崔穎 宋國嬌 陳立偉 劉述彬 王立國

(1. 哈爾濱工程大學(xué) 信息與通信工程學(xué)院， 黑龍江 哈爾濱 150001;2. 黑龍江省農(nóng)業(yè)科學(xué)院 遙感技術(shù)中心， 黑龍江 哈爾濱 150086)

基于煙花算法降維的高光譜圖像分類*

崔穎1，2宋國嬌1陳立偉1劉述彬2王立國1

(1. 哈爾濱工程大學(xué) 信息與通信工程學(xué)院， 黑龍江 哈爾濱 150001;2. 黑龍江省農(nóng)業(yè)科學(xué)院 遙感技術(shù)中心， 黑龍江 哈爾濱 150086)

為降低高光譜數(shù)據(jù)量及計算復(fù)雜度，避免后續(xù)分類中的Hughes現(xiàn)象，提出一種基于煙花算法降維的高光譜圖像分類方法.煙花算法采用類內(nèi)緊密性系數(shù)與類間分離性系數(shù)的加權(quán)和作為波段選擇的度量準(zhǔn)則，通過在高光譜數(shù)據(jù)空間內(nèi)進(jìn)行搜索，不斷更新直至收斂，從而獲得最優(yōu)波段組合.基于印第安納數(shù)據(jù)集(AVIRIS)和帕維亞大學(xué)數(shù)據(jù)集(ROSIS)數(shù)據(jù)對煙花算法、遺傳算法和禁忌搜索算法進(jìn)行波段選擇的仿真實(shí)驗(yàn)，結(jié)果表明：煙花算法選擇出的波段組合數(shù)目相對較少，具有較低的算法復(fù)雜度，減少了耗時;利用獲得的波段組合進(jìn)行高光譜圖像分類時，與遺傳算法、禁忌搜索算法的波段選擇方法相比，文中所提方法在總體分類精度和Kappa系數(shù)上分別提高0.06%～4.72%和0.00～0.09，可以得到令人滿意的分類結(jié)果．

圖像分類；高光譜圖像;降維;煙花算法;智能優(yōu)化算法

隨著光譜成像技術(shù)的發(fā)展，新型的高光譜傳感器有能力獲得數(shù)百個狹窄且連續(xù)的光譜波段，高光譜圖像所具有的大量波段和較高的光譜分辨率，使得其應(yīng)用越來越廣泛，如災(zāi)害監(jiān)測、資源勘探和環(huán)境監(jiān)測等[1].高光譜數(shù)據(jù)所具有的大量波段導(dǎo)致了計算復(fù)雜性、存儲空間和通信帶寬的增加，降維處理是解決這些問題的有效途徑之一.Jimenez等[2]論證并分析了降低數(shù)據(jù)維數(shù)的可能性，提出了降低高光譜圖像數(shù)據(jù)維數(shù)又不丟失有意義的信息和數(shù)據(jù)可分性的可能性，指出在高光譜圖像中高維空間相對來說較空，數(shù)據(jù)普遍分布在低維空間中.現(xiàn)有的高光譜圖像數(shù)據(jù)降維方法主要分為兩類[3]:一類是基于變換的特征提取方法，如主成分分析[4]、投影尋蹤[5];另一類是基于非變換的波段選擇方法，其主要分為基于信息量排序的方法(如自適應(yīng)波段選擇[6])、基于聚類的方法(如基于層次聚類[7])、基于類間可分性的方法(如Jeffries-Matusita距離[8])．

近些年來，越來越多的智能優(yōu)化算法應(yīng)用于高光譜圖像降維中，為高光譜圖像降維研究提供了新方向，如粒子群算法及其改進(jìn)算法[9- 10]、多目標(biāo)進(jìn)化算法[11]和人工蜂群算法[12]等.雖然上述方法可以選擇出較好的波段子集，但是收斂速度較慢.因此，針對以上智能優(yōu)化方法搜索時間較長的缺點(diǎn)，文中提出一種基于煙花算法降維的高光譜圖像分類方法．

