基于自适应PSO的人工免疫网络的遥感图像目标识别方法

摘要

本发明公开了一种基于自适应PSO的人工免疫网络遥感图像目标识别方法，主要克服现有方法目标识别精度不高，收敛速度较慢的缺点。其实现步骤为：(1)提取图像目标的7个不变矩特征，并对这些特征数据作归一化处理；(2)设定运行参数，选择训练样本，初始化免疫网络和免疫细胞；(3)计算免疫细胞的亲和度，并克隆；(4)执行基于自适应PSO的超变异操作；(5)选出亲和度最高的免疫细胞添加到免疫网络；(6)网络抑制操作；(7)判断停止条件，满足转(8)，否则跳到(3)；(8)将未作为训练样本的遥感图像的特征值输入免疫网络，由免疫网络判断出每幅图像的类别属性值。该方法具有目标识别精度高，目标识别性能稳定的优点，可用于解决遥感图像集的目标识别问题。

说明书

技术领域

本发明属于图像处理技术领域，涉及遥感图像目标识别方法，该方法可用于遥感图像集的检测与识别问题。

背景技术

遥感及其信息处理技术在目标识别定位、实时跟踪、预警、电子对抗等高科技对抗中已经起到了关键作用。遥感图像分类识别是遥感图像信息处理技术的一个分支，分类识别过程就是将图像像素归到某一个类中去的过程，这里的“类”的概念可以是图像中的某种地物，地貌或者相同地物的不同状态，一旦一个目标被分到某一个类就可以更精确和方便的分析它的具体性质。

利用遥感图像可对森林资源进行分类，而且，对研究区域的成矿条件和找矿具有一定的指导作用，在海洋应用中可以提取浅海地形，进行船泊的辩识和分类，另外，可用于水资源调查，具有较为广泛的应用前景。

与遥感图像获取相对成熟的技术相比，目前对遥感图像智能感知和解译的研究处在初级阶段。目前用于解决遥感图像目标识别主要有两种方法。

第一种是基于支撑矢量机的遥感图像目标识别方法。该方法首先提取遥感图像的7维不变矩特征，然后从各个类别中选取部分训练样本输入到支撑矢量机训练，最后对剩余样本识别分类。该方法存在的不足是部分参数对识别过程影响很大，且这种基于统计学的支撑矢量机算法处理复杂问题的能力有限，导致目标识别结果不理想。

第二种是基于遗传算法的遥感图像目标识别方法。该方法首先提取遥感图像的7维不变特征，然后从各个类别中选取部分训练样本输入到遗传算法训练，最后对剩余样本识别分类。该方法的不足是初始种群的选择对识别结果影响很大，且这种遗传算法的全局搜索能力有限，导致识别结果不是很理想。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于自适应PSO的人工免疫网络的遥感图像目标识别方法，它利用人工免疫网络算法与粒子群全局优化算法的快速的全局收敛性，设计一种用于提高遥感图像目标识别能力的有监督分类方法。

本发明的技术方案是将遥感图像集目标识别问题看作不同类别数据的分类问题。用人工免疫网络算法计算搜索的最佳聚类中心作为网络节点。利用基于自适应PSO的人工免疫网络算法的快速全局收敛性，搜索问题的最优解。具体包括过程如下：

(1)提取图像目标的7个不变矩特征，并对这些特征数据作归一化处理；

(2)设定运行参数，选择训练样本，初始化免疫网络和免疫细胞；

(3)用统计免疫细胞对训练样本的正确识别率的方法，计算所有免疫细胞的亲合度，克隆免疫细胞；

(4)对克隆后的免疫细胞群体执行如下基于自适应PSO的超变异操作：

4a)设置免疫细胞的各维初始速度：

V(i，j)＝rand*pm*|MC(i，j)-train(k，j)|*(MC(i，j)-train(k，j))

其中，p_m为变异概率，MC(i，j)表示第i个免疫细胞的第j维元素，train(k，j))表示随机选取的训练样本的j维元素，

4b)根据设置的初始速度执行基于自适应PSO的变异操作，得到变异后的免疫细胞：

MC′(i，j)＝MC(i，j)+W(i)*V(i，j)+r₁*rand*exp(-f(i))+r₂*rand*(gBest(j)-MC(i，j))

其中，f(i)表示第i个免疫细胞的亲和度值，gBest是全局极值，它表示当代种群中亲和度最高的免疫细胞，r₁为局部学习参数、r₂为全局学习参数，它们的取值之和为1，w是自适应惯性权值，

$w=\left(\begin{array}{cc}{w}_{\max }& f>f_{\mathrm{avg}}\\ w_{\min }+\frac{(w_{\max }-w_{\min })\left({f-f}_{\min }\right)}{f_{\mathrm{avg}}-f_{\min }}& f\le f_{\mathrm{avg}}\end{array}\right)$

