En to-trins ensemble-baseret genetisk algoritme til klassificering af jorddækning

Abstrakt— Nøjagtige kort over arealanvendelse og arealdækning (LULC) er effektive værktøjer til at hjælpe med at opnå sund byplanlægning og præcisionslandbrug. Som en intelligent optimeringsteknologi er genetisk algoritme (GA) med succes blevet anvendt til forskellige billedklassificeringsopgaver i de senere år. Enkel GA står dog over for udfordringer, såsom kompleks beregning, dårlig støjimmunitet og langsom konvergens. Denne forskning foreslår en to-trins ensembleprotokol til LULC-klassificering ved hjælp af en gråtone-rumlig-baseret GA-model. Den første ensembleramme bruger fuzzy c-midler til at klassificere pixels i dem, der er svære at klynge, og dem, der er lette at klynge, hvilket hjælper med at reducere søgerummet for evolutionær beregning. Den anden ensembleramme bruger naboskabsvinduer som heuristisk information til adaptivt at modificere den objektive funktion og mutationssandsynlighed for GA, hvilket bringer værdifulde fordele til GA's diskrimination og beslutning. I denne undersøgelse er tre forskningsområder i Dangyang, Kina, brugt til at validere effektiviteten af ​​den foreslåede metode. Eksperimenterne viser, at den foreslåede metode effektivt kan opretholde billeddetaljerne, begrænse støj og opnå hurtig algoritmekonvergens. Sammenlignet med referencemetoderne er den bedste samlede nøjagtighed opnået af den foreslåede algoritme 88,72 %. Indeksbegreber—Genetisk algoritme (GA), arealanvendelse og arealdækning (LULC), nabolagsvindue, fjernmålingsbilledklassificering, to-trins ensemble.

cistanche tubulosa-forbedrer immunsystemet

I. INTRODUKTION

L AND use and land cover (LULC) spiller en væsentlig rolle i forskellige aspekter, herunder økosystem og byplanlægning, Manuskript modtaget 18. april 2022; revideret 2. september 2022; accepteret 16. november 2022. Udgivelsesdato 30. november 2022; dato for nuværende version 15. december 2022. Dette arbejde blev delvist støttet af National Natural Science Foundation of China under Grant 62201438, Grant 61772397 og Grant 12005159, delvist af Shaanxi Forestry Science and Technology Innovation Key Special under Grant SXLK{{ 13}}, dels af Natural Science Basic Research Program i Shaanxi under Grant 2021JC-23, og dels af Science Technology and Development Project af Yulin Science and Technology Bureau under Grant CXY-2020-094. (Yang Cao og Wei Feng bidrog lige så meget til dette arbejde.) (Tilsvarende forfattere: Wei Feng; og Yinghui Quan.) Yang Cao, Wei Feng, Yinghui Quan, Yijia Song og Aifeng Ren er hos afdelingen for fjernmålingsvidenskab og teknologi , School of Electronic Engineering, Xidian University, Xi'an 710071, Kina (e-mail: ycao6@stu.xidian.edu.cn; wfeng@xidian.edu.cn; yhquan@mail.xidian.edu.cn; yijia_son@ 163.com; afren@mail.xidian.edu.cn). Wenxing Bao er fra School of Computer Science and Engineering, North Minzu University, Yinchuan 750021, Kina (e-mail: baowenxing@nun.edu.cn). Gabriel Dauphin er hos Laboratory of Information Processing and Transmission, Institut Galilée, University Paris XIII, 93430 Villetaneuse, Frankrig (e-mail: gabriel.dauphin@univ-paris13.fr). Mengdao Xing er hos Academy of Advanced Interdisciplinary Research, Xidian University, Xi'an 710071, Kina (e-mail: xmd@xidian.edu.cn). Digital Object Identifier 10.1109/JSTARS.2022.3225665 og social økonomi, af stor betydning i jordsystemet [1], [2], [3], [4]. Feltbaserede undersøgelser, der bygger på manuel fortolkning, er tidskrævende og arbejdskrævende måder, som ikke kan klassificere arealanvendelsesstatus i tide [5], [6], [7]. Tværtimod giver de seneste fremskridt inden for satellitteknologi et fremragende potentiale for nøjagtigt at skelne mellem forskellige landegenskaber og hurtigt skabe LULC-kort over det store område [8], [9], [10]. Klassifikationen af ​​fjernmålingsbilleder er groft opdelt i overvågede og ikke-overvågede tilgange [11], [12], [13], [14]. Overvågede klassifikatorers overlegne ydeevne afhænger i høj grad af de høje omkostninger mærkede data, som er vanskelige at opnå [15]. Uovervågede klassifikatorer opnår en datafordeling ved at opdele billedet i pixelgrupper med lignende karakteristika, såsom K-betydning [16], ISODATA [17] og fuzzy c-betydning (FCM) [18], som med succes er blevet brugt i LULC klassifikationsdomæne. For eksempel har Dang et al. [19] foreslog flere kerne-samarbejdende FCM'er med en vægtet superpixel-granuleringsteknik, som kan reducere de betragtede objekter i landdækningsklassificering fra et stort antal pixels til kun et par hundrede superpixelmængder af de betragtede objekter. Paradis slækkede på antagelsen om homogen varians i standard k-middel algoritmen og præsenterede en ny jorddækningsklassificeringsmetode kaldet probabilistiske k-midler (P-Kmeans) [20], denne metode fungerer godt på støj multispektrale data og har en væsentlig forbedring i den overordnede nøjagtighed (OA) sammenlignet med de simple k-midler. Desværre tager forudsigelser af disse klassifikatorer kun hensyn til spektrale træk og ignorerer deres rumlige korrelation, hvilket fører til dårlig robusthed. Den fælles rumlige-spektrale funktionsrepræsentation har vist sig at forbedre algoritmestøjimmunitet og reducere klassifikationsfejl i mange eksisterende klassifikationsmodeller [21], især fuzzy klyngealgoritmer [22], [23], [24]. FLICM [25] bruger fuzzy space og gråtone-lighedsmålinger til at forbedre billeddetaljebevarelsen og samtidig sikre støjufølsomhed. Zhang et al. [26] forbedrede den konventionelle FCM-algoritme ved hjælp af adaptive vægtningsfaktorer for tilstødende pixeleffekter baseret på en ny pixel rumlig attraktionsmodel. Lei et al. [27] foreslog enklere og betydeligt hurtigere FRFCM ved at indføre morfologisk rekonstruktionsoperation og lokal medlemsfiltrering. Wang et al. [28] præsenterede FCM_SICM med adaptiv rumlig intensitetsbegrænsning og medlemskabskobling, hvilket reducerede tidskompleksiteten af ​​objektiv funktion fra O(n4). Imidlertid giver forbedrede FCM-algoritmer stadig udfordringer med hensyn til støjinterferensreduktion.

