｅｒｖｉｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ； ｃｌｕｓｔｅｒ ｃｅｎｔｅｒｓ； ｑｕａｎｔｕｍ⁃ｂｅｈａｖｅｄ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ； ｄｉｖｅｒｓｉｔｙ⁃ｍｕｔａｔｉｏｎ 收稿日期：２０１５⁃０７⁃２３． 网络出版日期：２０１５⁃１１⁃１０． 基金项目：国家自然科学基金资助项目（６１１６３０４２）；海南师范大学地理 学重点学科基金资助项目（００２０３０３０９０５＃）． 通信作者：吴淑雷． Ｅ⁃ｍａｉｌ：５９５６１５３７４＠ ｑｑ．ｃｏｍ． 遥感图像分类是遥感图像处理系统的核心功能 之一，它实现了将图像中每个像元根据其在不同波 段的光谱亮度、空间结构特征或者其他信息，按照某 种规则或算法划分为不同的类别［１］ ，是遥感研究领 域里的一项重要内容［２］ ，遥感图像分类方法主要有 监督和非监督分类法［３⁃４］ 。 随着遥感图像分类方法 的发展，最大似然法、光谱角填图、支持向量机、匹配 滤波、神经网络等方法已经在遥感图像分类及湿地 信息提取中得到应用［５］ 。 国内外很多学者研究了利用粒子群优化算法对
第6期 龙海侠，等：基于多样性变异的QPS0算法的遥感图像分类 ·939. 遥感图像进行分类。文献[1]利用混合PSO-FCM 超矩形中的随机点。 算法和非监督学习动态聚类算法分别对湖南东洞庭 下面介绍QPS0算法： 湖3个主成分合成图像，进行湿地分类实验。文献 假如粒子在以吸引点为中心的一维8势阱中运 [4]提出了一种基于粒子群算法和最近邻原则的高 动，解一维8势阱的Schrodinger方程，得到概率分 光谱图像半监督分类方法。文献[6]提出了基于自 布函数为 适应最优神经网络拓扑结构的多目标PSO算法的 F(xg）=e2lyyh (2) 多光谱卫星图像的分类。基于量子粒子群优化算法 式中：L为Delta势阱的特征长度，它决定了粒子的 的遥感图像分类的文献几乎没有。 搜索范围。使用Monte Carlo方法，可得到粒子位置 Sun等]提出了QPS0算法，提高了粒子群的 的进化公式为 全局收敛能力。QPS0算法的思想来源于量子力学 (3) 和PS0模型。它能保证算法的全局收敛并且在优 4±a 化模型中只有位置向量，没有速度向量，控制参数 式中：4为(0,1)内均匀分布的随机数，由于L的控 少、寻优能力强。因此本文使用QPS0算法进行遥 制方法对QPS0算法的收敛速度和性能有关键性的 感图像的分类。但是QP$0算法像其他进化算法一 影响，Sun在QPS0算法中引入了平均最好位置 样，也会遇到早熟收敛的问题，并且在收敛的后期粒 C【s,C定义为所有粒子个体最好位置的平均 子的多样性减少了，因此出现了许多改进的QPSO 值，即 算法。Coelho[s]介绍了基于Gaussian概率分布的 Ches= QPS0算法，在此算法中引入了变异算子：在QPS0 算法中引入多精英模型来提高算法的收敛速度[)。 因此在下面的分类过程中将使用一种多样性变 (4) 异的机制防止QPSO算法的早熟收敛。本文结合 L的值用式(5)计算，采用x和C之间的间隔： QPSO算法和多样性变异对遥感图像进行分类。 L=2a Cuemy-xy (5) 2 研究方法 则式(3)的粒子位置更新方程为 x,(t+1)=Ag()±a|C()-xg()lln(1/) 2.1QPS0算法 (6) 在一个D维的目标搜索空间中，QPSO算法有 式中：参数c为收缩-扩张系数，它是QPS0收敛的 M个代表优化问题的一个可行解，即M为种群的粒 一个重要的参数，可以通过调节α的值来控制算法 子数，对于第i个粒子，在搜索空间的当前位置记为 的收敛速度，其中α必定小于1.782来保证粒子的 X:=[x1x2…xD】,粒子没有速度向量。在 算法的每一次迭代过程中，每个粒子当前经历的个 收敛I0,可取a=(L.0-0.5)×MAXITER-T+ MAXITER 体最好位置表示为Po=[Pwsa Puesg…PonJ 0.5,可以达到比较好的效果。其中MAXITER为算 群体全局最好的位置表示为g= 法迭代的次数。 [giea1gio2…ghesp]o 2.2多样性变异的QPS0算法 Clere和Kennedy对粒子轨道的分析中证明了 QPS0算法在搜索开始时，由于粒子群的初始 这样一个事实：假如每一个粒子收敛到它的局部吸 化，多样性相对性比较高，在搜索的过程中，由于粒 引点A:=[41A2…AD】并且满足条件(1)， 子的逐渐收敛，群体的多样性不断下降，在搜索的后 那么PSO算法是收敛的。 期，由于粒子都聚集到一个相对较小的区间，粒子群 A(t)= 的多样性已经很低，全局搜索能力已经变得很弱，进 (cirup(t)+cargem (t))/(cr +carz) 行大范围的搜索的能力已经很小，此时算法就会发 或A,(t)=p·P(t)+(1-p）·8e(t)(1) 生早熟现象。为了进一步改善QPS0算法的性能， 式中：j=1,2,…,D,p=cr1/(c1+c2r2）,r1和r2 本文受Ursem!和Right的启发，在QPS0算法 为2个在(0,1)内均匀分布的随机数序列，c1和c2 中引入多样性控制的方法(diversity-mutaion QPSO, 为PS0算法的加速因此，在通常情况下c1=c2。因 DMOPSO),粒子群的多样性也采用粒子到中心点的 此9，为一个在(0,1)内均匀分布的随机数序列。并 平均欧几里德几何距离来度量，在QPS0算法中，存 且，从式(1)中可以看出局部吸引点A:是一个位于 在粒子的个体最好位置组成的群体，因此QPS0算
