基于布谷鸟算法的遥感影像智能分类

doi:10.13474/j.cnki.11-2246.2017.0014

测绘通报 ›› 2017, Vol. 0 ›› Issue (1): 65-68,73.doi: 10.13474/j.cnki.11-2246.2017.0014

基于布谷鸟算法的遥感影像智能分类

沈泉飞¹, 曹敏², 史照良³, 许如琪²

1. 江苏省基础地理信息中心, 江苏南京 210013;
2. 南京师范大学虚拟地理环境教育部重点实验室, 江苏南京 210023;
3. 江苏省测绘地理信息局, 江苏南京 210013

收稿日期:2015-10-27 修回日期:2016-06-28 出版日期:2017-01-25 发布日期:2017-02-06
通讯作者: 曹敏
作者简介:沈泉飞(1980-),男,硕士,工程师,研究方向为遥感影像处理。E-mail:sqf1980@126.com
基金资助:
国家自然科学基金（41101349）；江苏省高校自然科学基础研究项目（13KJB420003）；江苏高校优势学科建设工程资助项目（PAPD）

Intelligent Remote Sensing Classification Based on Cuckoo Search Algorithm

SHEN Quanfei¹, CAO Min², SHI Zhaoliang³, XU Ruqi²

1. Provincial Fundamental Geomatics Centre of Jiangsu, Nanjing 210013, China;
2. College of Geographic Science, Nanjing Normal University, Nanjing 210023, China;
3. Jiangsu Provincial Bureau of Surveying, Mapping and Geoinformation, Nanjing 210013, China

Received:2015-10-27 Revised:2016-06-28 Online:2017-01-25 Published:2017-02-06

摘要/Abstract

摘要： 提出了一种新的基于布谷鸟算法的智能式遥感分类方法。采用布谷鸟智能优化算法，自动搜索遥感影像各波段的最优阈值分割点，并定义各波段最优阈值分割点和影像分类目标类别的连线为布谷鸟的最佳解，构造以If-Then形式表达的遥感分类规则。将所提的基于布谷鸟算法的影像分类方法应用于ALOS影像分类中，并与蜂群智能遥感分类方法和See5.0决策树方法进行了对比分析。结果表明，布谷鸟智能遥感分类的总体精度和Kappa系数均比蜂群智能遥感分类和See5.0决策树方法更高，该智能遥感分类方法具有更好的分类效果。

关键词: 布谷鸟算法, 仿生智能计算, 遥感影像, 分类

Abstract: A new, intelligent approach to classify remote-sensing images based on Cuckoo search algorithm is presented. Cuckoo search algorithm, a new bio-inspired intelligence algorithm, is widely used to solve optimization problems. Cuckoo search algorithm to search for the optimal upper and lower threshold values on each band of remote-sensing image is applied. The classification rules are constructed by the links between the optimal split values and classification type in the explicit formation of ‘if-then’, and each link corresponds to the optimal solution of one Cuckoo, nest or egg. By taking an example of ALOS image in the north shore of the Yangtze River estuary, the proposed classification method based on CS algorithm is implemented and tested against See5.0 decision-tree method. The overall classification accuracy and Kappa coefficient of CS-based method are higher than the See5.0 decision-tree one. The results demonstrate that the practicability of applying CS algorithm to classify the remote-sensing images.

Key words: cuckoo search algorithm (CS), swarm intelligence caculation, remote sensing image, classification

中图分类号:

P237

沈泉飞, 曹敏, 史照良, 许如琪. 基于布谷鸟算法的遥感影像智能分类[J]. 测绘通报, 2017, 0(1): 65-68,73.

SHEN Quanfei, CAO Min, SHI Zhaoliang, XU Ruqi. Intelligent Remote Sensing Classification Based on Cuckoo Search Algorithm[J]. 测绘通报, 2017, 0(1): 65-68,73.