其中，w_max＝0.9，w_min＝0.4，f表示当前免疫细胞的亲和度值，f_avg表示所有免疫细胞亲和度的平均值，f_min表示所有免疫细胞亲和度的最小值；

(5)用统计免疫细胞对训练样本的正确识别率的方法，计算超变异后的免疫细胞群体的亲合度，并对该超变异后的免疫细胞群体执行克隆选择操作，选出亲和度最高的免疫细胞添加到免疫网络中；

(6)选出免疫网络中部分亲和度值最低以及未能提高免疫网络对训练样本正确识别率的免疫细胞，并让它们死亡；

(7)从免疫网络中选出亲和度值最高的免疫细胞，并判断它的亲和度值在迭代10次内有无变化，如果没有变化则继续执行(8)，否则，跳到第(3)步；

(8)将未作为训练样本的遥感图像的特征值输入免疫网络，免疫网络判断出每幅图像的类别属性值。

本发明由于在提取了遥感图像的7维不变矩特征之后，作了后续处理，使得该特征具有旋转、平移和伸缩不变性，从而使得同一类别的不同旋转角度、不同平移尺度以及不同缩放大小的遥感图像具有类似的特征值；同时本发明使用基于自适应PSO的人工免疫网络算法来寻找最佳聚类中心，由于该算法具有快速的收敛速度以及强大的全局搜索能力，从而获得了较快的识别速度以及较好的遥感图像目标识别效果。

附图说明

图1为本发明的遥感图像目标识别过程图；

图2为本发明仿真实验所使用的待分类检测遥感图像。

具体实施方式

参照图1，本发明包括如下过程：

过程1，提取图像目标的7个不变矩特征，并对这些特征数据作归一化处理。

1.1)为使特征值具有旋转和平移不变性，按如下公式提取图像目标的不变矩特征：

M₁＝(u₂₀+u₀₂)

$M_2={(u_{20}-u_{02})}^2+{4u}_{11}^2$

M₃＝(u₃₀-3u₁₂)²+(3u₂₁-u₀₃)²

M₄＝(u₃₀+u₁₂)²+(u₂₁+u₀₃)²

M₅＝(u₃₀+u₁₂)(u₃₀-3u₁₂)[(u₃₀+u₁₂)²-3(u₂₁+u₀₃)²]

+(3u₂₁-u₀₃)(u₂₁+u₀₃)[3(u₃₀+u₁₂)²-(u₂₁+u₀₃)²]

M₆＝(u₂₀-u₀₂)[(u₃₀+u₁₂)²-(u₂₁+u₀₃)²]+4u₁₁(u₃₀+u₁₂)(u₂₁+u₀₃)

M₇＝(3u₂₁-u₀₃)(u₃₀+u₁₂)[(u₃₀+u₁₂)²-3(u₂₁+u₀₃)²]

-(u₃₀-3u₁₂)(u₂₁+u₀₃)[3(u₃₀+u₁₂)²-(u₂₁+u₀₃)²]

其中，M₁～M₇分别表示7个不变矩特征，u_pq表示图像的(p+q)中心矩，p和q为整数，p，q∈[0，3]，中心矩的取值为$u_{\mathrm{pq}}=\underset{x}{\Sigma }\underset{y}{\Sigma }{(x-\bar{x})}^p{(y-\bar{y})}^{q}f(x,y),$其中x表示像素的横坐标，y表示像素的纵坐标，x表示图像中所有像素横坐标的平均值，y表示所有纵坐标的平均值，f(x，y)表示位于(x，y)位置上的像素的灰度值；

1.2)为使特征值具有尺度不变性，对不变矩特征按如下公式进行处理，但不限于这些公式：

M′₁＝M₁/P；

M′₂＝M₂/r²；

M′₃＝M₃/r³；

M′₄＝M₄/r²；

M′₅＝M₅/r⁶；

M′₆＝M₆/r⁴；

M′₇＝M₇/r⁶；

其中，M′₁～M′₇为处理后的特征值，P为图像所包含的像素个数，r＝(u₂₀+u₀₂)；

1.3)对提取的特征数据作归一化处理。

过程2，设定运行参数，选择训练样本，初始化免疫网络和免疫细胞。设定的运行参数包括初始免疫细胞的规模num、变异概率p_m、克隆规模pclone、数据的维数N以及分类类别数C；训练样本从每个类别的样本中随机选取；初始免疫细胞群体用B(k)表示，其中，k为进化的代数，k＝0，初始免疫网络为空。