2010年，受到現(xiàn)實(shí)生活中煙花爆炸的啟發(fā)，Tan等[13]提出了煙花算法(FWA)，該算法屬于一種新興的群體智能優(yōu)化算法，煙花種群中每個煙花個體根據(jù)相對于其他煙花個體的適應(yīng)度值進(jìn)行資源分配和信息交互，使得整個種群能夠在全局搜索能力和局部搜索能力之間達(dá)到一個平衡，而且煙花的爆炸算子搜索機(jī)制，使得單個煙花具有很強(qiáng)的局部爆發(fā)性.相比其他智能優(yōu)化算法，其收斂速度更快.FWA在求解問題時，不要求問題具有顯示表達(dá)式，只要計算適應(yīng)度值就能求解問題.同時，對問題的要求也低，也能求解顯示表達(dá)的問題，因此，F(xiàn)WA具有較好的適應(yīng)性.在處理優(yōu)化問題上，F(xiàn)WA已經(jīng)顯示出其優(yōu)越性.FWA及其改進(jìn)算法已被應(yīng)用到實(shí)際的優(yōu)化問題中，如油料作物施肥[14]、電力系統(tǒng)重構(gòu)[15]和機(jī)組組合問題[16].基于FWA的優(yōu)點(diǎn)，文中提出了基于FWA降維的高光譜圖像分類方法，并通過實(shí)驗(yàn)對其有效性進(jìn)行了驗(yàn)證．

1 高光譜圖像分類方法的建立

1.1 度量準(zhǔn)則確定

當(dāng)一個波段具有低類內(nèi)緊密性系數(shù)(C系數(shù))、高類間分離性系數(shù)(S系數(shù))時，則該波段用于分類時區(qū)分度較高.波段的類內(nèi)緊性與類間分離性系數(shù)(CS系數(shù))[17]，即類內(nèi)緊密性系數(shù)與類間分離性系數(shù)的加權(quán)和，是一個直觀反映每個波段對分類重要性的可分性指標(biāo).因此，文中選擇CS系數(shù)作為波段選擇的度量準(zhǔn)則.計算依據(jù)如下:

(1)

第k個波段的S系數(shù)為

(2)

第k個波段的CS系數(shù)為

CS(k)=αC(k)-(1-α)S(k)

(3)

其中，α為調(diào)節(jié)類內(nèi)緊性與類間分離性的因子，當(dāng)α=0時，CS系數(shù)完全由S系數(shù)決定，當(dāng)α=1時，則完全由C系數(shù)決定．

1.2 算法參數(shù)描述和選擇

1.2.1 爆炸算子

爆炸算子由爆炸強(qiáng)度、爆炸幅度和位移操作組成.爆炸強(qiáng)度即每個煙花產(chǎn)生的火花個數(shù).文中的爆炸算子采用文獻(xiàn)[18]中的公式，煙花產(chǎn)生火花個數(shù)為

(4)

式中：ηy是第y個煙花產(chǎn)生的火花個數(shù);m是常數(shù)，用于限制產(chǎn)生的火花總數(shù);Ymax是當(dāng)前種群中最差的煙花的適應(yīng)度值;f(py)是煙花py的適應(yīng)度值，py是第y個煙花個體位置信息，文中代表著一種波段組合;ε是一個極小的常數(shù)，避免出現(xiàn)分母為零的情況，文中ε=10-4.為限制煙花爆炸產(chǎn)生火花的數(shù)量過多或過少，為每個煙花設(shè)定了產(chǎn)生火花數(shù)量的公式，即

(5)

式中：round( )表示四舍五入取整函數(shù);ηmax是每個煙花最多產(chǎn)生的火花個數(shù)，ηmin是每個煙花最少產(chǎn)生的火花個數(shù).文中通過實(shí)驗(yàn)仿真進(jìn)行數(shù)據(jù)分析.實(shí)驗(yàn)1中,ηmin=5,ηmax=90;實(shí)驗(yàn)2中,ηmin=5,ηmax=60.煙花爆炸幅度公式為

(6)

式中：Ay是第y個煙花的爆炸幅度;A是常數(shù)，表示最大的爆炸幅度;Ymin是當(dāng)前種群中最好的煙花的適應(yīng)度值.對于種群中適應(yīng)度值最好的煙花，按式(6)得到的爆炸幅度非常小，接近于0.這導(dǎo)致最好的煙花在實(shí)際搜索過程中因爆炸幅度太小而沒有發(fā)揮到搜索作用，或者某個煙花按式(6)計算的爆炸幅度太大而失去實(shí)際意義，為每個煙花設(shè)定了爆炸幅度范圍公式:

(7)

式中：Amin是每個煙花最小的爆炸幅度，Amax是每個煙花最大的爆炸幅度.文中通過實(shí)驗(yàn)仿真進(jìn)行數(shù)據(jù)分析.實(shí)驗(yàn)1中,Amin=2,Amax=40；實(shí)驗(yàn)2中,Amin=1,Amax=40.對每個煙花進(jìn)行位移操作，即:

(8)

式中：B是煙花的維數(shù)，文中代表波段數(shù);round( )意義與式(5)相同.煙花爆炸產(chǎn)生火花如圖1所示．

圖1 煙花爆炸產(chǎn)生的火花

1.2.2 變異算子

為了增加種群多樣性，引入變異算子.文中的變異算子采用文獻(xiàn)[18]中的高斯變異，其公式為

pyh=pyh+(pBh-pyh)e

(9)

式中：e是高斯分布的隨機(jī)變量，e～N(1,1);pBh是當(dāng)前種群中最優(yōu)的煙花在第h維上的位置信息;pyh是第y個煙花在第h維上的位置信息:其中:y=1,2,…,Q;h=1,2,…,B.高斯變異第t代產(chǎn)生的火花在第t代煙花和第t-1代最優(yōu)煙花構(gòu)成的直線上變化，第t代煙花經(jīng)過高斯變異產(chǎn)生火花的過程如圖2所示．

圖2 煙花高斯變異產(chǎn)生的火花

1.2.3 映射規(guī)則和選擇策略

文中，如果pyhH，則pyh為在[L,H]范圍內(nèi)重新產(chǎn)生的一個隨機(jī)整數(shù);如果pyh=pyr且r≠h，則py為在[L,H]之間重新產(chǎn)生的一組B維的隨機(jī)整數(shù)向量，L是可行域下界，H是可行域上界，在文中是指可行域波段標(biāo)號.火花映射到可行域內(nèi)的過程如圖3所示．

爆炸算子和高斯變異算子產(chǎn)生的火花形成候選集合K，按適應(yīng)度值優(yōu)劣，將候選集合K均勻分為三部分，分別為優(yōu)等火花、中等火花和次等火花，記作集合K1、K2和K3，從集合K1、K2和K3中分別取Q/3的火花構(gòu)成下一代煙花．

圖3 FWA的映射規(guī)則

1.3 算法流程

(1) 初始化參數(shù)：煙花數(shù)目Q;選擇的波段數(shù)目B;最大迭代次數(shù)T;限制產(chǎn)生的火花總數(shù)m;控制爆炸幅度參數(shù)A;隨機(jī)生成Q個B維的煙花，采用實(shí)數(shù)編碼形式.設(shè)置初始迭代次數(shù)t=1．

(2) 按式(3)計算各個煙花的適應(yīng)度值，即計算當(dāng)前各波段組合的CS系數(shù)，記錄當(dāng)前最佳的波段組合．

(3) 各個煙花按式(4)-(8)進(jìn)行爆炸操作產(chǎn)生火花．

(4) 各煙花按式(9)進(jìn)行高斯變異產(chǎn)生火花．

(5) 對爆炸操作和高斯變異產(chǎn)生的超出可行域的火花進(jìn)行映射，使其在可行域內(nèi)．

(6) 按式(3)計算所有火花的適應(yīng)度值．

(7) 所有火花按照適應(yīng)度值優(yōu)劣平均分成優(yōu)等火花、中等火花和次等火花三部分，每部分選取Q/3的火花作為下一代煙花．

(8) 判斷t的數(shù)值，若t≤T，則t=t+1且返回步驟(3)，否則輸出當(dāng)前的最優(yōu)波段組合作為最優(yōu)解．

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)