参考文献

[1] 杜培军.遥感原理与应用[M].徐州:中国矿业大学出版社,2006.
[2] 贾永红.人工神经网络在多源遥感影像分类中的应用[J].测绘通报,2000(7):7-8.
[3] 申文明,王文杰,罗海江,等.基于决策树分类技术的遥感影像分类方法研究[J].遥感技术与应用,2007,22(3):336-337.
[4] 杨红磊,彭军还. 基于马尔可夫随机场的模糊c-均值遥感影像分类[J].测绘学报,2012,41(2):213-218.
[5] 谭琨,杜培军. 基于再生核Hilbert空间小波核函数支持向量机的高光谱遥感影像分类[J]. 测绘学报, 2011,40(2):143-147.
[6] 陈云浩,冯通,史培军,等.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报(自然科学版), 2006, 31(4):316-320.
[7] STATHAKIS D,VASILAKOS A. Comparisons of Computational Intelligence Based Classification Techniques for Remotely Sensed Optical Image Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8):2305-2318.
[8] SIPPER M. Machine Nature:The Coming Age of Bio-inspired Computing[M]. New York:McGraw-Hill, 2002.
[9] 刘小平,黎夏,何晋强,等.基于蚁群智能的遥感影像分类新方法[J].遥感学报,2008, 12(2):253-262.
[10] LIU Xiaoping, LI Xia, LIU Liu, et al. An Innovative Method to Classify Remote-Sensing Images Using Ant Colony Optimization[J].IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(12):4198-4208.
[11] 刘小平,黎夏,彭晓鹃,等.一种基于生物群集智能优化的遥感分类方法[J].中国科学(D辑:地球科学), 2007, 37(10):1400-1408.
[12] 曹敏,史照良,阳建逸. 蜂群智能算法的遥感影像分类方法[J].测绘学报,2013, 42(5):745-751.
[13] YANG X S, DEB S.Cuckoo Search via Lévy Flights, Proceedings of World Congress on Nature and Biologically Inspired Computing (NaBIC 2009)[M].[S.l.]:IEEE Publications, 2009:210-214.
[14] YANG X S. Swarm Intelligence Based Algorithms:A Critical Analysis[J]. Evolutionary Intelligence, 2014, 7:17-28.
[15] YANG X S, DEB S. Cuckoo Search:Recent Advances and Applications[J]. Neural Computing and Applications, 2014, 24:169-174.
[16] MANIKANDAN P, SELVARAJAN S. Data Clustering Using Cuckoo Search Algorithm (CSA)[J]. Advances in Intelligent Systems and Computing, 2014, 236:1275-1283.
[17] LIU Xinni. Application of Cckoo Search Agorithm in Multi-threshold Image Segmentation[J]. Computer Engineering, 2013, 39(7):274-278.

基于布谷鸟算法的遥感影像智能分类

Intelligent Remote Sensing Classification Based on Cuckoo Search Algorithm

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	杨俊, 刘灵辉. 加权全极化SAR图像分类下的功能区土地时空变化特征提取[J]. 测绘通报, 2022, 0(7): 138-142,153.
[2]	李茂林, 闫庆武, 仲晓雅. 一种复合型校正植被信息的方法[J]. 测绘通报, 2022, 0(6): 49-54142.
[3]	张龚泉, 岳建平, 刘胜男, 王海龙, 杨智翔, 周航宇. 基于遥感影像的鄱阳湖地形提取方法[J]. 测绘通报, 2022, 0(5): 62-66,73.
[4]	谭玉慧, 刘欣怡, 张永军. 超体素约束下的主动再学习LiDAR点云分类框架[J]. 测绘通报, 2022, 0(5): 79-83,100.
[5]	潘建平, 付占宝, 程卫华, 陆世安, 李鑫, 孙博文, 黄桂萍. 基于地表类型的山地海绵城市生态建设评估[J]. 测绘通报, 2022, 0(5): 84-88.
[6]	陈智朗, 付振华, 朱紫阳, 王慧慧, 刘沁雯, 杨钰灵, 许耿然. 基于HRNet的高分辨率遥感影像建筑物变化信息提取[J]. 测绘通报, 2022, 0(5): 126-132.
[7]	刘小玉, 刘扬, 杜明义, 张敏, 贾竞珏, 杨恒. 基于DeeplabV3+的建筑垃圾堆放点识别[J]. 测绘通报, 2022, 0(4): 16-19,43.
[8]	窦世卿, 陈治宇, 徐勇, 郑贺刚, 苗林林, 宋莹莹. 基于多特征融合与典型降维方法的高光谱影像分类[J]. 测绘通报, 2022, 0(4): 32-36,50.
[9]	王雪, 梁珂, 隋立春, 钟棉卿, 朱剑锋. 膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取[J]. 测绘通报, 2022, 0(4): 61-65.
[10]	高鸣, 周鑫鑫, 刘琦, 杨光迪, 吴长彬. 深度学习网络支持下的农房侵占耕地自动化监测[J]. 测绘通报, 2022, 0(3): 47-53.
[11]	王胜利, 朱寿红, 蒋毅. 基于CNN模型迁移的OLI影像光伏电池板场景识别[J]. 测绘通报, 2022, 0(2): 5-9.
[12]	贾煜, 汪泓, 蔡宏, 张磊. 结合地形因子与分层策略的喀斯特地区无人机影像分类[J]. 测绘通报, 2022, 0(2): 121-127.
[13]	张自强, 刘涛, 杜萍, 锁旭宏, 杨国林. 图残差神经网络支持下的建筑物群组模式分类[J]. 测绘通报, 2022, 0(1): 1-7.
[14]	高雨, 胡召玲, 樊茹. 高分辨率影像融合算法对滨海湿地土地利用分类精度的影响[J]. 测绘通报, 2022, 0(1): 116-120.
[15]	杨素妨, 杜林. 多特征流形鉴别嵌入的高分辨率遥感影像分类[J]. 测绘通报, 2021, 0(9): 37-42.