Fordele ved cistanche tubulosa-styrke immunsystemet

Det har vist sig, at jordklassificeringsproblemet kan dekomponeres i flere binære klassifikationsopgaver [29]. At finde en optimal klassifikation betragtes derfor som et kombinatorisk optimeringsproblem. I løbet af det sidste årti har der været et bemærkelsesværdigt gennembrud i forskningen i klassificering af arealanvendelse baseret på evolutionær beregning [30], [31]. For eksempel beskriver Yang et al. præsenteret en partikelsværmoptimering (PSO)-baseret teknik og designet en kriteriefunktion til at identificere landdækket [32]. Sarkar et al. [33] brugte den maksimale Rènyi-entropi (MRE) til at udvikle en tilgang til uovervåget klassificering af landdækning baseret på differentiel evolution (DE), som klarer sig godt på to meget anvendte hyperspektrale billeddata. Genetiske algoritmer (GA'er), effektive globale optimeringsalgoritmer, imiterer biologiske genetiske mekanismer i processen med naturlig selektion for at bestemme en globalt optimal løsning [34], [35], [36], [37]. Standard GA kræver en binær kodningsoperation for at repræsentere en kandidatløsning i form af en streng [38], [39], [40]. I hver iteration udvælger crossover-operatøren tilfældigt to kandidatløsninger (dvs. forældre) og udveksler en del af deres information for at skabe nye løsninger (dvs. afkom), som forbedrer befolkningens udforskningsevne [41]. Ligesom genmutationen i naturen anvendes mutationsoperatoren på GA for at ændre en del af informationen i afkomsløsningerne og forbedre den lokale søgbarhed [42]. Udvælgelsesoperatøren udvælger kandidatløsningerne baseret på konditionen hos hvert medlem af befolkningen – bevare bedre afkom og eliminere dårlige afkom. Denne mekanisme forbedrer til gengæld balancen mellem udnyttelse og udforskning [43]. Af de ovennævnte genetiske operatører kombineres disse individer for at producere en ny generation af kandidatopløsningsgrupper, og processen gentages, indtil et eller andet konvergensindeks er opfyldt. GA tilegner sig og akkumulerer viden om søgeretningen under søgeprocessen og styrer dermed automatisk søgeretningen for at generere den optimale løsning [44], som med succes er blevet anvendt til fjernmåling af billedklassificering og har opnået gode resultater. Mange forbedrede GA'er er dukket op i de seneste år [45]. Der er dog stadig uløste problemer. 1) Omfattende beregninger. Konvergensen af ​​GA forringes, når datasættet bliver større. 2) Den dårlige støjdæmpende ydeevne ved simpel GA med fokus på spektrale funktioner er normalt følsom over for støj i billedet. 3) For tidlig konvergens. GA har begrænset søgekapacitet til det nye rum og er tilbøjelig til at falde til lokalt optimum. Da de fjernregistrerede data er karakteriseret ved heterogenitet, fokuserer vi på ensembleklassifikatorer, som understreger komplementaritet mellem de forskellige klassifikationstræk [46], [47], [48]. Den kritiske idé med ensemblestrategi er at blande og kombinere forudsigelser fra forskellige klassifikationsregler [49], [50]. I undersøgelsen af ​​[51] foreslås en meget nøjagtig ensembleklassifikationsmodel for at give flere uafhængige klassifikationskort af forskellige funktionsbeskrivelser. Undersøgelsen af ​​[52] indikerer, at ensemblerammen bestående af en to-trins afstemningsmekanisme kan undertrykke støjen fra de originale billeddata og til en vis grad forfine havisklassificeringen.

cistanche supplement fordele-øge immunitet

Klik her for at se produkter fra Cistanche Enhance Immunity

【Spørg om mere】 E-mail:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

I denne artikel foreslås en to-trins ensemblestrategi-baseret forbedret GA-model (TE-nGA) til landdækningsklassificering af multispektrale billeder. For manglerne ved GA er vores løsning at bruge ensemblestrategi og rumlige vinduer oven på en klassisk GA for at forbedre antistøjydeevne, klassificeringsnøjagtighed og konvergenshastighed. De vigtigste bidrag i denne artikel er som følger. 1) FCM-algoritmen bruges til at klassificere pixels i dem, der er svære at klynge, og dem, der er lette at klynge, hvilket indsnævrer beregningskompleksiteten. 2) En gråskala-spatial-baseret GA foreslås ved at overveje det rumlige kvartervindue i heuristisk parameterfremstilling for at forhindre for tidlig konvergens og støjfølsomhed. 3) En ny totrins ensembleramme med en flerbåndsklassificeringsmekanisme bruges til at reducere løsningens ustabilitet og klassifikationsfejl.

II. FORESLÅET KLASSIFIKATIONSMETODE

Rutediagrammet for den foreslåede algoritme er vist i fig. 1. Og algoritmen består hovedsageligt af følgende tre trin: billednedbrydning, at finde pixels, der er svære at gruppere ved hjælp af afstemningsstrategi, og omklassificering med forbedret GA baseret på ensemblemodel og spektral-spatial fusion. Bemærk, at andet og tredje trin er de kritiske dele af den foreslåede algoritme. Den foreslåede metode er skitseret i Algoritme 1.