實(shí)驗(yàn)仿真環(huán)境為：IntelPentiumG2030，3.0GHz，內(nèi)存2GB臺式機(jī)，Windows7操作系統(tǒng)。利用Matlab2015a對算法進(jìn)行實(shí)驗(yàn)，所有實(shí)驗(yàn)結(jié)果均是各算法在數(shù)據(jù)集上分別獨(dú)立運(yùn)行10次之后進(jìn)行統(tǒng)計得到的平均值，均采用最大似然分類器進(jìn)行分類.文中采用印第安納數(shù)據(jù)集(AVIRIS) 和帕維亞大學(xué)數(shù)據(jù)集(ROSIS)驗(yàn)證基于FWA降維的高光譜圖像分類的有效性，同時與遺傳算法(GA)和禁忌搜索(TS)算法比較．

AVIRIS數(shù)據(jù)集是1992年6月印第安納州IndianPine實(shí)驗(yàn)區(qū)高光譜遙感圖像，波段數(shù)目為200個，空間分辨率為20m，圖像大小為145×145，共包含16種地物.實(shí)驗(yàn)數(shù)據(jù)使用常用的且數(shù)目較多的 9種典型地物作為樣本.ROSIS數(shù)據(jù)集是意大利帕維亞大學(xué)的高光譜遙感圖像，波段數(shù)目為103個，空間分辨率為1.3m，圖像大小為610×340.共包含9種地物.實(shí)驗(yàn)中數(shù)據(jù)集的地物類型及數(shù)目見表1.實(shí)驗(yàn)1分別取3(C1-C3)、5(C1-C5)、9(C1-C9)類地物進(jìn)行比較;實(shí)驗(yàn)2取AVIRIS數(shù)據(jù)集中類別為C4、C5、C8的地物進(jìn)行實(shí)驗(yàn).參考文獻(xiàn)[12]，AVIRIS數(shù)據(jù)集的訓(xùn)練樣本和測試樣本均勻選取且為樣本數(shù)目的50%.ROSIS帕維亞大學(xué)數(shù)據(jù)集的訓(xùn)練樣本均勻選取為樣本的10%，剩余的樣本為測試樣本．

表1 數(shù)據(jù)集的地物名稱及樣本數(shù)

2.2 實(shí)驗(yàn)參數(shù)的選擇

2.2.1 度量準(zhǔn)則中的參數(shù)選擇

度量準(zhǔn)則中的類內(nèi)緊性與類間分離性調(diào)節(jié)因子α的取值采用大量實(shí)驗(yàn)確定.類內(nèi)緊性與類間分離性調(diào)節(jié)因子α與總體分類精度(OA)曲線如圖4所示．

圖4 實(shí)驗(yàn)1和實(shí)驗(yàn)2的α值對總體分類精度的影響

Fig.4 Effect ofαvalue on the overall accuracy of experiment 1 and experiment 2

由圖4可以看出，α取值在0.0～0.6時，對總體分類精度影響不大.但實(shí)驗(yàn)1中，α=0.4，實(shí)驗(yàn)2中，α=0.3時，總體分類精度最高.對于當(dāng)前所使用的高光譜圖像數(shù)據(jù)，類間分離性系數(shù)比類內(nèi)緊密性系數(shù)稍微重要一些．

2.2.2 煙花算法中的參數(shù)選擇

FWA的參數(shù)也采用大量實(shí)驗(yàn)確定，實(shí)驗(yàn)1中，煙花數(shù)Q=15;限制產(chǎn)生的火花總數(shù)m=200;實(shí)驗(yàn)2中，煙花數(shù)Q=24;限制產(chǎn)生的火花總數(shù)m=180;控制爆炸幅度參數(shù)A=160.最大迭代次數(shù)是智能優(yōu)化算法的主要參數(shù)之一，因此，最大迭代次數(shù)的選取很重要，通過實(shí)驗(yàn)得到迭代次數(shù)與總體分類精度曲線如圖5所示．

由圖5可以看出，實(shí)驗(yàn)1中,T=100,實(shí)驗(yàn)2中，T=150時，總體分類精度已趨于穩(wěn)定.由于FWA需要設(shè)置每個煙花的維數(shù)，即所選擇的波段數(shù)，文中AVIRIS數(shù)據(jù)集選擇的波段數(shù)B=25，ROSIS數(shù)據(jù)集選擇的波段數(shù)B=15.GA的參數(shù)設(shè)置參考文獻(xiàn)[19]，TS算法的參數(shù)設(shè)置參考文獻(xiàn)[20]．