遥感图像进行分类。 文献［１］ 利用混合 ＰＳＯ⁃ＦＣＭ 算法和非监督学习动态聚类算法分别对湖南东洞庭 湖 ３ 个主成分合成图像，进行湿地分类实验。 文献 ［４］提出了一种基于粒子群算法和最近邻原则的高 光谱图像半监督分类方法。 文献［６］提出了基于自 适应最优神经网络拓扑结构的多目标 ＰＳＯ 算法的 多光谱卫星图像的分类。 基于量子粒子群优化算法 的遥感图像分类的文献几乎没有。 Ｓｕｎ 等［７］提出了 ＱＰＳＯ 算法，提高了粒子群的 全局收敛能力。 ＱＰＳＯ 算法的思想来源于量子力学 和 ＰＳＯ 模型。 它能保证算法的全局收敛并且在优 化模型中只有位置向量，没有速度向量，控制参数 少、寻优能力强。 因此本文使用 ＱＰＳＯ 算法进行遥 感图像的分类。 但是 ＱＰＳＯ 算法像其他进化算法一 样，也会遇到早熟收敛的问题，并且在收敛的后期粒 子的多样性减少了，因此出现了许多改进的 ＱＰＳＯ 算法。 Ｃｏｅｌｈｏ ［８］ 介绍了基于 Ｇａｕｓｓｉａｎ 概率分布的 ＱＰＳＯ 算法，在此算法中引入了变异算子；在 ＱＰＳＯ 算法中引入多精英模型来提高算法的收敛速度［９］ 。 因此在下面的分类过程中将使用一种多样性变 异的机制防止 ＱＰＳＯ 算法的早熟收敛。 本文结合 ＱＰＳＯ 算法和多样性变异对遥感图像进行分类。 ２ 研究方法 ２．１ ＱＰＳＯ 算法 在一个 Ｄ 维的目标搜索空间中，ＱＰＳＯ 算法有 Ｍ 个代表优化问题的一个可行解，即 Ｍ 为种群的粒 子数，对于第 ｉ 个粒子，在搜索空间的当前位置记为 Ｘｉ ＝ ｘｉ１ ｘｉ２ … ｘｉＤ [ ] ，粒子没有速度向量。 在 算法的每一次迭代过程中，每个粒子当前经历的个 体最好位置表示为 ｐｂｅｓｔ ｉ ＝ ｐｂｅｓｔ ｉ１ ｐｂｅｓｔ ｉ２ … ｐｂｅｓｔ ｉＤ [ ] 群 体 全 局 最 好 的 位 置 表 示 为 ｇｂｅｓｔ ＝ ｇｂｅｓｔ１ ｇｂｅｓｔ２ … ｇｂｅｓｔＤ [ ] 。 Ｃｌｅｒｃ 和 Ｋｅｎｎｅｄｙ 对粒子轨道的分析中证明了 这样一个事实：假如每一个粒子收敛到它的局部吸 引点 Ａｉ ＝ Ａｉ１ Ａｉ２ … ＡｉＤ [ ] 并且满足条件（１）， 那么 ＰＳＯ 算法是收敛的。 Ａｉｊ（ｔ） ＝ （ｃ１ ｒ１ｊｐｂｅｓｔ ｉｊ （ｔ） ＋ ｃ２ ｒ２ｊｇｂｅｓｔ ｊ （ｔ）） ／ （ｃ１ ｒ１ｊ ＋ ｃ２ ｒ２ｊ） 或 Ａｉｊ（ｔ） ＝ φ·ｐｂｅｓｔ ｉｊ （ｔ） ＋ （１ － φ）·ｇｂｅｓｔ ｊ （ｔ） （１） 式中： ｊ ＝ １，２，…，Ｄ ， φ ＝ ｃ１ ｒ１ ／ （ｃ１ ｒ１ ＋ ｃ２ ｒ２ ） ， ｒ１ 和 ｒ２ 为 ２ 个在（０，１）内均匀分布的随机数序列， ｃ１ 和 ｃ２ 为 ＰＳＯ 算法的加速因此，在通常情况下 ｃ１ ＝ ｃ２ 。 因 此 φｊ 为一个在（０，１）内均匀分布的随机数序列。 并 且，从式（１）中可以看出局部吸引点 Ａｉ 是一个位于 超矩形中的随机点。 下面介绍 ＱＰＳＯ 算法： 假如粒子在以吸引点为中心的一维 δ 势阱中运 动，解一维 δ 势阱的 Ｓｃｈｒöｄｉｎｇｅｒ 方程， 得到概率分 布函数为 Ｆ（ｘｉｊ） ＝ ｅ －２ ｘｉｊ －Ａｉｊ ／ Ｌ （２） 式中： Ｌ 为 Ｄｅｌｔａ 势阱的特征长度，它决定了粒子的 搜索范围。 使用 Ｍｏｎｔｅ Ｃａｒｌｏ 方法，可得到粒子位置 的进化公式为 ｘｉｊ ＝ Ａｉｊ ± Ｌ ２ ｌｎ(１ ／ μ) （３） 式中： μ 为（０，１）内均匀分布的随机数，由于 Ｌ 的控 制方法对 ＱＰＳＯ 算法的收敛速度和性能有关键性的 影响， Ｓｕｎ 在 ＱＰＳＯ 算法中引入了平均最好位置 Ｃｂｅｓｔ ［６⁃７］ ， Ｃｂｅｓｔ定义为所有粒子个体最好位置的平均 值，即 Ｃｂｅｓｔ ＝ １ Ｍ∑ Ｍ ｉ ＝ １ ｐｂｅｓｔ ｉ１ ， １ Ｍ∑ Ｍ ｉ ＝ １ ｐｂｅｓｔ ｉ２ ，…， １ Ｍ∑ Ｍ ｉ ＝ １ ｐｂｅｓｔ ｉＤ æ è ç ö ø ÷ （４） Ｌ 的值用式（５）计算，采用 ｘｉｊ 和 Ｃｂｅｓｔ ｊ之间的间隔： Ｌ ＝ ２α Ｃｂｅｓｔ ｊ － ｘｉｊ （５） 则式（３）的粒子位置更新方程为 ｘｉｊ (ｔ ＋ １) ＝ Ａｉｊ (ｔ) ± α Ｃｂｅｓｔ ｊ (ｔ) － ｘｉｊ (ｔ) ｌｎ(１ ／ μ) （６） 式中：参数为收缩－扩张系数，它是 ＱＰＳＯ 收敛的 一个重要的参数，可以通过调节 α 的值来控制算法 的收敛速度，其中 α 必定小于 １．７８２ 来保证粒子的 收敛［１０］ ，可取 α ＝ (１．０ － ０．５) × ＭＡＸＩＴＥＲ － Ｔ ＭＡＸＩＴＥＲ ＋ ０．５ ，可以达到比较好的效果。 其中 ＭＡＸＩＴＥＲ 为算 法迭代的次数。 ２．２ 多样性变异的 ＱＰＳＯ 算法 ＱＰＳＯ 算法在搜索开始时，由于粒子群的初始 化，多样性相对性比较高，在搜索的过程中，由于粒 子的逐渐收敛，群体的多样性不断下降，在搜索的后 期，由于粒子都聚集到一个相对较小的区间，粒子群 的多样性已经很低，全局搜索能力已经变得很弱，进 行大范围的搜索的能力已经很小，此时算法就会发 生早熟现象。 为了进一步改善 ＱＰＳＯ 算法的性能， 本文受 Ｕｒｓｅｍ ［１１］ 和 Ｒｉｇｈｔ ［１２］ 的启发，在 ＱＰＳＯ 算法 中引入多样性控制的方法（ ｄｉｖｅｒｓｉｔｙ⁃ｍｕｔａｉｏｎ ＱＰＳＯ， ＤＭＱＰＳＯ），粒子群的多样性也采用粒子到中心点的 平均欧几里德几何距离来度量，在 ＱＰＳＯ 算法中，存 在粒子的个体最好位置组成的群体，因此 ＱＰＳＯ 算 第 ６ 期 龙海侠，等：基于多样性变异的 ＱＰＳＯ 算法的遥感图像分类 ·９３９·
