基于蜂群算法优化的支持向量机植被提取研究

唐昊

(重庆数字城市科技有限公司，重庆 401121)

1 引 言

近年来，随着国家对资源环境和生态文明建设的日益重视，植被尤其是城市植被高效精确的提取对国家和政府及时了解和掌握植被覆盖变化趋势，促进资源环境的协调发展与城市规划建设具有战略性意义。支持向量机(Support Vector Machine，SVM)是Vapnik于1995年提出的一种监督分类方法，是以统计学习为基础，对有限样本进行模式学习的方法，能有效解决小样本、高维数、非线性等问题，进而越来越多地被应用到遥感影像处理中[1]。

在利用支持向量机进行分类的过程中，模型参数(惩罚因子C和核函数宽度g)对分类精度影响显著，如何合理选择模型参数进而达到最好的分类效果成为近年来研究的热点。目前常用的SVM参数优化方法有遗传算法(Genetic Algorithm，GA)、鱼群算法(Artificial Fish Swarm Algorithm，AFSA)、粒子群算法(Particle Swarm Optimization，PSO)、蚁群算法(Ant Colony Optimization，ACO)等，能一定程度上提高分类精度，但这些优化算法存在一个致命的缺陷就是会在不同程度上陷入局部最优解而无法寻找到全局最优解，达不到最优分类效果。Karaboga于2005年提出了人工蜂群(Artificial Bee Colony，ABC)这一群智能优化算法，该算法通过不同工种蜜蜂之间的合作，模仿蜜蜂采蜜行为，在很大程度上避免了陷入局部最优解问题，具备比传统优化方法更好的优化性能[2，3]。本文以RBF核函数的支持向量机为模型，利用人工蜂群算法对模型参数(惩罚因子C和核函数宽度g)进行优化。通过对重庆市某城乡ZY-3遥感影像植被提取的实验证明：与遗传算法和粒子群算法优化SVM相比，蜂群算法能更好地克服局部最优解问题，获得更好的分类结果，植被提取效果更好。

2 蜂群算法优化SVM

受蜜蜂采蜜行为启发而产生的人工蜂群算法是一种新颖的元启发式优化算法，人工蜂群算法模拟蜜蜂采蜜行为来处理参数寻优问题，人工蜂群分为三类：采蜜蜂，观察蜂和侦查蜂。采蜜蜂和观察蜂各占蜜蜂总体数量的50%，也就是说食物源的数量和采蜜蜂的数量相等。如果某个食物源被采蜜蜂和观察蜂放弃，则该食物源对应的采蜜蜂变为侦查蜂[3]。

按照ABC算法搜索过程，对支持向量机模型参数(惩罚因子C和核函数宽度g)进行优化，优化流程如下：

(1)初始化参数。设置终止迭代次数max-cycle，蜜源的最大搜索次数limit。由于优化支持向量机的目的是为了提高分类的精确度，这里我们选择的适应度函数为：

(1)

其中v是分类正确率。

(2)按照式(3)确定食物源数量SN，并与采蜜蜂数量对应；每个蜜源所在位置为优化问题的一个可能解Xi(i=1，2，…，SN)，Xi为由SVM中参数C和g组成的2维向量。式中，Xij为第i个蜜蜂第j维对应的搜索后的位置，Xmax和Xmin分别为第j维变量的上界和下界。

(3)采蜜蜂根据式(2)做临近搜索产生新解Vij。

(4)计算蜂群中每一个个体的适应度值，并在当前蜜源和新蜜源之间进行贪婪选择，如果搜索后的蜜源优于搜索前，则代替之前蜜源。

(5)根据式(1)计算每个蜜源被选择的概率值Pi，跟随蜂以轮盘赌机制选择要跟随的蜜源进行采蜜，成为引领蜂，并在其附近按式(2)搜索新蜜源。

(6)搜索次数search=search+1，如果search

(7)判别是否存在要放弃的蜜源。如果某些蜜源经limit次循环不变，则放弃该蜜源，且被放弃蜜源对应的引领蜂成为侦查蜂，按式(3)随机产生新蜜源。

(8)迭代次数cycle=cycle+1，若满足条件cycle

(9)输出最佳适应度对应的SVM参数C和g，代入SVM模型对样本进行预测。

具体的流程如图1所示：

图1 蜂群算法流程图

3 蜂群算法优化SVM的植被提取

3.1 遥感影像的特征

遥感影像的特征主要有光谱特征、纹理特征和空间形状特征[6]。随着遥感影像分辨率越来越高，在高分辨率遥感影像中“同物异谱”与“同谱异物”现象普遍存在，单一的采用基于光谱特征的分类方法其分类精度往往较低，达不到理想效果。基于这一原因，本文联合使用光谱-纹理特征对影像进行分类。

3.2 特征提取

本文面向像元对高分辨率遥感影像进行植被提取，也就是对影像进行二分类。通过原始波段的光谱信息，提取相关的特征信息，包括光谱特征、纹理特征。光谱特征是提取R、G、B三个波段的光谱特征值，纹理特征则提取灰度共生矩阵(GLCM)，并将这些提取的特征进行归一化处理。其中灰度共生矩阵是一种图像纹理特征提取的标准化方法，通过分析能够过得对比度(Contrast，Con)、相关性(Correlation，Cor)、同质度(Homogeneity，Hom)、熵(Entropy，Ent)等指标[7]。下图图2为试验区原始图像，图3为对应指标获得的图像：(a)为对比度；(b)为相关性；(c)为同质度；(d)为熵。具体的计算算法如下：

