加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)在遙感影像分類中的應(yīng)用

胡永森，王 力，吳良才，黃 妮，付建東,3

（1.東華理工大學(xué) 測繪工程學(xué)院，江西 南昌 330013；2.中國科學(xué)院遙感與數(shù)字地球研究所 遙感科學(xué)國家重點實驗室，北京100101；3.流域生態(tài)與地理環(huán)境監(jiān)測國家測繪地理信息局重點實驗室，江西 南昌 330013）

加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)在遙感影像分類中的應(yīng)用

胡永森1,2,3，王 力2，吳良才1，黃 妮2，付建東1,3

（1.東華理工大學(xué) 測繪工程學(xué)院，江西 南昌 330013；2.中國科學(xué)院遙感與數(shù)字地球研究所 遙感科學(xué)國家重點實驗室，北京100101；3.流域生態(tài)與地理環(huán)境監(jiān)測國家測繪地理信息局重點實驗室，江西 南昌 330013）

在經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)框架支撐下，利用加權(quán)變異粒子群算法使神經(jīng)網(wǎng)絡(luò)的訓(xùn)練更加科學(xué)，同時也更好地發(fā)揮了粒子群算法的優(yōu)點，使其分類效果更加精準(zhǔn)。實驗后的分類結(jié)果表明，與改進(jìn)之前的BP神經(jīng)網(wǎng)絡(luò)相比，總體精度和Kappa系數(shù)分別提高了0．108 3和0．138 3；與支持向量機(jī)、最大似然及最小距離等分類方法進(jìn)行了對比，分類效果均優(yōu)于以上方法。加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)不僅可以實現(xiàn)遙感影像的高精度分類，對解決“同譜異物”和“異物同譜”現(xiàn)象也具有一定的作用。

粒子群算法；混合神經(jīng)網(wǎng)絡(luò)；加權(quán)；變異；分類

遙感圖像分類是遙感圖像信息處理研究中最基本也是最重要的問題之一，遙感圖像分類方法精度的提高直接影響著遙感技術(shù)的應(yīng)用和發(fā)展[1-2]。遙感影像的分類技術(shù)主要是根據(jù)地物反射的電磁波輻射信息在影像上的特征來識別地物的類屬及其分布情況[3]，而能否快速精確地實現(xiàn)計算機(jī)自動分類依靠的是分類算法[4]。在遙感影像分類的算法中，人工神經(jīng)網(wǎng)絡(luò)（artificial neural network． ANN）便是其中一種。作為新興的邊緣交叉學(xué)科，由于其在處理非線性信息上的優(yōu)勢，以及大規(guī)模并行和分布式存儲、處理，自組織和自學(xué)習(xí)的能力而受到越來越多研究人員的青睞[5-12]。在前人研究的基礎(chǔ)上，本研究進(jìn)一步探討了加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)在遙感影像分類中的可行性和精度，該研究為遙感影像的自動分類提供了一種新的思路和方法。

1 加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)算法

1.1 加權(quán)變異粒子群算法

粒子群的算法主要是針對全局，每一個粒子有自己的位置，粒子越多全局性越強(qiáng)[12-14]。模型的結(jié)合主要以神經(jīng)網(wǎng)絡(luò)模型為主，在模型參數(shù)確定的過程中，首先用粒子群算法去找到全局的最優(yōu)解，再利用BP神經(jīng)網(wǎng)絡(luò)中帶有動量因子的梯度下降算法去尋找局部最優(yōu)解。粒子群發(fā)揮的作用主要體現(xiàn)在：粒子群中每個粒子的空間位置數(shù)據(jù)為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的權(quán)值和閾值，粒子群算法計算適應(yīng)值的過程用神經(jīng)網(wǎng)絡(luò)計算誤差能量的過程代替，根據(jù)誤差能量的多少來確定粒子位置的個體最優(yōu)和全體最優(yōu)，然后再計算粒子的更新速度。