·940· 智能系统学报 第10卷 法的多样性度量采用如式(7)的形式： 3 仿真结果及分析 d=[1/(M·A)]· (x-)2 3.1仿真数据 (7) 实验平台为Intel©Core(TM)i5-2450M2.5 式中：考=(/m)∑，。，4为搜索空间中最长 GHz处理器，4GB内存，Windows7操作系统，在 MATLAB环境下编制DMOPSO的遥感图像分类程 对角的长度。如果d减小到d,之下，则执行变异操作： 序。仿真数据来自ALOS多光谱遥感图像，其有8 对于每一个j,使 种主要地物类型：草地、林地、耕地、水体、居民区、裸 =+y·Ae,E~N(0,1) (8) 土地、机场、道路。 然后使=寸，=号。这里y表示全局最优位 3.2参数设置 置的粒子的个体最优位置；N(0,1)代表标准正态 在QPSO和DMOPSO算法的实现过程中，粒子 分布；y为用户指定的参数，必须大于d,,所以在变 数为30，最大迭代次数MAXITER取值为200，收缩 异之后d'才能及时增加到d,之上，假设y≥10d,; -扩张系a=(1.0-0.5)*(MAXITER-T)/MAX z是一个临时向量。当执行突变操作时，全局最优 TER+0.5,聚类类别数为8，多光谱遥感图像波段数 位置的粒子的偏移使~y,|的值增大并且把平 为3。在K-Means、QPSO和DMQPSO算法中聚类中 均最优位置C拉离它原始的位置，使粒子的搜索范 心的个数为30。 围扩大，并且每一次都导致d”值的增大。 3.3遥感图像分类结果图 2.3基于DMQPS0的分类算法 DMOPSO分类算法用于多光谱遥感图像分类 本文分别使用DMOPSO、QPSO算法以及利用 是根据图像中的像素到每个聚类中心的距离，对目 ENVI遥感图像处理软件的无监督分类模块的K- 标函数进行迭代优化以确定最佳聚类。多光谱遥感 Means,对实验数据进行分类，得到分类结果如图1。 对象象素组成M个样本集合X=(x1,x2,…,xw), 从分类结果中可以看出：K-Means算法的分类结 用向量W=(w1,w2,…,w)表示聚类中心的集合， 果中，草地和林地的混分现象比较明显，耕地、裸土 c为聚类中心的个数，作为DMQPSO算法中的一个 地和道路也存在一定的混分现象，草地和水体也存 粒子。并且X和W的维度相同。数据向量到中心 在一些分类错误。QPS0算法在草地和林地上存在 向量的距离用式(9)来计算： 着混分现象，草地面积增大，水体和草地也有少量的 d(x,w:)=Ix,w:‖2 (9) 混分。相对而言，DMOPSO算法能得到较好的分 在DMOPSO算法分类过程中用到的目标函数为 类，与原始遥感图像的视觉效果大概一致，但是草地 和林地也存在少量的混分现象。 fitness (10) 分类算法的具体过程如下： 1)初始化粒子群W,W2,…,W。,作为第1代 粒子群： 2)设置聚类类别数，多光谱遥感图像的波段 数，终止条件的最大迭代次数： 3)根据式(10)计算多光谱遥感图像像素的适 应度函数值； (a)原图 (b)K-Means?算法的分类图 4)根据式(4)计算平均最好位置C 5)根据式(7)计算d。Fd”<d,,则执行6)， 否则执行10)； 6)根据式(8)对和y,执行变异操作 7)更新局部最优P: (c)QPSO算法的分类图(d)DMQPSO算法的分类图 8)更新全局最优g; 图13种算法的遥感图像分类图 9)根据式(1)计算随机点； Fig.1 Sensing image classification produced by three 10)根据式(6)更新粒子位置，产生下一代粒子群： algorithms 重复计算3)~10)，直到满足迭代的次数
法的多样性度量采用如式（７）的形式： ｄ ｔ ＝ [１ ／ （Ｍ· Ａ ） ]·∑ ｍ ｉ ＝ １ ∑ ｎ ｊ ＝ １ ｘ ｔ ｉ，ｊ － ｘ ⁃ ｔ ｊ ( ) ２ （７） 式中： ｘ ⁃ ｔ ｊ ＝ （１／ ｍ）∑ ｍ ｉ ＝ １ ｘ ｔ ｉ，ｊ ， Ａ 为搜索空间中最长 对角的长度。 如果 ｄ ｔ 减小到 ｄｌ 之下，则执行变异操作： 对于每一个 ｊ ，使 ｚ ｔ ｊ ＝ ｙ ＾ ｔ ｊ ＋ γ· Ａ ·ε，ε ～ Ｎ（０，１） （８） 然后使 ｙ ＾ ｔ ｊ ＝ ｚ ｔ ｊ ， ｙ ｔ ｇ，ｊ ＝ ｚ ｔ ｊ 。 这里 ｙ ｔ ｇ，ｊ 表示全局最优位 置的粒子的个体最优位置； Ｎ（０，１） 代表标准正态 分布； γ 为用户指定的参数，必须大于 ｄｌ ，所以在变 异之后 ｄ ｔ 才能及时增加到 ｄｌ 之上，假设 γ ≥ １０ｄｌ ； ｚ ｔ 是一个临时向量。 当执行突变操作时，全局最优 位置的粒子的偏移使 ｙ ＾ ｔ ｊ － ｙ ｔ ｉ，ｊ 的值增大并且把平 均最优位置 Ｃ 拉离它原始的位置，使粒子的搜索范 围扩大，并且每一次都导致 ｄ ｔ 值的增大。 ２．３ 基于 ＤＭＱＰＳＯ 的分类算法 ＤＭＱＰＳＯ 分类算法用于多光谱遥感图像分类 是根据图像中的像素到每个聚类中心的距离，对目 标函数进行迭代优化以确定最佳聚类。 多光谱遥感 对象象素组成 Ｍ 个样本集合 Ｘ ＝ ｘ１ ，ｘ２ ，…，ｘＭ ( ) ， 用向量 Ｗ ＝ ｗ１ ，ｗ２ ，…，ｗｃ ( ) 表示聚类中心的集合， ｃ 为聚类中心的个数，作为 ＤＭＱＰＳＯ 算法中的一个 粒子。 并且 Ｘｉ 和 Ｗｉ 的维度相同。 