(1)计算R、G、B遥感影像的强度分量影像，计算公式：I=(R+B+G)/3；

(2)对灰度图像进行量化处理，这里将256级灰度级降为8，量化后的图像虽有一定的失真，但其纹理特征可较好的保留[8]；

(3)用3×3的矩阵作为滑动窗口，计算窗口中0°，45°，90°，135°四个方向的灰度共生矩阵，计算每个方向上的纹理特征，对每个像素四个方向上的纹理信息取平均值，得到该像素点的纹理信息；

(4)用滑动窗口遍历整个影像，得到整幅图的灰度共生矩阵，滑动窗口的移动步长为一个像元；

图2 原始图像

图3 灰度共生矩阵相关指标图

4 实验结果及分析

实验影像数据采用拍摄于重庆市某地区的资源三号(ZY-3)卫星影像，选用台湾大学林智仁博士等设计的通用软件包LIBSVM进行仿真实验；实验选择配置为酷睿i3中央处理器(主频 2.4 GHZ)，内存为4G的电脑为硬件平台，在Windows 7操作系统下利用Matlab2012a进行实验。人工蜂群算法食物源数量设为20，食物源最大循环次数limit设为50，实验最大迭代次数max-cycle为500，SVM参数搜索范围设为[0.01，500]。实验结果如下：图4为GA算法优化SVM植被提取图；图5为PSO算法优化SVM植被提取图；图6为蜂群算法优化后SVM植被提取图。图中绿色部分为植被区。

图4 GA-SVM植被提取

图5 PSO-SVM植被提取

图6 ABC-SVM植被提取

支持向量机参数选择比较 表1

5 评价

5.1 主观评价

通过主观目视效果，经过人工蜂群算法优化的SVM提取植被效果相对于遗传算法和粒子群算法优化的SVM提取植被效果而言，其分类精度有了一定的提高，植被提取效果有一定程度的增强。

5.2 客观评价

所谓客观评价，就是将分类结果与真实的地物地面数据进行比较，通过建立误差矩阵并进行相关的运算得到所分地物的分类精度。这里我们选用总体精度和Kappa系数[8]来对植被提取效果进行客观评价。

为定量进行分类精度的评价，验证本文所提方法的有效性，本文在原图像中随机选取1 000个测试样本点，并对植被和非植被样本点进行个数统计。图7为测试样本点的分布图：

图7 测试样本点分布图

GA及PSO算法优化的SVM提取植被的评价结果如表2和表3所示；ABC优化的SVM植被提取结果如表4所示；综合评价结果如表5所示：

GA-SVM植被提取结果 表2

PSO-SVM植被提取结果 表3

ABC-SVM植被提取结果 表4

植被提取综合评价结果 表5

分析上表数据可知：通过上述算法优化SVM的参数后，其分类结果都一定程度上有了提高，其中GA-SVM总体分类精度达到了79.2%，Kappa系数为0.580 6；PSO-SVM总体分类精度达到了80.63%，Kappa系数为 0.608 1；但经过蜂群算法对其惩罚因子C和核函数宽度g进行优化后的SVM植被提取效果其总体精度达到了82.7%，Kappa系数为 0.652 6，相比于前面两种方法，改进效果更加明显。本文为以后的支持向量机优化提供了较好的思路。

6 结 论

本文针对支持向量机的惩罚因子C与核函数宽度g对其有显著影响的问题，提出了选用人工蜂群算法对其参数进行优化，获得最优参数，实现了遥感影像植被提取。通过实验证明蜂群算法优化后的SVM能在很大程度上克服局部最优解，对绿色植被具有较好的提取效果，相对于遗传算法和粒子群算法，分类精度有了一定程度的提高。

[1] Vladimir N. Vapnik. The Nature of Statistical Learning Theory[M]. Springer，2012：988～999.

[2] 江铭炎，袁东风. 人工蜂群算法及其应用[M]. 科学出版社，2014.

[3] Karaboga D. An Idea Based on Honey Bee Swarm for Numerical Optimization，Technical Report-TR06[J]. 2005.

[4] 刘路，王太勇. 基于人工蜂群算法的支持向量机优化[J]. 天津大学学报：自然科学与工程技术版，2011，44(9)：803～809.

[5] 李璟民，郭敏. 人工蜂群算法优化支持向量机的分类研究[J]. 计算机工程与应用，2015，51(2)：151～155.

[6] 赵英时. 遥感应用分析原理与方法[M]. 科学出版社，2003.

[8] 薄华，马缚龙，焦李成. 图像纹理的灰度共生矩阵计算问题的分析[J]. 电子学报，2006，34(1)：155～158.

[9] 白雪冰，王克奇，王辉. 基于灰度共生矩阵的木材纹理分类方法的研究[J]. 哈尔滨工业大学学报，2005，37(12)：1667～1670.

[10] 丁世飞 ，齐丙娟 ，谭红艳. 支持向量机理论与算法研究综述[J]. 电子科技大学学报，2011，40(1)：2～10.

[11] D Karaboga ，B Akay. A comparative study of Artificial Bee Colony algorithm[J]. Applied Mathematics & Computation，2009，214(1) ：108～132.

[12] 李璟民 ，郭敏. 人工蜂群算法优化支持向量机的分类研究[J]. 计算机工程与应用，2015，51(2)：151～155.

[13] 黄慧萍，吴炳方. 地物提取的多尺度特征遥感应用分析[J]. 遥感技术与应用 ，2003，18(5)：276～281.