算法的改進(jìn)過程為：假設(shè)搜索空間是X維的，整個群體中有m個粒子，這些粒子都有自己的位置和速度，例如第k個粒子的位置向量為lk=（lk1，lk2，lk3，…，lkx），k=1,2,3,…,m；速度向量為vk=（vk1，vk2，vk3，…，vkx），k=1,2,3,…,m。假設(shè)第k個粒子迭代次數(shù)到第t次為止，搜索到的最優(yōu)位置為pk=（pk1，pk2，pk3，…，pkx），k=1,2,3,…,m。整個群體在第t次搜索到的最優(yōu)位置為pg=（pg1，pg2，pg3，…，pgx）。在第t次計算后粒子根據(jù)公式更新自己的速度，從而來完成位置的更新。則第(t+1)次速度更新公式為：

式中， k=1,2,3,…,m。vk(t+1)表示第k個粒子在t+1次迭代后的速度。

但是，根據(jù)對文獻(xiàn)的閱讀、資料的整理以及不斷的實驗發(fā)現(xiàn)，如果對粒子的初速度加上一個權(quán)值，會使粒子的訓(xùn)練結(jié)果更加科學(xué)，同時為初始速度后面的兩個改進(jìn)量加上一個隨機(jī)數(shù)，使其產(chǎn)生變異，以達(dá)到粒子群在龐大的數(shù)量優(yōu)勢基礎(chǔ)之上增加和維持群體的多樣性，使其全局搜索能力更強(qiáng)，產(chǎn)生更優(yōu)解的概率更大，同時減少早熟收斂的概率。所以在本文的粒子群模型中將速度的更新公式改為：

式中，c0為[0，1]之間的常數(shù)；r1、r2為[0，1]上均勻分布的隨機(jī)數(shù)[15]，對公式進(jìn)行加權(quán)和變異修正后通過實驗發(fā)現(xiàn)，訓(xùn)練結(jié)果雖然科學(xué)和精確了很多，但為了防止搜索過程中產(chǎn)生收斂震蕩，對公式再加上一個非負(fù)加速常數(shù)來改善其收斂速度，即

式中，c1、c2即為非負(fù)加速常數(shù)為[0，1]上均勻分布的隨機(jī)數(shù)。粒子位置更新公式則為：

式中，xk(t+1)表示第k個粒子在t+1次迭代后的位置。

算法中的速度在更新后有可能會出現(xiàn)不合理的速度量，把速度控制在一個有效的范圍內(nèi)，計算過程中根據(jù)經(jīng)驗值規(guī)定一個最小、最大速度-vmax、vmax。速度控制的公式為：

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是多層的感知器神經(jīng)網(wǎng)絡(luò)，采用的是誤差反向傳播學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括輸入層、隱含層、輸出層，其中隱含層可以是多個[16]。

BP算法的模型是數(shù)據(jù)通過輸入層輸入，與權(quán)值和閾值計算，在各個隱含層通過激勵函數(shù)計算輸出，隱含層輸出結(jié)果再與權(quán)值、閾值進(jìn)行計算，再到輸出層激勵函數(shù)計算，輸出計算結(jié)果。但是，輸出層計算輸出的結(jié)果要與真值進(jìn)行比較計算誤差，得到的誤差根據(jù)梯度下降算法進(jìn)行反向傳播，改正各個權(quán)值及閾值，最終輸出結(jié)果在滿足最大迭代次數(shù)后停止計算或者誤差能量小于設(shè)定的閾值時停止計算[17]。

1.3 加權(quán)變異粒子群算法與BP神經(jīng)網(wǎng)絡(luò)的結(jié)合

先用加權(quán)變異粒子群算法對神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行全局優(yōu)化，使其迅速搜索到局部最優(yōu)解的位置，再用BP神經(jīng)網(wǎng)絡(luò)的梯度下降算法在局部區(qū)域搜索解的優(yōu)勢，對全局參數(shù)進(jìn)行局部最優(yōu)化。