数据向量到中心 向量的距离用式（９）来计算： ｄ（ｘｊ，ｗｉ） ＝ ‖ｘｊｗｉ‖２ （９） 在 ＤＭＱＰＳＯ 算法分类过程中用到的目标函数为 ｆｉｔｎｅｓｓ ＝ ∑ Ｍ ｋ⁃１ ∑ ｃ ｉ⁃１ ‖Ｘｋ ⁃ｗｉ‖２ （１０） 分类算法的具体过程如下： １）初始化粒子群 Ｗ１ ，Ｗ２ ，…，Ｗｃ ，作为第 １ 代 粒子群； ２）设置聚类类别数，多光谱遥感图像的波段 数，终止条件的最大迭代次数； ３）根据式（１０）计算多光谱遥感图像像素的适 应度函数值； ４）根据式（４）计算平均最好位置 Ｃｂｅｓｔ ５）根据式（７）计算 ｄ ｔ 。 ＩＦ ｄ ｔ ＜ ｄｌ ，则执行 ６）， 否则执行 １０）； ６）根据式（８）对 ｙ ＾ ｔ ｊ 和 ｙ ｔ ｇ，ｊ 执行变异操作 ７）更新局部最优 ｐｂｅｓｔ ； ８）更新全局最优 ｇｂｅｓｔ ； ９）根据式（１）计算随机点； １０）根据式（６）更新粒子位置，产生下一代粒子群； 重复计算 ３） ～１０），直到满足迭代的次数。 ３ 仿真结果及分析 ３．１ 仿真数据 实验平台为 Ｉｎｔｅｌ Ｃｏｒｅ （ ＴＭ） ｉ５⁃２４５０Ｍ ２． ５ ＧＨｚ 处理器， ４ＧＢ 内存， Ｗｉｎｄｏｗｓ ７ 操作系统， 在 ＭＡＴＬＡＢ 环境下编制 ＤＭＱＰＳＯ 的遥感图像分类程 序。 仿真数据来自 ＡＬＯＳ 多光谱遥感图像，其有 ８ 种主要地物类型：草地、林地、耕地、水体、居民区、裸 土地、机场、道路。 ３．２ 参数设置 在 ＱＰＳＯ 和 ＤＭＱＰＳＯ 算法的实现过程中，粒子 数为 ３０，最大迭代次数 ＭＡＸＩＴＥＲ 取值为 ２００，收缩 －扩张系 α ＝ （ １． ０ － ０． ５） ∗（ ＭＡＸＩＴＥＲ － Ｔ） ／ ＭＡＸ⁃ ＩＴＥＲ＋０．５，聚类类别数为 ８，多光谱遥感图像波段数 为 ３。 在 Ｋ⁃Ｍｅａｎｓ、ＱＰＳＯ 和 ＤＭＱＰＳＯ 算法中聚类中 心的个数为 ３０。 ３．３ 遥感图像分类结果图 本文分别使用 ＤＭＱＰＳＯ、ＱＰＳＯ 算法以及利用 ＥＮＶＩ 遥感图像处理软件的无监督分类模块的 Ｋ⁃ Ｍｅａｎｓ，对实验数据进行分类，得到分类结果如图 １。 从分类结果中可以看出：Ｋ⁃Ｍｅａｎｓ 算法的分类结 果中，草地和林地的混分现象比较明显，耕地、裸土 地和道路也存在一定的混分现象，草地和水体也存 在一些分类错误。 ＱＰＳＯ 算法在草地和林地上存在 着混分现象，草地面积增大，水体和草地也有少量的 混分。 相对而言，ＤＭＱＰＳＯ 算法能得到较好的分 类，与原始遥感图像的视觉效果大概一致，但是草地 和林地也存在少量的混分现象。 图 １ ３ 种算法的遥感图像分类图 Ｆｉｇ．１ Ｓｅｎｓｉｎｇ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｐｒｏｄｕｃｅｄ ｂｙ ｔｈｒｅｅ ａｌｇｏｒｉｔｈｍｓ ·９４０· 智 能 系 统 学 报 第 １０ 卷
第6期 龙海侠，等：基于多样性变异的QPS0算法的遥感图像分类 ·941. 3.4遥感图像的精度评价 分类精度高，总体上来说DMOPS0算法的分类精度 本文采用2种方法对分类结果进行精度评价： 稍高于QPS0算法。 1)像素级的评价 表1 DMQPSO算法的混淆矩阵（像素） 以分类后的混淆矩阵为基础，分别计算总体分类 Table 1 The confusion matrix of DMOPSO algorithm 精度、Kappa系数、制图精度和用户精度。混淆矩阵 (pixel) 是通过将每个地表真实像元的位置和分类与分类图 居民裸土 行总 类别草地林地耕地水体 机场道路 像中相应位置和分类图像比较计算，混淆矩阵的每一 区地 数 列代表了一个地表真实分类，每一列中的数值等于地 草地62012150653558 2915 993 表真实像元在分类图像中对应于相应类别的数量。 林地 70561 65 58 25 35 33 28 875 在实验过程中，树林、草地、房屋、道路、湖泊、土地的 耕地2025496 30 20 22 27 51 691 感兴趣区都随机选取800个数据。表1给出了 水体533 28480 18 32 34 650 DMOPSO算法的混淆矩阵，QPSO和K-Means算法的 居民区2626 22 32 625 15 38 88 872 感兴趣区与DMOPSO算法相同。 裸土地42 17 90 60 35 380 147 96 867 表2给出了3种算法的像素级评价结果。从总 机场1210 24 45 35R 156 655 体分类精度和Kappa系数来说，DMQPSO分类结果 道路 5 7 25 30 12 250 136 332 797 精度最高；从用户精度和制图精度来说，DMOPSO 列总数800800800800 800800800800 算法和QPS0算法的分类精度都比K-Means算法的 表2 DMQPSO算法的混淆矩阵（像素） Table 2 The confusion matrix of DMQPSO algorithm pixel) DMOPSO QPSO K-Means 样本 用户 制图 总体分 Kappa 用户 制图 总体分 Kappa 用户 类别 制图 总体分Kappa 精度 精度 类精度 系数 精度 精度 类精度 系数 精度 精度 类精度 系数 草地 95 92 88.52 80.94 94 88 82.37 73.68 86 85 77.52 68.49 林地 93 90 88.52 80.94 90 82 82.37 73.68 77 81 77.52 68.49 耕地 91 88 88.52 80.94 91 87 82.37 73.68 87 78 77.52 68.49 水体 90 90 88.52 80.94 90 84 