基于蚁群优化的特征选择新方法

利用蚁群优化算法解决特征选择问题，以获得能代表问题空间的较优特征子集，并能降低分类系统的搜索空间。以航空纹理影像的特征选择和分类问题为例，利用主分量变换和蚁群优化算法分别对原始纹理影像特征集合进行特征提取、选择和分类。结果表明，本文方法不仅能够降低图像特征空间维数，减少图像分类的工作量，而且还可以提高分类识别的正确率。     

基于蚁群算法的边缘检测

蚁群算法是近些年发展起来的一种群体智能优化算法,它利用生物信息激素作为蚂蚁选择后续行为的依据,并通过蚂蚁间的协同与交互来完成全局寻优搜索过程。本文将该算法用于边缘检测,建立图像边缘与信息场之间的联系。提出了基于像素邻域的8个启发信息检测算子,指导蚂蚁选择最优边缘路径,并能自动确定分割阈值。对灰度图像进行模拟实验与经典分割算子进行对比,结果表明,该算法可以精确提取边缘特征,细节特征更为清晰。     

高光谱影像特征子集选择方法

针对高维遥感数据的降维困难问题,该文提出并构建了一种融合粒子群优化算法全局寻优能力和支持向量机优秀分类性能的高光谱遥感影像特征子集选择与分类方法。通过引入混沌优化搜索技术改进融合粒子群优化算法的全局寻优能力;提出并采用一种基于粒度的网格搜索策略对支持向量机模型参数进行优化;利用二进制融合粒子群优化算法进行特征选择;然后,支持向量机采用该特征子集所对应的训练数据集进行模型参数优化和分类。实验结果表明该方法能有效地提取出用于分类的最佳波段,具有较高的分类精度。为高光谱遥感影像的特征选择与分类探索出了一种可行的方法。     

联合像元-深度-对象特征的遥感图像城市变化检测

特征空间的构建和优化对遥感图像识别能力的提高具有重要作用。针对面向对象方法对波段光谱信息利用不足,以及像元识别法无法充分利用图像空间几何等信息的问题,本文建立了新颖的联合像素级和对象级特征的航摄遥感图像城市变化检测方法。首先,充分利用像素级和对象级特征的优势,建立考虑光谱、指数、纹理、几何、表面高度及神经网络深度特征的特征空间;然后,引入LightGBM(light gradient boosting machine)算法对大量特征进行选择研究;最后,采用随机森林识别器对宜兴市2012年和2015年两期遥感图像进行识别,利用变化矩阵进行城市的变化检测。结果表明:联合像元、深度、对象特征和LightGBM特征选择算法的识别效果最好,平均的总体识别精度达到了88.50%,Kappa系数达到0.86,比基于像元、深度或对象特征的识别方法分别提高了10.50%、15.00%和4.00%;城市变化检测精度达到了87.50%。因此,本文方法是利用甚高分辨率航摄遥感图像进行城市变化的检测的有效方法。     

单变量特征选择的苏北地区主要农作物遥感识别

遥感识别多源特征综合和特征优选是提高遥感影像分类精度的关键技术。农作物遥感识别中,识别特征的相对单一和数量过多均会导致作物识别精度不理想。随机森林(random forests)采用分类与回归树(CART)算法来生成分类树,结合了bagging和随机选择特征变量的优点,是一种有效的分类方法。单变量特征选择(univariate feature selection)能够对每一个待分类的特征进行测试,衡量该特征和响应变量之间的关系,根据得分舍弃不好的特征,优选得到的特征用于分类。本文基于随机森林和单变量特征选择,利用多时相光谱信息、植被指数信息、纹理信息及波段差值信息,设计多组分类实验方案,对江苏省泗洪县的高分一号(GF-1)和环境一号(HJ-1A)影像进行分类研究,旨在选择最佳的分类方案对实验区主要农作物进行识别和提取。实验结果表明:(1)多源信息综合的农作物分类精度明显高于单一的原始光谱特征分类,说明不同类型特征的引入能改善分类效果;(2)基于单变量特征选择算法的优选特征分类效果最佳,总体精度97.07%,Kappa系数0.96,表明了特征优选在降低维度的同时,也保证了较高的分类精度。随机森林和单变量特征选择结合的方法可以提高遥感影像的分类精度,为农作物的识别和提取研究提供了有效的方法。     