結(jié)合的關(guān)鍵是加權(quán)變異粒子群算法與BP神經(jīng)網(wǎng)絡(luò)的結(jié)合。具體的結(jié)合方法是首先依據(jù)實驗選擇合適的粒子個數(shù)，而每個粒子的初始位置和速度可以隨機(jī)生成。每個粒子的維度要根據(jù)神經(jīng)網(wǎng)絡(luò)模型的輸入層、輸出層和隱含層的神經(jīng)元個數(shù)來確定。每個粒子有且僅有一組神經(jīng)網(wǎng)絡(luò)模型計算過程中的權(quán)值和閾值參數(shù)，然后對每一個粒子進(jìn)行一次神經(jīng)網(wǎng)絡(luò)模型的計算，根據(jù)計算結(jié)果從中選出最優(yōu)的粒子作為群體最優(yōu)，并對結(jié)果進(jìn)行保存。計算出最優(yōu)粒子后，根據(jù)公式（3）初更新每個粒子的速度，再根據(jù)公式（4）完成位置的初更新，最終的更新都要根據(jù)粒子的速度、位置的最大最小值來完成。首次更新前，粒子個體的初始位置可以看成是個體的最優(yōu)位置。更新結(jié)束后再代入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行計算，重新更新群體最優(yōu)粒子、個體最優(yōu)粒子、個體位置和個體速度。對更新后的粒子進(jìn)行誤差能量計算時，誤差能量小則適應(yīng)值大，將此時粒子的位置標(biāo)記為個體最優(yōu)，如果誤差能量大，則不更新粒子的個體最優(yōu)位置。循環(huán)迭代，直到達(dá)到目的為止。具體的流程如圖1所示。

圖1 模型流程圖

2 基于加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類

2.1 數(shù)據(jù)源及分析方法

本文采用Landsat TM5多光譜影像作為源數(shù)據(jù)，該影像共有6個波段，空間分辨率為30 m。影像包含了豐富的地物類型，如林地、草地、耕地、沙地、裸地等。研究中分別采用BP神經(jīng)網(wǎng)絡(luò)、加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)、最小距離、最大似然、支持向量機(jī)等方法對遙感影像進(jìn)行分類，并通過計算混淆矩陣、總體分類精度和Kappa系數(shù)，定量對比分析了各方法的分類精度。影像數(shù)據(jù)分析采用ArcGIS10．1和ENVI5．1版本的軟件，并借助IDL5．3對ENVI5．1進(jìn)行了二次開發(fā)，以滿足文中加權(quán)變異粒子群算法與神經(jīng)網(wǎng)絡(luò)結(jié)合后分類的要求，最后利用Excle2013進(jìn)行精度統(tǒng)計分析。

2.2 不同方法分類結(jié)果分析

在原圖中可以發(fā)現(xiàn)林地和草地之間存在很多“同譜異物”現(xiàn)象，而山谷和山坡陰面的林地由于位置原因在原圖中顯示為“黑色”，與其他位置的林地存在著明顯的“同物異譜”現(xiàn)象（圖2a）。分析各分類圖結(jié)果可以發(fā)現(xiàn)（圖2b-f），有的分類結(jié)果中很多草地被錯分成了林地，有的林地則被分成了草地。而加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)（圖2c）在處理林地和草地之間的“同譜異物”現(xiàn)象時相對于其他方法有著明顯的優(yōu)勢。

在“同物異譜”現(xiàn)象中，雖然這些方法都對林地進(jìn)行了很好的分類，“黑色”林地也被正確分類（圖2b～f），為了處理這種情況，使得除了加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)之外的方法產(chǎn)生了紊亂，導(dǎo)致誤將附近的草地也認(rèn)為是林地，從而產(chǎn)生錯分現(xiàn)象。由于對粒子群算法中的粒子進(jìn)行了變異，產(chǎn)生了更多更優(yōu)的解，進(jìn)一步強(qiáng)化了其處理非線性問題的優(yōu)勢，在處理“同物異譜”和“同譜異物”現(xiàn)象時表現(xiàn)出了較好的效果。

