[發明專利]基于AGA?PKF?SVM的遙感影像分類方法

在審

• 申請號: 201710108283.5
• 申請日: 2017-02-27
• 公開（公告）號: CN106897703A
• 公開（公告）日: 2017-06-27
• 發明（設計）人: 王彥彬
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 沈陽東大知識產權代理有限公司21109
• 代理人: 梁焱

技術領域

本發明涉及遙感影像處理技術領域，尤其涉及一種基于AGA-PKF-SVM的遙感影像分類方法。

背景技術

采用支持向量機對遙感影像進行分類時分類效果受核函數及參數的影響，目前選擇核函數時主要采用RBF核函數，對支持向量機參數的優化主要是對支持向量機的懲罰因子C及RBF核函數中gamma參數的組合優化，然而RBF核函數是一種局部核函數，采用RBF核函數的支持向量機具有良好的訓練效果，但是其泛化性能稍差，且在參數訓練過程中沒有充分考慮支持向量機分類模型的過擬合問題，從而使建立的遙感影像分類模型在對新的未知遙感影像數據進行分類時無法保證分類效果。

發明內容

針對現有技術的缺陷，本發明提供一種基于AGA(Adaptive Genetic Algorithm，自適應遺傳算法)-PKF(Polynomial Kernel Function，多項式核函數)-SVM(Support Vector Machine，支持向量機)的遙感影像分類方法，采用全局性多項式核函數(PKF)作為支持向量機(SVM)的核函數，結合交叉驗證的方法對支持向量機遙感影像分類模型進行訓練，并采用自適應遺傳算法(AGA)對支持向量機的懲罰因子、多項式核函數中的各參數及交叉驗證的折數進行組合優化，有效防止在對支持向量機參數進行組合優化時陷入局部最優解，并使分類模型具有更好的泛化性能并防止過擬合。

一種基于AGA-PKF-SVM的遙感影像分類方法，包括以下步驟：

步驟1：支持向量機的核函數采用多項式核函數，如式(1)所示；

其中，K(x_i，x_j)表示核函數，x_i和x_j分別表示二維空間中的兩個點，γ表示多項式核函數中的內積系數，r表示常數項，d表示多項式的項數；

將支持向量機中的懲罰因子C、多項式核函數中內積系數γ、常數項r、多項式的項數d及交叉驗證的折數k五種參數組合看作種群的一個個體，對個體進行二進制編碼，并對種群進行初始化；

步驟2：對個體進行解碼；

步驟3：將分類結果的準確率設為目標函數，通過k折交叉驗證，計算支持向量機模型對遙感影像的平均分類準確率，將該平均分類準確率作為個體的適應度值；

步驟4：根據個體的適應度值，進行選擇、交叉、變異、重插入操作，對參數組合進行優化；

步驟5：判斷優化過程是否滿足最大迭代次數，若滿足，則得到最優個體，輸出最優參數組合，根據最優參數組合建立采用多項式核函數的支持向量機遙感影像分類模型，該模型中記錄了優化后得到的參數、分類的個數、支持向量的個數、各支持向量及系數、分類超平面的常數項，否則返回步驟2；

步驟6：根據步驟5建立的支持向量機遙感影像分類模型對遙感影像測試集數據進行分類，輸出分類結果、混淆矩陣、總體精度及Kappa系數；混淆矩陣、總體精度及Kappa系數用于表征分類精度；在混淆矩陣中能夠顯示正確分類的數量及被錯分的類別和個數；總體精度指被正確分類的類別像元數與總的類別個數的比值；Kappa系數是通過把所有真實分類中的像元總數乘以混淆矩陣對角線的和，再減去某一類真實像元總數與被誤分成該類像元總數之積對所有類別求和的結果，再除以總像元數的平方差減去某一類中地表真實像元總數與該類中被分類像元總數之積對所有類別求和的結果得到的。

進一步地，步驟1中將個體進行二進制編碼的步驟如下：

對待優化的多項式核函數三個參數及支持向量機懲罰因子、交叉驗證的折數進行二進制編碼，其中每組參數組合看作種群中的一個個體，個體編碼分成5個單元：

單元1：20位二進制數，用于確定支持向量機懲罰因子C；

單元2：20位二進制數，用于確定多項式核函數參數γ；

單元3：20位二進制數，用于確定多項式核函數參數r；

單元4：20位二進制數，用于解碼后按四舍五入確定多項式核函數的項數d；

單元5：20位二進制數，用于解碼后按四舍五入確定交叉驗證的折數k。

進一步地，步驟4中根據個體適應度值采用輪盤賭法選擇優良個體進行交叉、變異操作；通過計算種群的平均適應度值f_avg及最大適應度值f_max，按照式(2)計算自適應交叉概率P_c，以P_c為交叉概率進行交叉操作；