82.37 73.68 78 71 77.52 68.49 居民区 88 82 88.52 80.94 85 75 82.37 73.68 80 70 77.52 68.49 裸土地 85 79 88.52 80.94 81 81 82.37 73.68 72 71 77.52 68.49 机场 83 80 88.52 80.94 79 77 82.37 73.68 70 74 77.52 68.49 道路 82 77 88.52 80.94 77 74 82.37 73.68 74 69 77.52 68.49 2)基于特征级的精度评价 inter_distance li-;l (12) 通过特征的属性差异，计算目标函数的适应度、 评价结果的平均值如表3所示，本文算法中，适 类内距、类间距、运行时间、算法收敛时的迭代次数 应度值越小，说明分类精度越好，聚类之间的距离越 进行精度评价。其适应度函数即式(10)，类内距和 大越好，保证了不同聚类之间的相似性较小。聚类 类间距函数为式(11)、(12)所示。 内部的距离(8)越小越好，保证了聚类内部的样本 类内距函数：聚类内部的距离，即一个聚类 与中心的偏离较小，聚类内部相似性较大。 中所有特征向量到聚类中心的距离。 从表3可以看出，DMOPSO算法的适应度、类内 距和类间距都优于其他2种算法，所以DMOPS0算 intra_distance= (11) 法的分类精度最高。但是，其收敛速度和运行时间 类间距函数：聚类之间的距离，即聚类的中心向 相对较慢，所以此算法有待改进。 量之间的距离
３．４ 遥感图像的精度评价 本文采用 ２ 种方法对分类结果进行精度评价： １）像素级的评价 以分类后的混淆矩阵为基础，分别计算总体分类 精度、Ｋａｐｐａ 系数、制图精度和用户精度。 混淆矩阵 是通过将每个地表真实像元的位置和分类与分类图 像中相应位置和分类图像比较计算，混淆矩阵的每一 列代表了一个地表真实分类，每一列中的数值等于地 表真实像元在分类图像中对应于相应类别的数量。 在实验过程中，树林、草地、房屋、道路、湖泊、土地的 感兴趣区都随机选 取 ８００ 个 数 据。 表 １ 给 出 了 ＤＭＱＰＳＯ 算法的混淆矩阵，ＱＰＳＯ 和 Ｋ⁃Ｍｅａｎｓ 算法的 感兴趣区与 ＤＭＱＰＳＯ 算法相同。 表 ２ 给出了 ３ 种算法的像素级评价结果。 从总 体分类精度和 Ｋａｐｐａ 系数来说，ＤＭＱＰＳＯ 分类结果 精度最高；从用户精度和制图精度来说，ＤＭＱＰＳＯ 算法和 ＱＰＳＯ 算法的分类精度都比 Ｋ⁃Ｍｅａｎｓ 算法的 分类精度高，总体上来说 ＤＭＱＰＳＯ 算法的分类精度 稍高于 ＱＰＳＯ 算法。 表 １ ＤＭＱＰＳＯ 算法的混淆矩阵 （像素） Ｔａｂｌｅ １ Ｔｈｅ ｃｏｎｆｕｓｉｏｎ ｍａｔｒｉｘ ｏｆ ＤＭＱＰＳＯ ａｌｇｏｒｉｔｈｍ （ｐｉｘｅｌ） 类别 草地 林地 耕地 水体 居民 区 裸土 地 机场 道路 行总 数 草地 ６２０ １２１ ５０ ６５ ３５ ５８ ２９ １５ ９９３ 林地 ７０ ５６１ ６５ ５８ ２５ ３５ ３３ ２８ ８７５ 耕地 ２０ ２５ ４９６ ３０ ２０ ２２ ２７ ５１ ６９１ 水体 ５ ３３ ２８ ４８０ １８ ２０ ３２ ３４ ６５０ 居民区 ２６ ２６ ２２ ３２ ６２５ １５ ３８ ８８ ８７２ 裸土地 ４２ １７ ９０ ６０ ３５ ３８０ １４７ ９６ ８６７ 机场 １２ １０ ２４ ４５ ３０ ２０ ３５８ １５６ ６５５ 道路 ５ ７ ２５ ３０ １２ ２５０ １３６ ３３２ ７９７ 列总数 ８００ ８００ ８００ ８００ ８００ ８００ ８００ ８００ 表 ２ ＤＭＱＰＳＯ 算法的混淆矩阵 （像素） Ｔａｂｌｅ ２ Ｔｈｅ ｃｏｎｆｕｓｉｏｎ ｍａｔｒｉｘ ｏｆ ＤＭＱＰＳＯ ａｌｇｏｒｉｔｈｍ （ｐｉｘｅｌ） 样本 类别 ＤＭＱＰＳＯ 用户 精度 制图 精度 总体分 类精度 Ｋａｐｐａ 系数 ＱＰＳＯ 用户 精度 制图 精度 总体分 类精度 Ｋａｐｐａ 系数 Ｋ⁃Ｍｅａｎｓ 用户 精度 制图 精度 总体分 类精度 Ｋａｐｐａ 系数 草地 ９５ ９２ ８８．５２ ８０．９４ ９４ ８８ ８２．３７ ７３．６８ ８６ ８５ ７７．５２ ６８．４９ 林地 ９３ ９０ ８８．５２ ８０．９４ ９０ ８２ ８２．３７ ７３．６８ ７７ ８１ ７７．５２ ６８．４９ 耕地 ９１ ８８ ８８．５２ ８０．９４ ９１ ８７ ８２．３７ ７３．６８ ８７ ７８ ７７．５２ ６８．４９ 水体 ９０ ９０ ８８．５２ ８０．９４ ９０ ８４ ８２．３７ ７３．６８ ７８ ７１ ７７．５２ ６８．４９ 居民区 ８８ ８２ ８８．５２ ８０．９４ ８５ ７５ ８２．３７ ７３．６８ ８０ ７０ ７７．５２ ６８．４９ 裸土地 ８５ ７９ ８８．５２ ８０．９４ ８１ ８１ ８２．３７ ７３．６８ ７２ ７１ ７７．５２ ６８．４９ 机场 ８３ ８０ ８８．５２ ８０．９４ ７９ ７７ ８２．３７ ７３．６８ ７０ ７４ ７７．５２ ６８．４９ 道路 ８２ ７７ ８８．５２ ８０．９４ ７７ ７４ ８２．３７ ７３．６８ ７４ ６９ ７７．５２ ６８．４９ ２）基于特征级的精度评价 通过特征的属性差异，计算目标函数的适应度、 类内距、类间距、运行时间、算法收敛时的迭代次数 进行精度评价。 其适应度函数即式（１０），类内距和 类间距函数为式（１１）、（１２）所示。 类内距函数：聚类内部的距离， 即一个聚类 中所有特征向量到聚类中心的距离。 ｉｎｔｒａ＿ｄｉｓｔａｎｃｅ ＝ １ Ｃｉ ∑ ｊ∈Ｃｉ ‖ｘｊ － ｚｉ‖ （１１） 类间距函数：聚类之间的距离，即聚类的中心向 量之间的距离。 ｉｎｔｅｒ＿ｄｉｓｔａｎｃｅ ＝ ‖ｚｉ － ｚｊ‖ （１２） 评价结果的平均值如表 ３ 所示，本文算法中，适 应度值越小，说明分类精度越好，聚类之间的距离越 大越好，保证了不同聚类之间的相似性较小。 聚类 内部的距离（８） 越小越好，保证了聚类内部的样本 与中心的偏离较小，聚类内部相似性较大。 从表 ３ 可以看出，ＤＭＱＰＳＯ 算法的适应度、类内 距和类间距都优于其他 ２ 种算法，所以 ＤＭＱＰＳＯ 算 法的分类精度最高。 但是，其收敛速度和运行时间 相对较慢，所以此算法有待改进。 第 ６ 期 龙海侠，等：基于多样性变异的 ＱＰＳＯ 算法的遥感图像分类 ·９４１·