A. Billednedbrydning

For at undgå billedartefakter fra billedsensorstøj, der påvirker kvaliteten af ​​scenen, består algoritmen af ​​først at anvende blok-matching og 3-D-filtrering, en eksisterende populær og effektiv støjdæmpende algoritme [53]. Karakteristikaene for denne filtrering er valgt ud fra denne generelle information, det er en afvejning mellem at reducere den resterende støj i det ensrettede billede og bevare ændringerne i intensitet blandt nabopixel, der tilhører forskellige klynger. Algoritmen har vist sig at udkonkurrere andre filtreringsalgoritmer ved at forbedre billedkvaliteten.

B. Første ensemble-stadie – at finde pixel, der er svære at gruppere

Blokdiagrammet til venstre i fig. 1 viser et multispektralt billede med D-bølgelængder, hvorfra der kan udtrækkes D-specifikke billeder med størrelsen H × W, angivet som I1, I2,..., ID. Det første trin, opdeler pixels mellem dem, der er svære at klynge, og dem, der er lette at klynge i, at deres medlemskab er meget sandsynligt for mindst ét ​​spektralbillede. Derfor bliver FCMs-klyngningen anvendt separat på hvert spektralbillede for at klassificere pixels i N kategorier, hvor N er indstillet på forhånd ved en visuel fortolkning. Det producerer for hver pixel, hver bølgelængde og hvert klyngemedlemskab.

Fig. 1. LULC-klassificeringsflowdiagram baseret på den foreslåede metode.

hvor Id(i, j) er intensiteten af ​​pixlen (i, j) ved den d'te bølgelængde, un d (i, j) er medlemskabet af den n'te klynge af pixlen (i, j) ved den d'te bølgelængde, 1 Mindre end eller lig med d Mindre end eller lig med D, 1 Mindre end eller lig med n Mindre end eller lig med N. For den dth bølgelængde er hver pixel markeret med en kategorimærkat cd(i, j), som

baseret på medlemskabet klassificeres pixels som let klyngede Ke og svære at klynge Kd. Den anvendte tærskel τ er en parameter til at sikre, at den pixel (i, j) ∈ Ke, der anses for let at klynge, har en høj grad af medlemskab med det relevante klyngecenter. Den (N + 1) klynge indeholder de pixels, der anses for at være vanskelige at klynge, og er betegnet Kd. Afstemningsbaserede tilgange kan løse konflikter mellem forskellige beslutninger genereret af flere klassifikationsregler. Følgelig er klassifikationsresultaterne for hver bølgelængde opnået af FCM integreret i ensembleklassifikationskortet C, baseret på flertalsafstemningsprincippet. Pixeletiketten i C gentilknyttes til den tilsvarende position af det filtrerede multispektrale billede, og de endelige omklassificeringskort opnås, betegnet som I1, I2, . . ., ID, som rammen vist i midten af ​​fig. 1. Efter anvendelse af FCM-algoritmen til at omklassificere pixels som lette og svære at gruppere, konverteres spørgsmålet om at analysere hele det originale billede således til klassificeringen af svære pixels.

C. Anden ensemblescene-ForbedretGA, der tager hensyn til nabopixels

Til højre i rutediagrammet figurerer en ramme med titlen "The Second Round Ensemble" to opgaver: GA-klassificering baseret på spektral-space joint factor og beslutningsensemble for multiband klassificering. Da LULC-klassifikationsproblemet er opdelt i flere binære klassifikationsopgaver, bør vi adressere serieunderproblemer for hver bølgelængde: om pixlen (i, j) ∈ Kd tilhører den xte kategori. 1 Mindre end eller lig med x Mindre end eller lig med N. Til sidst kombineres beslutningsresultaterne for alle N binære klassifikationskort for at opnå et klassifikationskort indeholdende N landdækningstyper. For hvert binært klassifikationsproblem anvendes den forbedrede spektral-rum-baserede GA på pixels markeret som (N + 1) klasse for yderligere at optimere de tvetydige kategorietiketter, illustreret i den stiplede ramme i fig. 1. fortolkningen af ​​denne forbedrede spektral-rum-baserede GA er som følger. 1) Todimensionel binær kromosomkodning: Til billed-ID kan N binære kort udtrækkes fra N klassifikationsopgaver. Todimensionel binær kodning bruges til at opretholde de rumlige strukturelle egenskaber af udviklede individer (et individ repræsenterer en potentiel beslutning). Kodningsmatrixstørrelsen er den samme som bølgelængdebilledet, det vil sige H × W. For at estimere om pixel (i, j) ∈ Kd tilhører den xte kategori, 1 Mindre end eller lig med x Mindre end eller lig med N, for hver bølgelængde koder vi pixels (i, j) ∈ Ke i klasse x grupperet af FCM som 1 og ikke-kategori x som 0, hvor der ikke udføres yderligere evolutionsoptimeringsoperationer. Disse punkter(i, j) ∈ Kd er tilfældigt kodet som 0 eller 1. Evolutionær optimering implementeret i Kd vil undersøge alle mulige løsninger. 2) Fitnessfunktion baseret på naboskabsvindue: Fitnessfunktionen er den mest kritiske indikator til at evaluere kvaliteten af ​​individer i befolkningen, hvilket er relateret til udvælgelsen af ​​individer og udførelsen af ​​genetiske operatører. Tilstødende pixels er meget korrelerede med hensyn til gråtoner og tekstur. Følgelig er den komplementære information om spektre og rum vedtaget for at udvikle en sammensat fitnessfunktion, som giver en ny idé til forbedring af algoritmens støjimmunitet. For den n'te klyngeopgave ved den d'te bølgelængde, antag, at antallet af individer i populationen er P, CIp,n,d er vejindividerne, 1 Mindre end eller lig med p Mindre end eller lig med P, 1 Mindre end eller lig med til n Mindre end eller lig med N, 1 Mindre end eller lig med d Mindre end eller lig med D. Fitnessfunktionen af ​​CIp,n,d er Fitness=1 OF, OF beregnes ved formlen (3)