圖5 實(shí)驗(yàn)1和實(shí)驗(yàn)2的迭代收斂曲線

Fig.5 Iterative convergence curves of experiment 1 and experiment 2

2.3 算法計算復(fù)雜度及性能評價指標(biāo)

根據(jù)算法的時間復(fù)雜度和空間復(fù)雜度理論分析[21]，F(xiàn)WA迭代一次需要計算種群中煙花的爆炸算子、高斯變異算子、映射規(guī)則和選擇策略.其中爆炸算子和高斯變異算子可同時計算，則FWA計算次數(shù)為3QB.因此，F(xiàn)WA的時間復(fù)雜度為O(3QBT)，可記作O(Q).同理，其空間復(fù)雜度也為O(Q).GA迭代一次需要計算種群中基因的選擇、交叉和變異.計算次數(shù)為3QB，因此GA的時間復(fù)雜度為Q(3QBT)，可記作O(Q).同理，其空間復(fù)雜度也為O(Q).TS算法迭代一次需要計算鄰域解矩陣和鄰域搜索.計算次數(shù)為2lB，因此TS算法的時間復(fù)雜度為O(2lBT)，可記作O(l)，l為鄰域解的個數(shù).同理，其空間復(fù)雜度也為O(l)．

雖然FWA的時間復(fù)雜度與GA和TS算法同階，但是，實(shí)驗(yàn)1中，F(xiàn)WA的迭代次數(shù)遠(yuǎn)小于GA和TS算法的迭代次數(shù)，并且FWA的選擇波段的數(shù)目也小于GA和TS算法的，因此其算法運(yùn)行時間也小于GA和TS算法的運(yùn)行時間.從算法的空間復(fù)雜度來看，3種算法的空間復(fù)雜度同階，但是FWA的種群規(guī)模稍小于GA的種群規(guī)模和TS算法的鄰域解的個數(shù)，說明 FWA運(yùn)行所需存儲空間稍小于GA和TS算法.與實(shí)驗(yàn)1相比較，實(shí)驗(yàn)2中FWA的迭代次數(shù)增加至150次，煙花數(shù)增加至24個，因而，F(xiàn)WA的運(yùn)行時間也會有所增加，但FWA、GA和TS算法的空間復(fù)雜度同階，說明 FWA運(yùn)行所需存儲空間的增加在可承受范圍之內(nèi)．

文中的評價指標(biāo)采用精度和運(yùn)行時間，精度評價是指采用統(tǒng)一的分類器進(jìn)行分類，比較實(shí)際數(shù)據(jù)的分類結(jié)果，以分類過程的總體分類精度(OA)和Kappa系數(shù)來評價波段選擇的最優(yōu)化，計算公式采用文獻(xiàn)[22]中的公式，運(yùn)行時間是指各種算法搜索到最佳的波段組合所用的時間，即算法降維所用時間，直觀地表現(xiàn)了各種算法的計算復(fù)雜度．

2.4 實(shí)驗(yàn)結(jié)果分析

2.4.1 實(shí)驗(yàn)1

在AVIRIS數(shù)據(jù)集和ROSIS數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，地物類別分別為3(C1-C3)、5(C1-C5)、9(C1-C9)類時，3種不同算法的實(shí)驗(yàn)結(jié)果見表2.

從表2可以看出，與基于GA的波段選擇方法相比，文中算法在OA和Kappa系數(shù)上都優(yōu)于GA，證明GA得到的最優(yōu)波段組合形式稍差于FWA，并且GA收斂速度比較慢，需要執(zhí)行更多次的迭代;與基于TS算法的特征降維方法相比，文中算法在OA和Kappa系數(shù)上都優(yōu)于TS算法，這是由于TS算法的局部鄰域搜索采用的是k-opt，主要基于貪婪思想持續(xù)地在當(dāng)前解的領(lǐng)域中進(jìn)行搜索，其搜索性能依賴于鄰域結(jié)構(gòu)和初始解，當(dāng)?shù)匚镱悇e數(shù)增多時，禁忌搜索算法的OA和Kappa系數(shù)會明顯下降.通過對OA和Kappa系數(shù)的分析可知，文中提出的降維處理算法選擇出的最優(yōu)波段組合形式更有利于對地物特點(diǎn)的區(qū)分.在算法運(yùn)行時間上，文中算法優(yōu)于GA和TS算法，直觀地說明文中算法的復(fù)雜度較低．