一种基于改进的2D-Gabor纹理图像分类方法

针对多纹理图像分类的问题,本文提出了一种操作性强,通用性高的分类方法。借助人类视觉特性和纹理图像的尺寸,设计了一种快速简单的Gabor滤波参数设置方法。在多通道的滤波特征图像中应用顺序向前搜索策略选择特征,以J-M距离(Jeffreys-Matusitas distance)为判别因子进行特征空间的优化,最后通过SVM方法实现图像分类。实验表明,该方法有良好的纹理图像分类效果。较之传统的Gabor滤波图像分类方法,该方法具有参数设置简单,操作性强的特点。     

一种基于SVM多特征综合的图像分类方法

分别利用多通道Gabor滤波器和HSV颜色模型对图像进行特征提取,得到两种特征空间。用顺序向前浮点法搜索,以J-M距离(Jeffreys-Matusitas distance)为评价指标进行特征选择,最后利用综合后的特征数据在SVM基础上实现图像的监督分类。上述方法提高了彩色纹理图像和遥感图像的分类正确率。实验表明,多特征融合的分类效果比单一特征要好。     

利用改进SEaTH算法的面向对象分类特征选择方法

针对分离阈值法(SEaTH)仅从类间距离评价特征,没有考虑类内距离和特征之间相关性的不足,提出了一种改进的SEaTH算法——ISEaTH。该算法分别依据特征相关性、类间距离和类内距离对特征进行评价,然后综合利用多种评价结果获取最优的特征子集。采用新疆喀什地区的QuickBird数据进行了特征选择的实验。结果表明,该方法不但能降低特征维数,有效优化特征空间,还能提高分类精度。     

混合智能优化算法的SAR图像特征选择

为提高SAR图像自动目标识别的准确率及实时性,提出了一种基于混合智能优化的SAR图像特征选择算法。首先,采用分形特征对SAR图像进行增强,基于分割后的图像提出了一种基于图像矩的方位角估计方法。然后基于未校正和校正后的图像分别提取Zernike矩、Gabor小波系数和灰度共生矩阵构成候选特征集合,使用遗传算法结合二值粒子群的混合优化算法实现SAR图像特征选择。最后,采用MSTAR数据库验证本文算法的有效性。实验结果表明,优化后的特征集合具有一定泛化能力,一方面提高了SAR目标识别的准确率,另一方面减小了SAR图像目标识别的时间。     

利用特征选择自适应决策树的层次SAR图像分类

提出了一种新的基于特征选择自适应决策树的层次分类算法,用于合成孔径雷达（synthetic apertureradar,SAR）图像的分类。采用Joint Boosting算法选择出最适用于各类的特征组合,并自适应地搜索构造出一个由两类分类器构成的层次分类器,利用特征选择结果和自适应决策树进行了SAR图像的学习和推理,实现了自动分类,在国内首批极化干涉SAR数据上的实验证明了本算法的有效性。     

粗集属性划分的集成遥感分类

提出了一种基于粗集属性划分的遥感分类新方法, 构造了基于粗集的集成遥感分类器。该分类器利用粗集理论将输入的属性集合划分为多个约减, 利用这些约减构造多个训练子集。每个训练子集训练神经网分类器, 在决策时将多个单个分类器的结果进行投票选举。这种方法即减少了单个分类器的输入属性个数, 又避免了由于属性选取造成单一分类器在某些分类上的错误偏见。该分类器与神经网分类器方法, 以及属性选取与神经网结合方法进行了比较。结果表明RSEC无论在分类精度上, 还是在不同样本个数条件下的精度稳定程度上均有较好表现。     