hvor r ∈ {{{0}}, 1}, Rr angiver pixels kodet som 0 eller 1, og deres mængdestatistik er repræsenteret som Nr. Det rth klyngecenter vr beregnes ved pixelmiddelværdien af ​​alle punkter, der hører til Rr. I d(i, j) er intensiteten af ​​pixlen (i, j) ved den d'te bølgelængde efter anvendelse af FCM-klyngealgoritmen. I nabofunktionen Wr(i, j) antages nabovinduer at være kvadratiske, og deres sidelængde s at være ulige heltal. N(i, j, s) repræsenterer s × s kvartervinduet ved indekseret placering (i, j). Nt(i, j, s) står for intensiteten af ​​den t. pixel i nabolaget N(i, j, s). Medlemskabsgraden af ​​den t. pixel i N(i, j, s), der hører til den r. klynge, betegnes som utr(i, j, s). lt(i, j, s) repræsenterer den rumlige afstand mellem den t. nabopixel og midtpunktet (i, j). L er den rumlige afstandsvægt mellem midtpunktet og dets nabopixel. 3) Mutationsoperatør ved brug af nabolagsinformation: Nye generationer genereres iterativt via individuel udvælgelse, ensartet krydsning og genetisk mutation, som illustreret i den stiplede ramme i fig. 1. De fleste GA'er anvender en global mutationssandsynlighed til at implementere etiketmodifikationen for tilfældigt udvalgte pixels med samme sandsynlighed, hvilket usynligt sænker konvergenshastigheden af ​​GA. Som den kritiske tekniske operatør skabes en forbedret heuristisk mutationssandsynlighed, i kombination med nabolagsinformation, for automatisk at beregne den passende mutationssandsynlighed for hvert gen. Følgende formler definerer denne nye mutationssandsynlighed:

for den midterste pixel (i, j), betegner uht(i, j, s) medlemskabsgraden af ​​nabopunktet Nt(i, j, s), der hører til klyngecenter vh, h ∈ {{{0} }, 1}. Som følge heraf er den adaptive mutationssandsynlighed Pm(i, j) for den individuelle CIp,n,d udtrykt som formel 8, hvor P0 er den grundlæggende mutationssandsynlighed, også den globale mutationssandsynlighed i klassisk GA; σ, eksponenten for S, står for indflydelsesvægten af ​​naboinformation om mutationssandsynligheden for den centrale pixel. CIp,n,d(i,j) er den binære kodning af stiindividet til den n'te klyngeopgave ved den d'te bølgelængde. lt(i, j, s) angiver den rumlige afstand mellem den midterste pixel(i, j) og den t. pixel i N(i, j, s). Etiketten af ​​Nt(i, j, s) er angivet som Ct, hvis u1t er større end u0t, så Ct=1; ellers, Ct=0. I betragtning af de forskellige nabolagsvinduer, når s=3, kan det beregnes, at S ∈ [0, 4+2√2]; når s=5, S ∈ [0, 6+3√2+1.6 √5]. Gennem den ovennævnte mekanisme kan punkterne (i, j) ∈ Kd adaptivt erhverve passende mutationssandsynligheder baseret på kategorien af ​​nabopixel. Når det estimerede mærke CIp,n,d(i,j) er i overensstemmelse med de fleste kategorier af omgivende pixels, kræves der en lille mutationssandsynlighed for at opretholde den oprindelige regionale homogenitet. Ellers stiger mutationssandsynligheden for at få CIp,n,d(i,j) til at tendere til de fleste kategorier i nabolaget N(i, j, s). Af de ovennævnte genetiske operatører bliver nyt afkom iterativt genereret. Personen med den højeste kondition udsendes, når iterationsbetingelsen ikke er opfyldt, som vist i trin 10-16 i Algoritme 1. Bemærk en usædvanlig klassifikationsregel for denne foreslåede metode med hensyn til LULC-klassificering. Den foreslåede spektral-rumbaserede GA udfører kun binær klassificering på hvert bølgelængdebillede. Når alle N arealanvendelsestyper er blevet diskrimineret og N binære billeder, fusioneres klassifikationsresultaterne til et komplet klassifikationskort. Enkelt sagt hører pixel(i, j) til den kategori, der markerer den som 1 i det binære klassifikationskort. Når to eller flere binære kort markerer pixlen som 1, klassificeres pixlen som den med den største fitnessværdi, som vist i fig. 2 og trin 19 i Algoritme 1.

Algoritme 1: Proceduren for den foreslåede to-trins ensemblemodel.

Fig. 2. Kombination af fire binære klassifikationsresultatkort.

Endelig anvendes den anden ensemblemodel på D-klassifikationskortene, med det formål at fusionere klassifikationskort fra alle bølgelængder til det endelige LULC-kort. Ensemblereglerne er som følger: antag, at der er nk klassifikationskort, der klassificerer pixlen (i, j) som den kth klasse, og den endelige kategori CI(i, j)=k, hvis nk > nx, hvor x ∈ {1, 2,..., N}, x=k, N i=1 ni=D. Bemærk, at vi i integrationsrammen altid selektivt fjerner klassifikationen resultater i NIR-båndet, fordi dets klassificeringsresultater ofte er utrolige.

