基于粒子群分类器的遥感图像目标识别

第３６卷第４期

Ｖｏｌ．３６Ｎｏ．４

红外与激光工程

ＩｎｆｒａｒｅｄａｎｄＬａｓｅｒＥｎｇｉｎｅｅｒｉｎｇ

２００７年８月Ａｕｇ．２００７

基于粒子群分类器的遥感图像目标识别

徐小慧１，张安１，端木京顺２，郝秦霞

３

（１．西北工业大学电子信息学院，陕西西安７１００７２；２．空军工程大学工程学院，陕西西安７１００３８；

３．西安科技大学通信与信息工程学院，陕西西安７１００５４）

摘

要：设计了一种用于遥感图像目标识别的粒子群分类算法。首先对数据样本预处理，利用

粒子群优化算法通过训练数据进行分类规则的提取，根据提取得到的规则对遥感图像的目标进行分类识别。通过对实测遥感图像中飞机和舰船目标的识别实验，验证了此算法对遥感图像目标具有较高的识别率。

关键词：遥感图像；中图分类号：ＴＰ３９１

目标识别；

分类器；

粒子群优化

文章编号：１００７－２２７６（２００７）０４－０５５１－０４

文献标识码：Ａ

Ｒｅｍｏｔｅｓｅｎｓｉｎｇｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｐａｒｔｉｃｌｅｓｗａｒｍｃｌａｓｓｉｆｉｅｒ

ＸＵＸｉａｏ!ｈｕｉ１，ＺＨＡＮＧＡｎ１，ＤＵＡＮＭＵＪｉｎｇ!ｓｈｕｎ２，ＨＡＯＱＩＮ!ｘｉａ３

（１．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃａｎｄＩｎｆｏｒｍａｔｉｏｎ，ＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ′ａｎ７１００７２，Ｃｈｉｎａ；

２．ＥｎｇｉｎｅｅｒｉｎｇＣｏｌｌｅｇｅ，ＡｉｒｆｏｒｃｅＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｘｉ′ａｎ７１００３８，Ｃｈｉｎａ；

３．ＳｃｈｏｏｌｏｆＣｏｍｍｕｎｉｃａｔｉｏｎａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，Ｘｉ′ａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｘｉ′ａｎ７１００５４，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｔｈｅｐａｒｔｉｃｌｅｓｗａｒｍｃｌａｓｓｉｆｉｅｒｉｓｄｅｓｉｇｎｅｄｆｏｒｒａｄａｒｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎｉｎｒｅｍｏｔｅｉｍａｇｅｓ．Ａｆｔｅｒｔｈｅｄａｔａｐｒｅｔｒｅａｍｅｎｔ，ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｕｌｅｓａｒｅｅｘｔｒａｃｔｅｄｂｙｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｕｓｉｎｇｔｒａｉｎｉｎｇｓａｍｐｌｅｓ，ａｎｄｔｈｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｔａｒｇｅｔｉｓｒｅｃｏｇｎｉｚｅｄａｆｔｅｒｗａｒｄｓｂｙｕｓｉｎｇｔｈｅｒｕｌｅｓ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｎｔｈｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｄａｔａｏｆａｉｒｐｌａｎｅｓａｎｄｗａｒｓｈｉｐｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｈａｓａｈｉｇｈｅｒｐｅｒｆｏｒｍａｎｃｅｉｎｒｅｃｏｇｎｉｚｉｎｇｒｅｍｏｔｅｓｅｎｓｉｎｇｔａｒｇｅｔ．

Ｋｅｙｗｏｒｄｓ：Ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅ；

Ｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎ；

Ｃｌａｓｓｉｆｉｅｒ；

Ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ

０引言

遥感及其信息处理技术在军事目标识别定位、实时跟踪、军事预警、电子对抗等高科技军事对抗中已经起到了关键作用。例如，根据可见光、红外以及雷达图像全天时、全天候地获取敌方图像，通过遥感信息处理来识别重要军事目标，评估战场动态信息等［１－４］。

粒子群优化算法（ＰＳＯ）是由Ｋｅｎｎｅｄｙ和Ｅｂｅｒｈａｒｔ于１９９５年提出的一种基于群智能的演化计算技术［５］。其优点在于流程简单易实现，算法参数简洁，无需复

杂的调整，因此，在短短１０年内，它被迅速地应用于函数优化、神经网络训练、模糊系统控制、数据聚类等领域。设计了一种用于遥感图像目标识别的粒子群分类器，并对此算法的收敛性进行了分析。通过对舰船和飞机目标的实测遥感图像数据的识别实验，验证了此算法对遥感图像目标具有较高的识别率。