基于小波与遗传算法的特征提取与特征选择

高维遥感数据的分类与识别与传统的多光谱遥感分类技术具有明显的区别。本文提出了一种基于遗传算法和小波／小波包分析相结合的特征提取方法用于高维遥感数据降维与分类。该方法综合了遗传算法的全局优化和小波／小波包分析的多尺度、多分辨率的特点。首先,通过离散的小波变换(DWT)或小波包变换(WP)将高光谱信号变换到特征域进行光谱分解。由于DWT变换是一种线性变换,不同尺度的DWT系数可作为线性光谱特征。然后,对这些线性光谱特征利用遗传算法结合训练样本计算类内／类间距离搜索最优分类子集,其具体染色体编码取可能的特征号,适应度函数基于样本平均Jeffries-Matusita距离计算。所用的分类器采用最大似然分类器。试验结果表明该方法与常规特征提取算法如主成分变换(PCA)、判别分析特征提取(DAFE)、决策边界特征提取(DBFE)相比,能提高分类精度约1.1％-6.5％。     

Genetic feature selection for texture classification

This paper presents a novel approach to feature subset selection using genetic algorithms. This approach has the ability to accommodate multiple criteria such as the accuracy and cost of classification into the process of feature selection and finds the effective feature subset for texture classification. On the basis of the effective feature subset selected, a method is described to extract the objects which are higher than their surroundings, such as trees or forest, in the color aerial images. The methodology presented in this paper is illustrated by its application to the problem of trees extraction from aerial images.     

面向对象的无人机遥感影像岩溶湿地植被遥感识别

以广西桂林会仙喀斯特国家湿地公园为研究区，以无人机航摄影像为数据源，综合利用面向对象的影像分析技术、随机森林算法、阈值分类方法和Boruta全相关特征变量选择算法进行岩溶湿地植被的遥感识别。结果表明：针对不同特征变量对岩溶湿地遥感识别的贡献率而言，光谱特征（DOM > DSM） > 纹理特征（DOM > DSM） > 几何特征 > 上下文变量；两个航摄影像数据集的总体分类精度都在85%以上，Kappa系数也高于0.85。本文研究结果对基于高空间分辨率无人机可见光影像的岩溶湿地植被遥感识别在特征变量选择、分割参数选择及方法选择方面具有一定的借鉴意义。     

Genetic feature selection for texture classification

This paper presents a novel approach to feature subset selection using genetic algorithms. This approach has the ability to accommodate multiple criteria such as the accuracy and cost of classification into the process of feature selection and finds the effective feature subset for texture classification. On the basis of the effective feature subset selected, a method is described to extract the objects which are higher than their surroundings, such as trees or forest, in the color aerial images. The methodology presented in this paper is illustrated by its application to the problem of trees extraction from aerial images.     

Band Selection and Dimension Estimation for Hyperspectral Imagery—a New Approach Based on Invasive Weed Optimization

Currently, hyperspectral images have potential applications in many scientific areas due to the high spectral resolution. Extracting suitable and adequate bands/features from high dimensional data is a crucial task to classify such data. To overcome this issue, dimension reduction techniques have direct effects to improve the efficiency of classifiers on hyperspectral images. One common approach for decreasing the dimensionality is the feature/band selection by considering the optimum dimensionality of the hyperspectral imagery. In this paper, a new method was proposed to select optimal band for classification application, based on a metaheuristic Invasive Weed Optimization (IWO) algorithm. In this regard, the K-nearest neighbour (K-NN) technique was used as the classifier. Moreover, as a by-product of our band selection method, a new method was proposed to estimate an optimum dimension of the reduced hyperspectral images for better classification. Experimental results over three real-world hyperspectral datasets clearly showed that the proposed IWO-based band selection algorithm of this study led to the significant progress in selecting suitable bands for classification applications and estimation of optimum dimensionality of these datasets. In this regard, the overall accuracy (OA) of classification of the proposed IWO-based band selection algorithm was 92.02, 93.57, and 89.72 % for each dataset, respectively. Moreover, results reveal the superiority of the proposed IWO-based band selection algorithm against the other algorithms including GA, SA, ACO, and PSO for band selection purpose.     