III. EKSPERIMENTELLE RESULTATER

A. Introduktion til data

Tre datasæt af fjernmålingsbilleder erhvervet af Beijing 2-satellitten bruges til at verificere nøjagtigheden og effektiviteten af ​​den foreslåede algoritme. Beijing-2 er en civil kommerciel fjernmålingssatellitkonstellation (DMC3) bestående af tre højopløsningssatellitter. Den blev lanceret den 11. juli 2015 fra Indien og leveret til en 651 km sol-synkron. Beijing-2-konstellationssystemet giver ca. 24 km bred, 0,8 m opløsning pankromatisk og 3,2 m opløsning blå, grønne, røde og nær-infrarøde multispektrale billeder i kredsløb, som kan give fjernmåling af satellitdata og rumlige informationsprodukter med global dækning og fremragende rumlig og tidsmæssig opløsning, der er i stand til at gense ethvert sted på kloden i en eller to dage. Eksperimentelle billeder blev opnået i 2018. Teststedet er tre forskellige dele af Dangyang City, Hubei-provinsen, Kina. I denne artikel er kun multispektrale billeder taget i betragtning. Vi udførte atmosfærisk korrektion på disse billeddata gennem ENVI(5.3). Den atmosfæriske model er subarktisk vinter, og aerosolmodellen er landlig. Desuden er den aerosol-hentning, vi valgte, 2-bånd (KT). De andre parametre blev indstillet som standard. Alle billeder er forbehandlet ved samregistrering. Desuden har vi fået en allerede mærket klassificering af alle billeder i de fire eller fem klasser. Dette er baseret på en udtømmende visuel inspektion ved at observere det originale billede og optages på et georefereret kort som grundsandhed.

cistanche tubulosa-forbedrer immunsystemet

B. Parameterkonfiguration

I dette eksperiment er tærsklen τ for FCM 0.8, populationsstørrelsen er sat til 40, crossover-sandsynligheden Pc=0.8, basismutationssandsynligheden P0=0.001 , eksponenten σ er 2, nabolagets vinduesstørrelse s er indstillet til 3 pixels, med det formål at bevare billeddetaljerne og samtidig optimere computerens behandlingstid og konvergensretning. Ni eksisterende metoder til klassificering af landdækning er nødvendige for at verificere effektiviteten af ​​den foreslåede metode, herunder FCM, ENFCM [22], FGFCM [23], FLICM [25], ADFLICM [26], FRFCM [27], FCM{{14} }SICM [28], MRE-DE [33] og P-Kmeans [20]. Parameterindstillingerne er identiske med den originale litteratur og gentages ikke her. Desuden har simpel GA den samme parameter populationsstørrelse H og overkrydsningssandsynlighed Pc som den foreslåede algoritme i denne artikel, mutationssandsynligheden Pm=0.01, men uden nabolagsinformation kan læseren forstå, at nabolagets vinduesstørrelse er 1. Især beholder nGA den genetiske operatør ved hjælp af nabolagsinformation, men sletter ensembleoperationen, der findes i TE-nGA.

C. Klassificeringsresultater

Fig. 3–5 viser LULC-klassificeringsresultater i farvekort svarende til de forskellige modeller, når de testes på hvert datasæt. Da de tre fjernregistrerede billeder indeholder forskellige typer arealanvendelse, er farvegengivelsen af ​​klassifikationsskemaet ikke ensartet. Ifølge disse klassificeringsresultater er farvekortene opnået ved den foreslåede metode for tre figurer mere klare og glatte. Tabel I viser tider (løbetid) og OA opnået af de 12 modeller og testet på forskningsområder for at sammenligne klassificeringsydelsen med forskellige metoder. De bedste eksperimentelle resultater er vist med fed skrift. Man kan konkludere, at den foreslåede metode gav de bedste samlede resultater med den højeste OA på 88,72 % og relativt få forkerte pixels. For område 3 øges klassificeringsnøjagtigheden af ​​LULC med 28,35 % ved brug af nabolagsvinduerne; Endnu vigtigere kan TE-nGA reducere beregningstiden til 9257,56 s sammenlignet med den simple GA. Dette skyldes, at den heuristiske mutationsoperatør af TE-nGA adaptivt kan kontrollere søgeretningen for at accelerere konvergensen af ​​algoritmen, hvilket beviser, at den foreslåede metode er mere egnet til praktiske scenarier. Derudover svarer nGA til TE-nGA fjernelse af ensemble-operation, så læseren kan forstå, at TE-nGA kun kører på single-band(band1) billedet. For område 3, når ensemble-rammer introduceres, er klassificeringsnøjagtigheden yderligere forbedret med 0,72 %, hvilket viser ensemblestrategiens effektivitet.

D. Parameteranalyse

Et af det væsentlige ved den foreslåede metode er at betragte den rumlige nabolagsinformation som heuristisk information for adaptivt at modificere den objektive funktion og mutationssandsynlighed og dermed forbedre støjimmuniteten og klassificeringsnøjagtigheden såvel som konvergenshastigheden. Det betyder dog ikke, at jo større vinduesstørrelsen er, jo bedre er klassificeringseffekten. Med hensyn til tabel II observeres øget ydeevne, når man overvejer rumlig kvarterinformation, når man øger størrelsen af ​​vinduet op til en passende tærskel og derefter reducerer. Alt er for, at prøver længere væk fra den centrale pixel bidrager lidt til kategoriinddelingen af ​​den centrale pixel og endda forværrer fejlklassificeringen. På grund af objekter på forskellige geografiske placeringer eksisterende forskelle i lysstyrke og tekstur, ser den optimale vinduesstørrelse ud til at være 5 × 5 for område 1 og område 2, men alligevel 3 × 3 for område 3. Dette resultat kan ses med fed skrift i tabel II, repræsenterer den bedste nøjagtighed og hurtigste konvergenstid. Desuden har vi fundet ud af, at sandsynligheden for basemutationP0 og eksponenten σ også er vitale faktorer, der påvirker klassifikationsydelsen. I vores undersøgelse bruges forskellige P0 og σ til at verificere fortolkningen og klassificeringen af ​​LULC. Fig. 6 tegner variationskurverne for OA, når P{{10}} og σ øges. Det viste sig, at for en fast σ, når P0 stiger, stiger den samlede klassifikationsnøjagtighed først og derefter falder. Dette resultat forventes, da et lille P0 vil få søgningen til at blive begrænset til den oprindelige evolutionære retning og dermed falde ind i et lokalt optimum; omvendt vil et stort P0 bryde det gode evolutionære mønster og afvige resultaterne fra den optimale løsning. På den anden side, når σ stiger, er effekten af ​​nabolagsinformationen mere signifikant, og den bedste grundlæggende sandsynlighedsværdi ændres gradvist fra høj til lav. Egnede kvartervægte er mere befordrende for at opnå de bedste klassificeringsresultater. I vores forskningsområde er den bedste eksponent σ ∈ {2, 3}, og det mest passende interval for P0 er [10−5, 10−2].