942. 智能系统学报 第10卷 表3基于特征级的分类精度 Table 3 Classification accuracy based on feature level 分类算法 适应度 类内距 类间距 迭代次数 运行时间/min DMOPSO 5.8429×10 2753 4267 292 81 QPSO 8.4649×103 3805 2546 205 61 K-Means 2.9923×10 4157 1563 53 0.4 5结束语 satellite imagery [J].Applied Soft Computing,2015,28: 217-225」 本文将QPSO算法进行改进，在QPS0算法中加 [7]SUN Jun,FENG Bin,XU Wenbo.Particle swarm optimiza- 入多样性变异机制，提出了一种新的遥感图像分类 tion with particles having quantum behavior[C]Congress 算法，由实验结果可以看出，在分类过程中，采用 on Evolutionary Computation.Portland:IEEE,2004:325- DMOPSO算法得到的图像的分类精度更高，并且 331. QPSO算法相比K-Means算法能找到更优的聚类中 [8 COELHO L S.Novel gaussian quantum-behaved particle swarm optimiser applied to electromagnetic design[J].IET 心，为研究人员进一步研究遥感图像分类提供了理 Science,Measurement Technology,2007,1(5):290- 论和实际参考价值。但是其缺点是分类时间较长， 294. 需要对算法进一步改进。 [9]SUN Jun,CHEN Wei,FANG Wei,et al.Gene expression 参考文献： data analysis with the clustering method based on an im- proved quantum-behaved Particle Swarm Optimization[J]. [1]蒋卫国，陈强，郭骥，等.基于HPS0和FCM的多光谱 Engineering Applications of Artificiallntelligence,2012,25 遥感图像湿地分类[J].光谱学与光谱分析，2010,30 (2):376-391. (12):3329-3333. [10]SUN Jun,WU Xiaojun,PALADE V,et al.Convergence a- JIANG Weiguo,CHEN Qiang,GUO Ji,et al.Classification nalysis and improvements of quantum-behaved particle of wetlands in multispectral remote sensing image based on swarm optimizationJ.Information Sciences,2012,193: HPSO and FCM[J].Spectroscopy and Spectral Analysis, 81-103. 2010,30(12):3329-3333. [11 URSEM R K.Diversity-guided Evolutionary Algorithm [2]SHANKAR B U,MEHER S K,GHOSH A.Wavelet-fuzzy [M]//GUERVOS J J M,ADAMIDIS P,BEYER H G, hybridization:feature-extraction and land-cover classification et al.Parallel Problem Solving from Nature -PPSN VII. of remote sensing images [J].Applied Soft Computing, Berlin Heidelberg:Springer,2002,2439:462-471. 2011,11(3):2999-3011. [12]RIGET J,VESTERSTROEM J S.A Diversity-guided parti- [3]董杰，沈国杰.一种基于模糊关联分类的遥感图像分类 cle swarm optimizer-the ARPSO[R].Aarhus:Department 方法[J].