表2 基于AVIRIS(ROSIS)的3種算法結(jié)果1)

Table 2 Results of three algorithms based on AVIRIS (ROSIS)

類別數(shù)算法降維后波段數(shù)OA/%Kappa系數(shù)運(yùn)行時間/sFWA25(15)93.82(97.89)0.90(0.96)3.76(6.63)3GA110(58)89.10(97.03)0.81(0.94)4.10(7.37)TS72(39)89.35(96.97)0.82(0.93)6.24(6.68)FWA25(15)83.50(94.52)0.80(0.91)3.80(7.76)5GA107(57)81.22(93.42)0.77(0.90)4.11(8.85)TS85(41)80.25(94.46)0.75(0.91)6.36(7.78)FWA25(15)83.09(84.82)0.79(0.81)3.80(8.55)9GA108(57)81.10(84.26)0.75(0.80)4.19(9.43)TS83(43)79.65(81.59)0.73(0.76)6.42(8.73)

1)括號內(nèi)的數(shù)字即為在ROSIS數(shù)據(jù)集上3種算法的結(jié)果．

為證明文中算法的穩(wěn)定性，將3種算法的10次運(yùn)行結(jié)果的OA和Kappa系數(shù)的最小值和最大值列于表3、4，圖6、7是AVIRIS數(shù)據(jù)集和ROSIS數(shù)據(jù)集的3類地物10次運(yùn)行結(jié)果的OA和Kappa系數(shù)曲線．

表3 OA的最小值和最大值

表4 Kappa系數(shù)的最小值和最大值

圖6 3類地物的OA曲線

由表3、4的數(shù)據(jù)可以看出，文中提出的算法在10次優(yōu)化過程中波動較小，說明文中算法的穩(wěn)定性優(yōu)于GA和TS算法.圖6、7更直觀地體現(xiàn)了各種算法在10次運(yùn)行過程中優(yōu)化結(jié)果的波動性， 說明文中算法具有良好的穩(wěn)定性.各種算法的3種地物的某次分類結(jié)果示于圖8、9，更直觀地體現(xiàn)了分類效果．

圖7 3類地物的Kappa系數(shù)曲線

圖8 AVIRIS數(shù)據(jù)3類地物分類結(jié)果圖

Fig.8 Classification results of three classes of objects based on AVIRIS

圖9 ROSIS數(shù)據(jù)3類地物分類結(jié)果圖

Fig.9 Classification results of three classes of objects based on ROSIS

2.4.2 實(shí)驗(yàn)2

高光譜圖像的最大優(yōu)勢在于可識別出細(xì)小差別的地物類別.因此，文中在AVIRIS數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，地物類別為C4、C5、C8時，3種不同算法的實(shí)驗(yàn)結(jié)果如表5所示．

從表5中的數(shù)據(jù)可以看出，與基于GA的波段選擇方法和基于TS算法的特征降維方法相比，文中算法在OA和Kappa系數(shù)上都優(yōu)于GA和TS算法;在算法運(yùn)行時間上， 文中算法略高于GA和TS算法，但仍在可承受范圍之內(nèi).因此，對細(xì)小差別的地物進(jìn)行分類時，F(xiàn)WA的OA和Kappa系數(shù)優(yōu)于GA和TS算法，進(jìn)一步證明了文中算法的有效性.各種算法的某次分類結(jié)果示于圖10，更直觀地體現(xiàn)了分類效果．

表5 3種相似地物的3種算法結(jié)果

Table 5 Results of three algorithms based on three similar classes of objects

算法降維后波段數(shù)OA/%Kappa系數(shù)運(yùn)行時間/sFWA2586.550.766.60GA10784.570.695.05TS9483.820.676.11