Fig. 3. Område 1 klassifikationsresultater. (a) Grundsandhed. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-Kmeans. (k) GA. (l) nGA. (m) TE-nGA.

TABEL I EVALUERINGSRESULTATER AF OTTE FORSKELLIGE KLASSIFIKATIONSMETODER I TRE UNDERSØGELSESOMRÅDER

Fig. 4. Område 2 klassifikationsresultater. (a) Grundsandhed. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-Kmeans. (k) GA. (l) nGA. (m) TE-nGA.

Fig. 5. Område 3 klassifikationsresultater. (a) Grundsandhed. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-Kmeans. (k) GA. (i) nGA. (m) TE-nGA.

TABEL II EVALUERINGSRESULTATER AF DEN FORESLÅEDE TE-NGA VED BRUG AF VINDUER MED FORSKELLIGE STØRRELSER I TRE UNDERSØGELSESOMRÅDER

Fig. 6. Analyse af basismutationssandsynligheden P0 og eksponent σ i den heuristiske mutationssandsynlighed.

IV. KONKLUSION

Hovedbidraget fra denne undersøgelse er at foreslå en overlegen to-trins ensemblestrategi og spektral-spatial-baseret GA til LULC-klassificering af multispektrale billeder. Den første ensemblemodel udfører FCM på multi-band-billeder, hvilket reducerer klassificeringsopgaven for fjernregistrerede billeder til kategoribestemmelse af pixels, der er svære at gruppere. Den anden ensemblebehandling omfatter to opgaver. For det første blev den forbedrede GA, der kombinerer spektral og rumlig information, skabt for at tilbyde innovative løsninger på gåder, såsom langsom konvergens og dårlig antistøj. Præcis, denne forbedring drager fordel af de nye fitnessfunktioner og mutationssandsynlighed ved at bruge et passende naboskabsvindue. Derefter anvendes ensemblemodellen til at integrere klassifikationsresultater afledt af flere båndbilleder, som bruges til at reducere risikoen for fejlklassificering. Resultaterne viser, at den foreslåede TE-nGA har en foretrukken klassificeringsydelse og hurtigere konvergens end simpel GA. I fremtiden forventer vi at udvide anvendelsen af ​​den foreslåede teknik til andre områder, såsom afgrødeklassificering, måldetektion og hyperspektral billedklassificering.

Fordele ved cistanche tubulosa-styrke immunsystemet

REFERENCER

[1] T. Hermosilla, MA Wulder, JC White og NC Coops, "Landdækkeklassificering i en æra med store og åbne data: Optimering af lokaliseret implementering og valg af træningsdata for at forbedre kortlægningsresultater," Remote Sens. Environ., vol. . 268, 2022, art. ingen. 112780.

[2] P. Helber, B. Bischke, A. Dengel og D. Borth, "EuroSAT: A novel dataset and deep learning benchmark for area use and land cover classification," IEEE J. Sel. Emner Appl. Jordobservation. Remote Sens., vol. 12, nr. 7, s. 2217-2226, juli 2019.

[3] C. Li, G. Xian, Q. Zhou og BW Pengra, "En ny metode til automatisk fænologilæring (APL) til træning af prøveudvælgelse ved hjælp af flere datasæt til tidsseriekortlægning af landdækning," Remote Sens. Environ. , bind. 266, 2021, art. ingen. 112670.

[4] S. Ji, D. Wang og M. Luo, "Generativ adversarial netværksbaseret fuld rumdomænetilpasning til jorddækningsklassificering fra fjernmålingsbilleder med flere kilder," IEEE Trans. Geosci. Remote Sens., vol. 59, nr. 5, s. 3816-3828, maj 2021.

[5] Y. Quan, Y. Tong, W. Feng, G. Dauphin, W. Huang og M. Xing, "En ny billedfusionsmetode til multispektrale og SAR-billeder til klassificering af landdækning," Remote Sens. , bind. 12, nr. 22, 2020, art. ingen. 3801.

[6] B. Iqbal og M. Ali, "Estimering af rumlig-temporal lufttemperatur fra satellitbaseret lst under semi-tørre til tørre omgivelser i Peshawar Basin, Northwest Pakistan," Adv. Space Res., vol. 70, nr. 4, s. 961-975, 2022.

[7] H.-c. Shih, DA Stow, JR Weeks og LL Coulter, "Bestemmelse af typen og starttidspunktet for jorddækning og ændring af arealanvendelse i det sydlige Ghana baseret på diskret analyse af tætte Landsat-billeders tidsserier," IEEE J. Sel. Emner Appl. Jordobservation. Remote Sens., vol. 9, nr. 5, s. 2064-2073, maj 2016.

[8] A. Jamil og B. Bayram, "Træarter udvinding og arealanvendelse/dækklassificering fra højopløselige digitale ortofotokort," IEEE J. Sel. Emner Appl. Jordobservation. Remote Sens., vol. 11, nr. 1, s. 89-94, januar 2018.

[9] Z. Xue, P. Du og L. Feng, "Fænologi-drevet landdækningsklassificering og trendanalyse baseret på langsigtede fjernmålingsbilledserier," IEEE J. Sel. Emner Appl. Jordobservation. Remote Sens., vol. 7, nr. 4, s. 1142-1156, april 2014.

[10] Q. Zhu et al., "Land-use/land-cover change detection based on a siamese global learning framework for high spatial resolution remote sensing imagery," ISPRS J. Photogrammetry Remote Sens., vol. 184, s. 63-78, 2022.

[11] W. Feng, G. Dauphin, W. Huang, Y. Quan og W. Liao, "Ny margin-baseret subsampling iterativ teknik i modificerede tilfældige skove til klassificering," Knowl.-Based Syst., vol. 182, 2019, art. ingen. 104845.