计算机研究与发展，2012,49(7)：1500-1506， of Computer Science,University of Aarhus,2002. DONG Jie,SHEN Guojie.Remote sensing image classification 作者简介： based on fuzzy associative classification[J].Joumal of Comput- 龙海侠，女，1980年生，副教授，博 er Research and Development,2012,49(7):1500-1506. 士，主要研究方向为人工智能。主持完 [4]袁永福.基于粒子群和互信息的高光谱图像波段选择和 成海南省自然科学基金2项，主持完成 分类[D].西安：西安电子科技大学，2014：61-73 海南省高等科学研究项目1项。作为 YUAN Yongfu.Band selection and classification for hyper- 第一完成人获得海南省科技进步奖三 spectral image based on particle swarm optimization and mu- 等奖1项。发表学术论文20余篇。出 tual information[D].Xi'an:Xidian University,2014:61- 版专著1部，教材1部。 吴淑雷，女，1974年生，教授，主要 [5]UIA D,MUNOZ-MARI J,CAMPS-VALLS G.Remote sens- 研究方向为视频、图像和地理信息等。 ing image segmentation by active queries[J].Pattern Recog- 主持和完成国家自然科学基金、海南省 nition,2012,45(6):2180-2192. 自然科学基金多项。发表学术论文30 [6]AGRAWAL R K,BAWANE N G.Multiobjective PSO based 余篇。出版专著2部，教材1部。 adaption of neural network topology for pixel classification in
表 ３ 基于特征级的分类精度 Ｔａｂｌｅ ３ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ｂａｓｅｄ ｏｎ ｆｅａｔｕｒｅ ｌｅｖｅｌ 分类算法 适应度 类内距 类间距 迭代次数 运行时间／ ｍｉｎ ＤＭＱＰＳＯ ５．８４２ ９×１０ ５ ２ ７５３ ４ ２６７ ２９２ ８１ ＱＰＳＯ ８．４６４ ９×１０ ５ ３ ８０５ ２ ５４６ ２０５ ６１ Ｋ⁃Ｍｅａｎｓ ２．９９２ ３×１０ ６ ４ １５７ １ ５６３ ５３ ０．４ ５ 结束语 本文将 ＱＰＳＯ 算法进行改进，在 ＱＰＳＯ 算法中加 入多样性变异机制，提出了一种新的遥感图像分类 算法，由实验结果可以看出，在分类过程中，采用 ＤＭＱＰＳＯ 算法得到的图像的分类精度更高，并且 ＱＰＳＯ 算法相比 Ｋ⁃Ｍｅａｎｓ 算法能找到更优的聚类中 心，为研究人员进一步研究遥感图像分类提供了理 论和实际参考价值。 但是其缺点是分类时间较长， 需要对算法进一步改进。 参考文献： ［１］蒋卫国， 陈强， 郭骥， 等． 基于 ＨＰＳＯ 和 ＦＣＭ 的多光谱 遥感图像湿地分类［ Ｊ］． 光谱学与光谱分析， ２０１０， ３０ （１２）： ３３２９⁃３３３３． ＪＩＡＮＧ Ｗｅｉｇｕｏ， ＣＨＥＮ Ｑｉａｎｇ， ＧＵＯ Ｊｉ， ｅｔ ａｌ． Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｗｅｔｌａｎｄｓ ｉｎ ｍｕｌｔｉｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｂａｓｅｄ ｏｎ ＨＰＳＯ ａｎｄ ＦＣＭ ［ Ｊ］． Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ， ２０１０， ３０（１２）： ３３２９⁃３３３３． ［２］ ＳＨＡＮＫＡＲ Ｂ Ｕ， ＭＥＨＥＲ Ｓ Ｋ， ＧＨＯＳＨ Ａ． Ｗａｖｅｌｅｔ⁃ｆｕｚｚｙ ｈｙｂｒｉｄｉｚａｔｉｏｎ： ｆｅａｔｕｒｅ⁃ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｌａｎｄ⁃ｃｏｖｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ［ Ｊ ］． Ａｐｐｌｉｅｄ Ｓｏｆｔ Ｃｏｍｐｕｔｉｎｇ， ２０１１， １１（３）： ２９９９⁃３０１１． ［３］董杰， 沈国杰． 一种基于模糊关联分类的遥感图像分类 方法［Ｊ］． 计算机研究与发展， ２０１２， ４９（７）： １５００⁃１５０６． ＤＯＮＧ Ｊｉｅ， ＳＨＥＮ Ｇｕｏｊｉｅ． Ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｆｕｚｚｙ ａｓｓｏｃｉａｔｉｖｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔ⁃ ｅｒ Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ， ２０１２， ４９（７）： １５００⁃１５０６． ［４］袁永福． 基于粒子群和互信息的高光谱图像波段选择和 分类 ［ Ｄ］． 