圖10 3種相似地物分類結(jié)果圖

Fig.10 Classification results of three similar classes of objects

3 結(jié)語

針對高光譜圖像高的波段維數(shù)問題，文中提出一種基于FWA降維的高光譜圖像分類方法.以CS系數(shù)作為度量準(zhǔn)則，有利于選擇分類區(qū)分度較高的波段，基于AVIRIS和ROSIS數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果證明，與GA和TS算法選擇的波段組合相比，文中算法具有更好的OA和更高的Kappa系數(shù)且收斂速度較快.因此，F(xiàn)WA提高了全局搜索能力，具有較快的收斂速度，較高的分類精度，較好的穩(wěn)定性，并且降低了算法復(fù)雜度，更適用于高光譜圖像降維的實(shí)際需要.但是，文中的FWA只采用了實(shí)數(shù)編碼方式，如何采用其他編碼方式對FWA進(jìn)行編碼，在高光譜圖像的分類中得到更高的OA和Kappa系數(shù)是進(jìn)一步研究的重點(diǎn)．

[1] TONG Qing- xi，XUE Yong- qi，ZHANG Li- fu. Progress in hyperspectral remote sensing science and technology in China over the past three decades [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014，7(1)：70- 91．

[2] JIMENEZ L O，LANDGREBE D. High dimensional feature reduction via projection pursuit [C]∥ Proceedings of Geoscience and Remote Sensing Symposium，1994. Pasadena：IEEE，1994：1145- 1147．

[3] 李靜.高光譜遙感影像降維及分類方法研究 [D].長沙:中南大學(xué)，2012．

[4] KAMBHATLA N，LEEN T K. Dimension reduction by local principal component analysis [J]. Neural Computation，1997，9(7)：1493- 1516．

[5] 王秀朋. 基于投影尋蹤的高光譜圖像降維算法研究[D]. 西安:西北工業(yè)大學(xué)，2006．

[6] 劉春紅，趙春暉，張凌雁.一種新的高光譜遙感圖像降維方法 [J].中國圖象圖形學(xué)報，2005，10(2)：218- 222． LIU Chun- hong，ZHAO Chun- hui，ZHANG Ling- yan. A new method of hyperspectral remote sensing image dimensional reduction [J]. Journal of Image and Graphics，2005，10(2)：218- 222．

[7] MARTINEZ- USO A，PLA F，SOTACA J M，et al. Clustering- based hyperspectral band selection using information measures [J]. IEEE Transactions on Geoscience and Remote Sensing，2008，45(12)：4158- 4171．

[8] GAO Jian- wei，DU Qian，GAO Lian- ru，et al. Ant colony optimization- based supervised and unsupervised band selections for hyperspectral urban data classification [J]. Journal of Applied Remote Sensing，2014，8(1)：085094．

[9] SU Hong- jun，DU Qian，CHEN Gen- she，et al. Optimized hyperspectral band selection using particle swarm optimization [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014，7(6)：2659- 2670．

[10] SHEN Jie，WANG Chao，WANG Rui- li，et al. A band selection method for hyperspectral image classification based on improved particle swarm optimization [J]. Journal of Materials Engineering，2015，43(1)：62- 66．

[11] GONG Mao- guo，ZHANG Ming- yang，YUAN Yuan. Unsupervised band selection based on evolutionary multi-objective optimization for hyperspectral images [J]. IEEE Transactions on Geoscience and Remote Sensing，2016，54(1)：544- 557．

[12] 王立國，趙亮，劉丹鳳.基于人工蜂群算法高光譜圖像波段選擇 [J].哈爾濱工業(yè)大學(xué)學(xué)報，2015，47(11)：82- 88． WANG Li- guo，ZHAO Liang，LIU Dan- feng. Artificial bee colony algorithm- based band selection for hyperspectral imagery [J]. Journal of Harbin Institute of Techno-logy，2015，47(11)：82- 88．

[13] TAN Ying，ZHU Yuan- chun.Fireworks algorithm for optimization [C]∥Proceedings of Advances in Swarm Intelligence，F(xiàn)irst International Conference，ICSI 2010.Beijing:DBLP，2010：355- 364．

[14] ZHENG Yu- jun，SONG Qin，CHEN Sheng- yong. Multiobjective reworks optimization for variable- rate fertilization in oil crop production [J]. Applied Soft Computing，2013，13(11)：4253- 4263．