[12] W. Feng et al., "Dynamisk syntetisk minoritet over-sampling teknik baseret rotationsskov til klassificering af ubalancerede hyperspektrale data," IEEE J. Sel. Emner Appl. Jordobservation. Remote Sens., vol. 12, nr. 7, s. 2159-2169, juli 2019.

[13] Y. Sun, L. Mou, Y. Wang, S. Montazeri og XX Zhu, "Bygningshøjdehentning i stor skala fra enkelt SAR-billeder baseret på bounding box regression netværk," ISPRS J. Photogrammetry Remote Sens., vol. 184, s. 79-95, 2022.

[14] R. Yang, X. Xu, Z. Xu, H. Dong, R. Gui og F. Pu, "Dynamic fraktal texture analysis for PolSAR land cover classification," IEEE Trans. Geosci. Remote Sens., vol. 57, nr. 8, s. 5991-6002, august 2019

[15] S. Saha, F. Bovolo og L. Bruzzone, "Detektion af bygningsændringer i VHR SAR-billeder via uovervåget dyb omkodning," IEEE Trans. Geosci. Remote Sens., vol. 59, nr. 3, s. 1917-1929, marts 2021.

[16] MK Islam, MS Ali, MS Miah, MM Rahman, MS Alam og MA Hossain, "Hjernetumordetektion i MR-billede ved hjælp af superpixels, hovedkomponentanalyse og skabelonbaseret k-betyder klyngealgoritme," Mach. Lære. Appl., bind. 5, 2021, art. ingen. 100044.

[17] Q. Wang, Q. Li, H. Liu, Y. Wang og J. Zhu, "En forbedret ISODATA-algoritme til hyperspektral billedklassificering," i Proc. 7. Int. kongr. Image Signal Process., 2014, s. 660–664.

[18] S. Ghaffarian og S. Ghaffarian, "Automatic histogram-based fuzzy cmeans clustering for remote sensing imagery," ISPRS J. Photogrammetry Remote Sens., vol. 97, s. 46-57, 2014.

[19] TH Dang, DS Mai og LT Ngo, "Multiple kernel collaborative fuzzy clustering algoritme med vægtede superpixler til satellitbillede landcover klassificering," Eng. Appl. Artif. Intell., bind. 85, s. 85-98, 2019.

[20] E. Paradis, "Probabilistic unsupervised classification for large-scale analyse of spectral imaging data," Int. J. Appl. Earth Observation Geoinformation, vol. 107, 2022, art. ingen. 102675.

[21] X. Hu, X. Wang, Y. Zhong og L. Zhang, "S3aNet: Spectral-spatial-scale opmærksomhedsnetværk for end-to-end præcis afgrødeklassificering baseret på UAVborne H2-billeder," ISPRS J. Photogrammetry Remote Sens., vol. 183, s. 147-163, 2022.

[22] L. Szilagyi, Z. Benyo, S. Szilagyi og H. Adam, "Mr. hjernebilledsegmentering ved hjælp af en forbedret fuzzy c-means-algoritme," i Proc. 25. år. Int. Konf. IEEE Eng. Med. Biol. Soc., 2003, bind. 1, s. 724-726.

[23] W. Cai, S. Chen og D. Zhang, "Hurtig og robust fuzzy c-betyder klyngealgoritmer, der inkorporerer lokal information til billedsegmentering," Pattern Recognit., vol. 40, nr. 3, s. 825-838, 2007.

[24] Y. Zhang, X. Bai, R. Fan og Z. Wang, "Deviation-sparse fuzzy c-means with neighbor information constraint," IEEE Trans. Fuzzy Syst., vol. 27, nr. 1, s. 185-199, januar 2019.

[25] S. Krinidis og V. Chatzis, "En robust fuzzy lokal information C-betyder klyngealgoritme," IEEE Trans. Image Process., vol. 19, nr. 5, s. 1328-1337, maj 2010.

[26] H. Zhang, Q. Wang, W. Shi og M. Hao, "En ny adaptiv fuzzy lokal information C - betyder klyngealgoritme til fjernregistreret billedklassificering," IEEE Trans. Geosci. Remote Sens., vol. 55, nr. 9, s. 5057-5068, september 2017.

[27] T. Lei, X. Jia, Y. Zhang, L. He, H. Meng og AK Nandi, "Betydende hurtig og robust fuzzy C-betyder klyngealgoritme baseret på morfologisk rekonstruktion og medlemskabsfiltrering," IEEE Trans. Fuzzy Syst., vol. 26, nr. 5, s. 3027-3041, oktober 2018.

[28] Q. Wang, X. Wang, C. Fang og W. Yang, "Robust fuzzy C-betyder klyngealgoritme med adaptive rumlige & intensitetsbegrænsninger og medlemskabslinkning til støjbilledsegmentering," Appl. Soft Comput., vol. 92, 2020, art. ingen. 106318.

[29] G. Yiqiang, W. Yanbin, J. Zhengshan, W. Jun og Z. Luyan, "Fjernmålingsbilledklassificering ved hjælp af den kaosgenetiske algoritme til overvågning af ændringer i arealanvendelse," Math. Comput. Model., bind. 51, nr. 11, s. 1408-1416, 2010.

[30] M. Iqbal, B. Xue, H. Al-Sahaf og M. Zhang, "Genbrug på tværs af domæner af udvundet viden i genetisk programmering til billedklassificering," IEEE Trans. Evol. Comput., vol. 21, nr. 4, s. 569-587, august 2017.

[31] R. Hamad, "En fjernmåling og GIS-baseret analyse af Urban Sprawl i Soran-distriktet, irakisk Kurdistan," SN Appl. Sci., bind. 2, nr. 1, s. 1-9, 2019.

[32] H. Yang, Q. Du og G. Chen, "Partikelsværmoptimeringsbaseret hyperspektral dimensionalitetsreduktion til klassificering af byarealer," IEEE J. Sel. Emner Appl. Jordobservation. Remote Sens., vol. 5, nr. 2, s. 544-554, april 2012.

[33] S. Sarkar, S. Das og SS Chaudhuri, "Hyperspektral billedsegmentering ved hjælp af Rényi entropi baseret multi-level tærskelværdi hjulpet med differentiel evolution," Expert Syst. Appl., bind. 50, s. 120-129, 2016.

