基于混沌杜鹃搜索算法的高光谱影像波段选择和半监督分类

发布时间：2020-08-26 03:13

【摘要】：成像光谱仪的发展推进了高光谱遥感时代的到来,为遥感科学技术领域提供了新的研究方向。高光谱遥感影像具有“图谱合一”的特点,且其光谱波段多可在某一光谱范围内连续成像,结合较高的光谱分辨率可为地物目标提高连续的、精细的光谱曲线,为高光谱遥感实现地物精细探测提供了基础。然而高光谱遥感影像丰富的空间、光谱、辐射信息也给遥感影像的处理带来了困难和挑战,如高光谱遥感影像波段数多、波段间相关性强,易造成“维度灾害”而导致目标地物的识别率和分类精度低等问题,因此,如何对高光谱遥感影像进行降维,提高影像的分类精度便具有重要意义。针对高光谱遥感影像波段选择过程中搜索策略的选择问题,提出一种混沌杜鹃搜索算法,该算法充分运用混沌映射和杜鹃搜索算法的搜索特性,首先利用杜鹃搜索算法对种群进行全部优化,获得几组较优解;然后采用混沌映射对其进行随机扰动,快速获取最优解。实验结果表明该算法与遗传算法、粒子群算法和基本杜鹃搜索算法相比搜索能力更强,改善了传统的全局搜索算法易陷入局部极值的问题。针对高光谱遥感影像波段数多、波段间相关性强的问题,将提出的混沌杜鹃搜索算法应用于高光谱遥感影像的波段选择中。将高光谱遥感影像的波段选择问题抽象成杜鹃鸟巢寄生繁殖时对宿主鸟巢位置进行搜索的过程,利用杜鹃搜索算法较强的全局搜索能力和混沌映射收敛速度快且避免陷入局部极值的特点,对高光谱遥感影像进行波段选择。首先,对高光谱遥感影像进行不固定波段数的随机选择,以此缩小目标波段数范围,然后在此范围内根据“hughes”现象确定影像分类精度最高时对应的目标波段数,最后进行固定波段数的波段子集选择。实验结果表明,该算法最终所选的波段数较原始波段减少了近98%的特征数,且获得了较高的分类精度,在高光谱遥感影像的波段选择中具有普适性。针对高光谱遥感影像分类过程中,客观因素导致的标记样本数量少,从而引起影像分类精度不高的问题,提出一种空谱信息结合的tri-training半监督分类方法。将高光谱遥感影像的空间邻域信息和光谱角距离SAM引入标准tri-training协同训练过程中,通过标记样本的8邻域信息及其与未标记样本的光谱角距离SAM进行未标记样本的二次筛选,以三个随机森林基分类器进行集成分类。实验结果表明,结合空谱信息的选择策略添加的未标记样本置信度准确,大大提高了分类器的泛化能力,提高了影像的分类精度。
【学位授予单位】：武汉大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：P237
【图文】：

杜鹃,搜索算法,鸟巢,主要步骤

段选择实验。混沌杜鹃搜索算法的基本思想为：在一次迭代更新鸟巢位置过程中，逡逑首先利用杜鹃搜索算法对种群进行全部优化，获得几组较优解；然后采用混沌映逡逑射对其进行随机扰动，快速获取最优解。混沌杜鹃搜索算法的整体流程如下图３－逡逑１所示：逡逑２４逡逑

影像图,杜鹃,搜索算法,波段

去除噪声波段和水吸收波段后，共有１９１个波段。根据该实验区的真实地物报告，逡逑选取七类典型地物进行样本点的提取，并设置训练样本／测试样本比例为５０％／５０％逡逑进行实验。ＨＹＤＩＣＥ邋Ｗａｓｈｉｎｇｔｏｎ邋ＤＣ邋Ｍａｌｌ数据的假彩色影像如图３－２所示。逡逑ｍｍ逡逑图３－２邋ＨＹＤＩＣＥ邋Ｗａｓｈｉｎｇｔｏｎ邋ＤＣ邋Ｍａｌｌ数据的假彩色影像图逡逑首先对该影像进行不固定波段数的随机选择，图３－３为目标函数值随迭代次逡逑数的变化曲线图，图中遗传算法、粒子群算法和杜鹃搜索算法的变化曲线相近，逡逑混沌杜鹃搜索算法较其他三种算法目标函数值更高，所选波段数也更少，同时混逡逑沌杜鹃搜索算法曲线的变化幅度较其他三种算法更大，表明混沌杜鹃搜索算法的逡逑搜索范围更大，搜索能力更强。表３－１为不同算法迭代终止时目标函数值、总体逡逑分类精度、所选波段数和运行时间的比较，表中数据可看出混沌杜鹃搜索算法较逡逑其他三种算法优化性能更好，较遗传算法、粒子群算法运行时间虽较长，但目标逡逑函数值和总体分类精度更高

曲线图,迭代次数,目标波,波段选择

数的实验结果为基础，缩小目标波段数范围为１－２６，然后在该范围内分别固定波逡逑段数为１，２，…，２６进行混沌杜鹃搜索算法的波段选择实验，根据目标函数值的变逡逑化从而确定最终所选波段数，实验结果如图３－４所示。逡逑２７逡逑

【参考文献】