[15] IMRAN A M，KOWSALYA M. A new power system reconfiguration scheme for power loss minimization and voltage profile enhancement using fireworks algorithm [J]. International Journal of Electrical Power & Energy Systems，2014，62(62)：312- 322．

[16] SARAVANAN B，KUMAR C，KOTHARI D P. A solution to unit commitment problem using fire works algorithm [J]. International Journal of Electrical Power & Energy Systems，2016，77(10)：221- 227．

[17] 趙春暉，齊濱，YOUN Eunseog.基于蒙特卡羅特征降維算法的小樣本高光譜圖像分類 [J].紅外與毫米波學(xué)報，2013，32(1)：62- 67． ZHAO Chun- hui，QI Bin，YOUN Eunseog. Hyperspectral image classification based on Monte Carlo feature reduction method [J]. Journal of Infrared and Millimeter Waves，2013，32(1)：62- 67．

[18] 譚營.煙花算法引論 [M]. 北京：科學(xué)出版社，2015:5- 89．

[19] 畢曉君.信息智能處理技術(shù) [M]. 北京：電子工業(yè)出版社，2010:189- 217．

[20] CUI Ying，WANG Jia- qi，LIU Shu- bin，et al. Hyperspectral image feature reduction based on tabu search algorithm [J]. Journal of Information Hiding and Multimedia Signal Processing，2015，6(1)：154- 162．

[21] 余曉東，雷英杰，岳韶華，等.基于粒子群優(yōu)化的直覺模糊核聚類算法研究 [J].通信學(xué)報，2015，36(5)：74- 80． YU Xiao- dong，LEI Ying- jie，YUE Shao- hua，et al. Research on PSO- based intuitionistic fuzzy kernel clustering algorithm [J]. Journal on Communication，2015，36(5)：74- 80．

[22] YANG Jing- hui，WANG Li- guo，QIAN Jin- xi. Hyperspectral image classification based on spatial and spectral features and sparse representation [J]. Applied Geophysics，2015，11(4)：489- 499．

Fireworks Algorithm-Based Dimensionality Reduction for Hyperspectral Imagery Classification

CUIYing1，2SONGGuo-jiao1CHENLi-wei1LIUShu-bin2WANGLi-guo1

(1.College of Information and Communication Engineering, Harbin Engineering University, Harbin 150001, Heilongjiang, China;2.Remote Sensing Technology Center, Heilongjiang Academy of Agricultural Science, Harbin 150086, Heilongjiang, China)

In order to reduce the size and computational complexity of hyperspectral data as well as to avoid Hughes phenomenon in the following classification, a novel hyperspectral image dimensionality reduction method on the basis of fireworks algorithm (FWA) is proposed. In this method, the weighted sum of compactness coefficient and separation coefficient is used as the criterion for band selection, and a search is constantly performed and updated until the algorithm is convergent. Thus, an optimal band combination is successfully obtained. Then, a comparison among the dimensionality reduction methods respectively based on FWA, genetic algorithm (GA) and tabu search (TS) algorithm is made with AVIRIS and ROSIS datasets. The results indicate that FWA-based method is of lower computational complexity and smaller time consumption because it helps select fewer band combinations; and that, when the obtained band combination is used for hyperspectral image classification, the proposed FWA-based me-thod is the best because it improves classification accuracy and Kappa coefficient by 0.06%～4.72% and 0.00～0.09, respectively.

image classification; hyperspectral image; dimensionality reduction; fireworks algorithm; intelligent optimization algorithm

2016- 06- 12

國家自然科學(xué)基金資助項(xiàng)目(61675051);教育部博士點(diǎn)基金資助項(xiàng)目(20132304110007);黑龍江省博士后特別資助項(xiàng)目(LBH-TZ0420) Foundation items: Supported by the National Natural Science Foundation of China (61675051), the Ph.D.Programs Foundation of Ministry of Education of China (20132304110007) and the Heilongjiang Postdoctoral Special Fund (LBH-TZ0420)

崔穎(1979-),女,博士,副教授,主要從事智能信號處理、圖像處理和無線傳感器網(wǎng)絡(luò)優(yōu)化研究.E-mail:cuiying@hrbeu.edu.cn

1000- 565X(2017)03- 0020- 09

TP 751

10.3969/j.issn.1000-565X.2017.03.003