[34] S. Sen Gupta, S. Hossain og K.-D. Kim, "HDR-lignende billede fra pseudoeksponeringsbilledfusion: En genetisk algoritmetilgang," IEEE Trans. Forbrug. Electron., vol. 67, nr. 2, s. 119-128, maj 2021.

[35] C. Peng, X. Wu, W. Yuan, X. Zhang, Y. Zhang og Y. Li, "MGRFE: Multilayer rekursive feature elimination based on a embedded genetisk algoritme for cancer classification," IEEE/ACM Trans . Comput. Biol. Bioinf., vol. 18, nr. 2, s. 621–632, mar./apr. 2021.

[36] HH Zhang, ZS Xue, XY Liu, P. Li, L. Jiang og GM Shi, "Optimering af højhastighedskanal til signalintegritet med dyb genetisk algoritme," IEEE Trans. Elektromagn. Compat., vol. 64, nr. 4, s. 1270-1274, august 2022.

[37] Z. Huang, W. Wu, H. Liu, W. Zhang og J. Hu, "Identifikation af dynamiske ændringer i vandoverfladen ved hjælp af sentinel-1-data baseret på genetiske algoritmer og maskinlæringsteknikker," Remote Sens., bind. 13, nr. 18, 2021, art. ingen. 3745.

[38] F. Ye, C. Doerr, H. Wang og T. Bäck, "Automatiseret konfiguration af genetiske algoritmer ved tuning til ydeevne når som helst," IEEE Trans. Evol. Comput., vol. 26, nr. 6, s. 1526-1538, december 2022.

[39] MG Souza, EE Vallejo og K. Estrada, "Detektering af klyngede uafhængige sjældne variantforeninger ved hjælp af genetiske algoritmer," IEEE/ACM Trans. Comput. Biol. Bioinf., vol. 18, nr. 3, s. 932–939, maj/jun. 2021.

[40] T. Dutta, S. Dey, S. Bhattacharyya, S. Mukhopadhyay og P. Chakrabarti, "Hyperspektral billedtærskelværdi på flere niveauer ved hjælp af qutrit genetisk algoritme," Expert Syst. Appl., bind. 181, 2021, art. ingen. 115107.

[41] Y.-R. Chen, J.-W. Chen, S.-C. Hsieh og P.-N. Ni, "Anvendelse af fjernmålingsteknologi til fortolkning af arealanvendelse til nedbør-inducerede jordskred baseret på genetiske algoritmer og kunstige neurale netværk," IEEE J. Sel. Emner Appl. Jordobservation. Remote Sens., vol. 2, nr. 2, s. 87-95, juni 2009.

[42] D. Corus og PS Oliveto, "Standard steady state genetiske algoritmer kan klatre hurtigere end mutations-kun evolutionære algoritmer," IEEE Trans. Evol. Comput., vol. 22, nr. 5, s. 720-732, oktober 2018.

[43] TL Cerqueira, FC Bertoni og MG Pires, "Forekomst genetisk udvælgelse for fuzzy regel-baseret system optimering til mening klassificering," IEEE Latin Amer. Trans., bind. 18, nr. 7, s. 1215-1221, juli 2020.

[44] JE Batista, AIR Cabral, MJP Vasconcelos, L. Vanneschi og S. Silva, "Forbedring af jorddækkeklassificering ved hjælp af genetisk programmering til funktionskonstruktion," Remote Sens., vol. 13, nr. 9, 2021, art. ingen. 1623.

[45] A. Mohammadi, H. Asadi, S. Mohamed, K. Nelson og S. Nahavandi, "Multiobjektive og interaktive genetiske algoritmer til vægtjustering af en model prædiktiv kontrolbaseret motion cueing-algoritme," IEEE Trans. Cybern., bind. 49, nr. 9, s. 3471-3481, september 2019.

[46] A. Khoder og F. Dornaika, "Ensemble learning via feature selection and multiple transformed subset: Application to image classification," Appl. Blød. Comput., vol. 113, 2021, art. ingen. 108006.

[47] W. Feng, W. Huang og W. Bao, "Ubalanceret hyperspektral billedklassificering med en adaptiv ensemblemetode baseret på SMOTE og rotationsskov med differentierede samplingshastigheder," IEEE Geosci. Remote Sens. Lett., vol. 16, nr. 12, s. 1879–1883, december 2019.

[48] ​​W. Feng et al., "Semi-overvåget rotationsskov baseret på ensemblemarginteori til klassificering af hyperspektralt billede med begrænsede træningsdata," Inf. Sci., bind. 575, s. 611-638, 2021.

[49] Z. Zhu, Z.Wang, D. Li, Y. Zhu og W. Du, "Geometrisk strukturel ensemblelæring til ubalancerede problemer," IEEE Trans. Cybern., bind. 50, nej. 4, s. 1617-1629, april 2020.

[50] Q. Sun og Z. Ge, "Deep learning for industriel KPI-forudsigelse: Når ensemblelæring møder semi-overvågede data," IEEE Trans. Ind. Informat., vol. 17, nr. 1, s. 260-269, januar 2021.

[51] X. Gu, C. Zhang, Q. Shen, J. Han, PP Angelov og PM Atkinson, "En selvtrænings hierarkisk prototype-baseret ensembleramme for fjernmåling af sceneklassificering," Inf. Fusion, vol. 80, s. 179-204, 2022.

[52] B. Wang, L. Xia, D. Song, Z. Li og N. Wang, "En to-runder vægt-afstemningsstrategi-baseret ensemblelæringsmetode til havisens klassificering af sentinel-1-billeder, "Remote Sens., vol. 13, nr. 19, 2021, art. ingen. 3945.

[53] K. Dabov, A. Foi, V. Katkovnik og K. Egiazarian, "Billednedbrydning ved sparsom 3-D transform-domæne kollaborativ filtrering," IEEE Trans. Image Process., vol. 16, nr. 8, s. 2080-2095, august 2007.