圖2 不同分類結(jié)果對比圖

在其他地物的分類中，從全局來看加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)分出的影像孤立點較少，各地物空間上的連續(xù)性強(qiáng)、破碎度低。相對于改進(jìn)前的BP神經(jīng)網(wǎng)絡(luò)，在裸地的錯分中可以證實這一點，說明改進(jìn)后的方法對神經(jīng)網(wǎng)絡(luò)在尋找最優(yōu)解時的早熟收斂現(xiàn)象有了很大的改善。而最小距離、最大似然和支持向量機(jī)等方法由于地物類別的錯分，比如支持向量機(jī)在裸地和草地之間的誤分（圖2f），最大似然在耕地和林地之間的誤分（圖2e）等雖然是小地塊的錯分，但導(dǎo)致了影像的最終分類結(jié)果破碎度高。

2.3 不同方法分類精度的對比分析

對影像進(jìn)行分類后，在對應(yīng)的高分影像上選取一定驗證樣本對分類結(jié)果進(jìn)行驗證，得到各分類方法驗證樣本的混淆矩陣，如表1～表5所示。

表1 BP神經(jīng)網(wǎng)絡(luò)分類混淆矩陣

表2 加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)分類混淆矩陣

表3 最小距離分類混淆矩陣

表4 最大似然分類混淆矩陣

表 5 支持向量機(jī)分類混淆矩陣

采用總體分類精度和Kappa系數(shù)作為分類結(jié)果精度的評價標(biāo)準(zhǔn)[18,19]，由混淆矩陣可以得出各分類方法的總體精度和Kappa系數(shù)，如表6所示。

表6 總體分類精度和Kappa系數(shù)

觀察各個分類方法的混淆矩陣，加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)（表2）中有297個草地驗證像元被正確分類，僅有25個像元被錯分到了林地；林地驗證像元中，415個被正確分類，只有26個其他地物被錯分到林地，在各分類方法中均處于最優(yōu)，再次驗證了該方法在處理“同譜異物”和“同物異譜”問題中的優(yōu)勢。

在裸地的分類中，BP神經(jīng)網(wǎng)絡(luò)有400個像元被正確分類，剩余142個像元被錯分到其他類別；而改進(jìn)后的加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)只有22個像元被錯分，其余520個像元均為正確分類，改進(jìn)效果明顯。對比其他幾種分類方法在裸地中的分類效果可以發(fā)現(xiàn)，最小距離有460個像元被正確分類，最大似然法有500 個像元被正確分類，支持向量機(jī)有492個像元被正確分類，雖然效果都不錯，但均不如加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)精準(zhǔn)。

在沙地的分類中，由于沙地的反射率較其他地物有明顯差異，故沙地的解譯標(biāo)志明顯，光譜特征突出。這種特征提高了加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和分類效率，使得沙地的251個驗證像元全部被正確分類，其他地物錯分到沙地的像元也較少，僅有5個。BP神經(jīng)網(wǎng)絡(luò)、最小距離、最大似然、支持向量機(jī)等方法的分類中，不僅沙地驗證像元有錯分現(xiàn)象，其他地物錯分為沙地的像元也較多，分類結(jié)果的破碎度也較高。在耕地分類中，加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)的混淆矩陣中被錯分的像元數(shù)目以及其他地物錯分到耕地的像元都是較少的，說明該方法的自組織學(xué)習(xí)能力強(qiáng)于其他方法。

總體來看，改進(jìn)后的加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)模型相比改進(jìn)前的BP神經(jīng)網(wǎng)絡(luò)模型的總體精度和Kappa系數(shù)分別高出0．108 3和0．138 3，同時對比最小距離、最大似然、支持向量機(jī)等分類方法也具有一定優(yōu)勢。