１粒子群优化

粒子群算法将每个个体看作是Ｄ维搜索空间中的一个没有体积、质量的粒子，在搜索空间中以一定

收稿日期：２００６－１０－２０；修订日期：２００６－１２－１０

基金项目：高等学校博士学科点专项科研基金资助项目（２００６０６９９０２６）；航空基础科学基金资助项目（０５Ｄ５３０２１）

作者简介：徐小慧（１９７６－），男，浙江江山人，博士生，研究方向为先进控制理论与应用，智能化指挥与控制工程。Ｅｍａｉｌ：ｌｉｔｔｌｅｄｏｇｋｇｙａｆ＠１６３．ｃｏｍ导师简介：张安（１９６２－），男，陕西宝鸡人，教授，博士生导师，研究方向为先进控制理论与应用，智能化指挥与控制工程，航空武器火力控制

新原理，复杂系统建模、仿真与效能评估等。Ｅｍａｉｌ：ｚｈａｎｇａｎ＠ｎｗｐｕ．ｅｄｕ．ｃｎ

５５２

红外与激光工程第３６卷

的速度飞行，并根据对个体和集体的飞行经验的综合分析来动态调整这个速度。设群体中第ｉ个粒子为Ｘｉ

且粒子群算法中的维度为一定范围内的实数。为此，引入了一种适用于粒子群算法的分类规则编码方案。

粒子群分类规则编码以每个粒子表示一条规则，规则集对应某个粒子群。每个粒子由不同的维度组成，数据集中每个特征属性对应粒子的不同维度值。数据集中的类别属性也对应粒子的一个维度值，但不因此，参与粒子间的信息交换，属于粒子的恒定属性。分类规则与粒子建立一一对应关系。

采用这种编码规则，粒子每个维度表达了不同的含义，可以方便地进行粒子群算法的粒子位置更新操作，同时也满足了粒子间不同维度进行信息交换的独立性要求。

＝（ｘｉ１，ｘｉ２，…，ｘｉＤ），它经历过的最佳位置为ｐｉ＝（ｐｉｌ，ｐｉ２，…，ｐｉＤ）。当前组成群体的所有粒子经历过的最佳位置为ｐｇｂｅｓｔ＝（ｐｇｂｅｓｔ１，ｐｇｂｅｓｔ２，…，ｐｇｂｅｓｔＤ）。粒子ｉ的速度用Ｖｉ＝（ｖｉ１，ｖｉ２，…，ｖｉＤ）表示。对每一次迭代，粒子ｉ在ｄ维（１≤ｄ≤Ｄ）空间的运动遵循如下方程：

ｖｉｄ＝ｖｉｄ＋ｃ１×ｒ１×（ｐｉｄ－ｘｉｄ）＋ｃ２×ｒ２×（ｐｇｂｅｓｔｄ－ｘｉｄ）（１）

ｘｉｄ＝ｘｉｄ＋ｖｉｄｉ＝１，２，…ｎ，ｄ＝１，２，…Ｄ

ｋ＋１

ｋ

ｋ

ｋ＋１ｋｋｋｋ

（２）

式中：ｃ１和ｃ２为加速常数，它们使每个粒子向ｐｂｅｓｔ和

ｐｇｂｅｓｔ位置加速运动；ｒ１，ｒ２为［０，１］范围内的随机数。此外，粒子的速度Ｖｉ被一最大速度Ｖｍａｘ所限制。如果当前对粒子的加速将导致它在某维的速度Ｖｉｄ超过该维的最大速度Ｖｍａｘｄ，则该维的速度被限制为该维的最大速度Ｖｍａｘｄ。它决定了粒子在解空间的搜索精度，如果Ｖｍａｘ太高，粒子可能会飞过最优解，如果Ｖｍａｘ太小，粒子陷入局部搜索空间而无法进行全局搜索。

２．２适应度计算

假设粒子Ｘ对应的规则覆盖正例的数量Ｃｐ（Ｘ），与粒子Ｘ对应规则中的类别属性相同的数据样本个数为Ｔｐ（Ｘ）；粒子Ｘ对应的规则覆盖反例的数量Ｃｎ（Ｘ），与粒子Ｘ对应规则中的类别属性不相同的数 …… 此处隐藏：5983字，全部文档内容请下载后查看。喜欢就下载吧 ……