西 安： 西 安 电 子 科 技 大 学， ２０１４： ６１⁃７３． ＹＵＡＮ Ｙｏｎｇｆｕ． Ｂａｎｄ ｓｅｌｅｃｔｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆｏｒ ｈｙｐｅｒ⁃ ｓｐｅｃｔｒａｌ ｉｍａｇｅ ｂａｓｅｄ ｏｎ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ａｎｄ ｍｕ⁃ ｔｕａｌ ｉｎｆｏｒｍａｔｉｏｎ［Ｄ］． Ｘｉ’ ａｎ： Ｘｉｄｉａｎ Ｕｎｉｖｅｒｓｉｔｙ， ２０１４： ６１⁃ ７３． ［５］ＵＩＡ Ｄ， ＭＵＮＯＺ⁃ＭＡＲＩ Ｊ， ＣＡＭＰＳ⁃ＶＡＬＬＳ Ｇ． Ｒｅｍｏｔｅ ｓｅｎｓ⁃ ｉｎｇ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｂｙ ａｃｔｉｖｅ ｑｕｅｒｉｅｓ［Ｊ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇ⁃ ｎｉｔｉｏｎ， ２０１２， ４５（６）： ２１８０⁃２１９２． ［６］ＡＧＲＡＷＡＬ Ｒ Ｋ， ＢＡＷＡＮＥ Ｎ Ｇ． Ｍｕｌｔｉｏｂｊｅｃｔｉｖｅ ＰＳＯ ｂａｓｅｄ ａｄａｐｔｉｏｎ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｏｐｏｌｏｇｙ ｆｏｒ ｐｉｘｅｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉｎ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅｒｙ ［ Ｊ］． Ａｐｐｌｉｅｄ Ｓｏｆｔ Ｃｏｍｐｕｔｉｎｇ， ２０１５， ２８： ２１７⁃２２５． ［７］ＳＵＮ Ｊｕｎ， ＦＥＮＧ Ｂｉｎ， ＸＵ Ｗｅｎｂｏ． Ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａ⁃ ｔｉｏｎ ｗｉｔｈ ｐａｒｔｉｃｌｅｓ ｈａｖｉｎｇ ｑｕａｎｔｕｍ ｂｅｈａｖｉｏｒ［Ｃ］ ／ ／ Ｃｏｎｇｒｅｓｓ ｏｎ Ｅｖｏｌｕｔｉｏｎａｒｙ Ｃｏｍｐｕｔａｔｉｏｎ． Ｐｏｒｔｌａｎｄ： ＩＥＥＥ， ２００４： ３２５⁃ ３３１． ［８］ ＣＯＥＬＨＯ Ｌ Ｓ． Ｎｏｖｅｌ ｇａｕｓｓｉａｎ ｑｕａｎｔｕｍ⁃ｂｅｈａｖｅｄ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｓｅｒ ａｐｐｌｉｅｄ ｔｏ ｅｌｅｃｔｒｏｍａｇｎｅｔｉｃ ｄｅｓｉｇｎ［ Ｊ］． ＩＥＴ Ｓｃｉｅｎｃｅ， Ｍｅａｓｕｒｅｍｅｎｔ ＆ Ｔｅｃｈｎｏｌｏｇｙ， ２００７， １（ ５）： ２９０⁃ ２９４． ［９］ＳＵＮ Ｊｕｎ， ＣＨＥＮ Ｗｅｉ， ＦＡＮＧ Ｗｅｉ， ｅｔ ａｌ． Ｇｅｎｅ ｅｘｐｒｅｓｓｉｏｎ ｄａｔａ ａｎａｌｙｓｉｓ ｗｉｔｈ ｔｈｅ ｃｌｕｓｔｅｒｉｎｇ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ａｎ ｉｍ⁃ ｐｒｏｖｅｄ ｑｕａｎｔｕｍ⁃ｂｅｈａｖｅｄ Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ ［ Ｊ］． Ｅｎｇｉｎｅｅｒｉｎｇ Ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ， ２０１２， ２５ （２）： ３７６⁃３９１． ［１０］ＳＵＮ Ｊｕｎ， ＷＵ Ｘｉａｏｊｕｎ， ＰＡＬＡＤＥ Ｖ， ｅｔ ａｌ． Ｃｏｎｖｅｒｇｅｎｃｅ ａ⁃ ｎａｌｙｓｉｓ ａｎｄ ｉｍｐｒｏｖｅｍｅｎｔｓ ｏｆ ｑｕａｎｔｕｍ⁃ｂｅｈａｖｅｄ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ［ Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅｓ， ２０１２， １９３： ８１⁃１０３． ［ １１ ］ ＵＲＳＥＭ Ｒ Ｋ． Ｄｉｖｅｒｓｉｔｙ⁃ｇｕｉｄｅｄ Ｅｖｏｌｕｔｉｏｎａｒｙ Ａｌｇｏｒｉｔｈｍ ［Ｍ］ ／ ／ ＧＵＥＲＶÓＳ Ｊ Ｊ Ｍ， ＡＤＡＭＩＤＩＳ Ｐ， ＢＥＹＥＲ Ｈ Ｇ， ｅｔ ａｌ． Ｐａｒａｌｌｅｌ Ｐｒｏｂｌｅｍ Ｓｏｌｖｉｎｇ ｆｒｏｍ Ｎａｔｕｒｅ ⁃ＰＰＳＮ ＶＩＩ． Ｂｅｒｌｉｎ Ｈｅｉｄｅｌｂｅｒｇ： Ｓｐｒｉｎｇｅｒ， ２００２， ２４３９： ４６２⁃４７１． ［１２］ＲＩＧＥＴ Ｊ， ＶＥＳＴＥＲＳＴＲＯＥＭ Ｊ Ｓ． Ａ Ｄｉｖｅｒｓｉｔｙ⁃ｇｕｉｄｅｄ ｐａｒｔｉ⁃ ｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚｅｒ⁃ｔｈｅ ＡＲＰＳＯ［Ｒ］． Ａａｒｈｕｓ： Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ， Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａａｒｈｕｓ， ２００２． 作者简介： 龙海侠，女，１９８０ 年生，副教授，博 士，主要研究方向为人工智能。 主持完 成海南省自然科学基金 ２ 项，主持完成 海南省高等科学研究项目 １ 项。 作为 第一完成人获得海南省科技进步奖三 等奖 １ 项。 发表学术论文 ２０ 余篇。 出 版专著 １ 部，教材 １ 部。 吴淑雷，女，１９７４ 年生，教授，主要 研究方向为视频、图像和地理信息等。 主持和完成国家自然科学基金、海南省 自然科学基金多项。 发表学术论文 ３０ 余篇。 出版专著 ２ 部，教材 １ 部。 ·９４２· 智 能 系 统 学 报 第 １０ 卷