3 結(jié) 語

根據(jù)分類的數(shù)理統(tǒng)計結(jié)果和分類后圖像的對比結(jié)果可以看出，加權(quán)變異粒子群BP神經(jīng)網(wǎng)絡(luò)相比其他方法都具有先進(jìn)性和優(yōu)勢，從對比中可以看出加權(quán)變異粒子群BP模型在圖像分類中優(yōu)于最小距離、最大似然及支持向量機(jī)等監(jiān)督分類算法。雖然本文提出的方法總體精度和Kappa系數(shù)都很高，但圖上仍然有很多錯分的現(xiàn)象，如何避免錯分并進(jìn)一步提高分類精度仍需要后續(xù)研究[12]；同時模型中的參數(shù)較多且都為經(jīng)驗值，不能自動化進(jìn)行，對如何減少人工干預(yù)、實現(xiàn)自動化參數(shù)設(shè)置還需要進(jìn)一步探討。

[1] 金亞秋．空間微波遙感數(shù)據(jù)驗證理論與方法[M]．北京:科學(xué)出版社,2005

[2] 楊紅磊．EM算法研究及其遙感分類應(yīng)用[D]．北京:中國地質(zhì)大學(xué),2009

[3] 羅小波．遙感圖像智能分類及其應(yīng)用[M]．北京:電子工業(yè)出版社,2011

[4] 楊希．基于神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像分類研究[D]．成都:西南交通大學(xué),2009

[5] CARPENTER G A,GROSSBERG S． A Massively Parallel Architecture for a Self-organizing NeuralPattern Recognition Machine [J]． Computer Vision Graphics and Image Processing．1987,37(1):54-115

[6] BAGAN H．Dimension Reduction of Self-organized Neural NetWork Classification for Multi-Band Satellite Data[J]．Editorial Board of Geomatics and Information Science of Wuhan University,2004,29(5):461-465

[7] 盧柳葉,張青峰,李光錄．基于BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究[J]．測繪科學(xué),2012,37(6):140-143

[8] 劉旭升,張曉麗．基于BP神經(jīng)網(wǎng)絡(luò)的森林植被遙感分類研究[J]．林業(yè)資源管理,2005(1):51-54

[9] 毛健,趙紅東,姚婧婧．人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J]．電子設(shè)計工程,2011,19(24):62-65

[10] 卜曉波,龔珍,黎華,等．基于遺傳算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究[J]．安徽農(nóng)業(yè)科學(xué),2013,41(33):13 056-13 058

[11] 徐小慧,張安,端木京順,等．基于粒子群分類器的遙感圖像目標(biāo)識別[J]．紅外激光工程,2007,36(4):551-554

[12] KRINK T,VESTERSTROM JS,RIGET J．Particle Swarm Optimization with Spatial Extension[C]//Procccdings of the 2002 Congress on Evolutionary Computation．Piscataway:NJ IEEE Press ,2002

[13] 劉衍民．粒子群算法的研究及應(yīng)用[D]．濟(jì)南:山東師范大學(xué),2011

[14] 尹淑玲,舒寧,劉新華．基于自適應(yīng)遺傳算法和改進(jìn)BP算法的遙感影像分類[J]． 武漢大學(xué)學(xué)報（信息科學(xué)版）,2007,32(3):201-204

[15] 盧柳葉,張青峰,李光錄．基于BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究[J]．測繪科學(xué),2012,37(6):140-143

[16] 劉天舒． BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)研究及應(yīng)用[D]．哈爾濱:東北農(nóng)業(yè)大學(xué),2011

[17] 劉旭攏,何春陽,潘耀忠,等．遙感圖像分類精度的點、群樣本檢驗與評估[J]．遙感學(xué)報,2006,10(3):366-372

[18] 鄭明國,蔡強(qiáng)國,秦明周,等．一種遙感分類精度檢驗的新方法[J]．遙感學(xué)報,2006,10(1):39-48

[19] 董元,王勇,易克初．粒子群優(yōu)化算法發(fā)展綜述[J]．商洛學(xué)院學(xué)報,2006,20(4):28-33

P237

B

1672-4623（2016）12-0037-04

10.3969/j.issn.1672-4623.2016.12.013

胡永森，碩士研究生，主要是從事資源遙感研究。

2016-09-08。

項目來源：國家科技重大專項資助項目(14CNIC-032079-32-02)；國家高技術(shù)研究發(fā)展計劃資助項目（2014AA06A511）；國家自然科學(xué)基金資助項目（41371358）。