过程3，计算免疫细胞的亲和度，并克隆。按照公式$f\left(B_i\right)=\frac{1}{K}\underset{j=1}{\overset{C}{\Sigma }}{\mathrm{pr}}_{\mathrm{ij}}$计算免疫细胞的亲和度值，其中，B_i表示第i个免疫细胞，K为所有类别训练样本的个数，C为分类的类别数，Pr_ij表示B_i对第j类训练样本的正确识别个数；隆规模pclone与亲和度f(B_i)大小成正比。

过程4，执行基于自适应PSO的超变异操作。对克隆后的免疫细胞群体执行如下基于自适应PSO的超变异操作：

4a)设置免疫细胞的各维初始速度：

V(i，j)＝rand*pm*|MC(i，j)-train(k，j)|*(MC(i，j)-train(k，j))

其中，p_m为变异概率，MC(i，j)表示第i个免疫细胞的第j维元素，train(k，j)表示随机选取的训练样本的j维元素，

4b)根据设置的初始速度执行基于自适应PSO的变异操作，得到变异后的免疫细胞：

MC′(i，j)＝MC(i，j)+W(i)*V(i，j)+r₁*rand*exp(-f(i))+r₂*rand*(gBest(j)-MC(i，j))

其中，f(i)表示第i个免疫细胞的亲和度值，gBest是全局极值，它表示当代种群中亲和度最高的免疫细胞，r₁为局部学习参数、r₂为全局学习参数，它们的取值之和为1，w是自适应惯性权值，

$w=\left(\begin{array}{cc}{w}_{\max }& f>f_{\mathrm{avg}}\\ w_{\min }+\frac{(w_{\max }-w_{\min })\left({f-f}_{\min }\right)}{f_{\mathrm{avg}}-f_{\min }}& f\le f_{\mathrm{avg}}\end{array}\right)$

其中，w_max＝0.9，w_min＝0.4，f表示当前免疫细胞的亲和度值，f_avg表示所有免疫细胞亲和度的平均值，f_min表示所有免疫细胞亲和度的最小值；

过程5，选出亲和度最高的免疫细胞添加到免疫网络。按照公式$f\left(B_i\right)=\frac{1}{K}\underset{j=1}{\overset{C}{\Sigma }}{\mathrm{pr}}_{\mathrm{ij}},$计算超变异后的免疫细胞群体的亲合度值，并对该超变异后的免疫细胞群体执行克隆选择操作，选出亲和度最高的免疫细胞添加到免疫网络中；

过程6，网络抑制操作。选出免疫网络中部分亲和度值最低以及未能提高免疫网络对训练样本正确识别率的免疫细胞，并让它们死亡；

过程7，判断停止条件。从免疫网络中选出亲和度值最高的免疫细胞，并判断它的亲和度值在迭代10次内有无变化，如果没有变化则免疫网络训练完成，否则，继续训练免疫网络。

通过以上过程2～7实现对免疫网络的训练。

过程8，将未作为训练样本的遥感图像的特征值输入免疫网络，由免疫网络判断出每幅图像的类别属性值。

本发明的效果可通过以下仿真实验进一步说明：

1.仿真条件：

为了验证基于自适应PSO的人工免疫网络遥感图像分类方法的优越性，我们将其与基于人工免疫网络的遥感图像分类方法，以及基于PSO的人工免疫网络遥感图像分类方法通过仿真实验进行了比较。仿真实验中个算法参数的设置完全一样：变异概率pm＝0.5，克隆规模pclone＝10，最大迭代次数为100，停止条件为当最优个体的亲和度为1或者最优个体的亲和度在10代以内没有变化。

在CPU为core2 2.4HZ、内存2G、WINDOWS XP系统上使用MATLAB进行了仿真。

2.仿真内容：

选择附图2中的实测遥感图像作为测试图像，每幅图像仅包含目标与背景。整个图像集包括各种目标不同旋转角度、不同尺度以及残缺不全的图像共1064幅，其中飞机类608幅，舰船类456幅。经目测，其中飞机类分成9类，舰船类分成4类；训练样本选择为：飞机类160，舰船类为120，其余的为测试样本。

3.仿真结果分析：

表1给出了各方法的目标识别结果，其中，AINC表示基于人工免疫网络的遥感图像目标识别方法，PSOAINC表示基于PSO的人工免疫网络遥感图像目标识别方法。

表1三种不同方法对目标的识别结果

  目标识别方法  目标识别精度/％  标准方差  运行时间  AINC  91.2  14.2  1.22  PSOAINC  91.5  14.8  1.04  本发明方法  92.7  7.7  1

从表1中可以看出，本发明方法在所有的3项评价指标(目标识别精度、标准方差和运行时间)上都是最优的，其中运行时间是以本发明的运行时间作为一个单位时间。因此，基于自适应PSO的人工免疫网络遥感图像目标识别方法具有更高的目标识别精度、更稳定的目标识别性能以及更快的收敛速度。