基于混合式特征选择的高分五号影像农田识别

精准农田识别是农作物估产和粮食安全评估的基础。遥感数据作为农田识别的重要数据源,可提供动态、快速的监测结果。高光谱数据在农田识别分类方面具有巨大的应用潜力,但其中的冗余波段影响了分类效率和分类精度。因此,本研究提出了一种适用于高光谱数据农田分类的混合式特征选择算法。首先,基于变量的重要性排序或约束程度,按步长逐步进行降维;其次,寻找分类精度骤减的转折点,并将其对应的变量作为特征子集;最后,利用序列后向选择SBS（Sequential Backward Selection）方法搜索最优分类特征子集。本研究利用GF-5高光谱数据,共研究了3种降维方法（随机森林RF（Random Forest）、互信息MI（Multi-Information）和L1正则化（L1 regularization））和3种分类算法（随机森林、支持向量机SVM（Support Vector Machine）和K近邻KNN（K-Nearest Neighbor））的组合在农田分类中的表现。结果表明,基于L1正则化法得到的特征子集自相关性较低,并且包含的红边和近红外波段有效提高了农田、森林和裸土的区分度。在不同分类模型比较中发现,SVM在高维空间中表现出非常好的抗噪能力,分类精度高于RF和KNN。而RF在低维空间中的泛化能力要高于SVM和KNN。相比于第一步降维得到的特征子集,使用SBS搜索得到的最优特征子集均提高了分类精度。最终,具有23维输入的L1-SVM-SBS分类模型得到了最高的总体分类精度（94.64%）和农田召回率（95.83%）。本研究为高光谱数据特征优选提供了一种新思路,筛选出了更具代表性的特征波段,提高了农田分类精度,对高光谱遥感分类研究具有参考价值。     

特征贡献度与PCA结合的遥感影像分类特征选择优化方法研究

面向对象遥感影像分类过程中,特征选择是保证分类精度和提高分类速度的关键因素。本文针对高分影像特征过多造成维度灾难、无法取舍有效特征导致低分类精度等问题,提出了一种基于特征贡献度与主成分分析(PCA)结合的特征选择优化方法,定量分析并提取影像特征。本文首先利用特征贡献度进行特征选择,提取有效特征;然后进行PCA变换消除特征间相互影响,降低维度,将提取的143个影像分类特征经选择与变换至20个主成分特征,最终优化的特征在神经网络(ANN)、K最近邻法(KNN)和支持向量机(SVM)三种分类实验结果中的总精度分别提高了10.56%、7.78%和6.11%,实现了较好的分类效果,说明优化的特征选择方法不仅大大降低了特征维度,减少了后端分类计算量,同时有效提高了分类精度。     

Genetic Algorithm Based Feature Subset Selection for Land Cover/ Land Use Mapping Using Wavelet Packet Transform

A genetic algorithm based approach is used in this paper for the selection of a subset from the combination of Wavelet Packet Statistical and Wavelet Packet Co-occurrence textural feature sets to classify the LISS IV satellite images using neural networks. Generally, adding a new feature increases the complexity of training and classification. Hence there is a need to differentiate between those features that contribute ample information and others. Many current feature reduction techniques such as Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA) involve linear transformations of the original pattern vectors to new vectors of lower dimensions. Hence a multi-objective Genetic Algorithm has been employed to reduce the complexity and increase the accuracy of classification. Four indices - user’s accuracy, producer’s accuracy, overall accuracy and kappa co-efficient are used to assess the accuracy of the classified data. Experimental results show that the proposed Genetic Algorithm approach with lesser number of optimal features produces comparable results with that of our earlier approach using more features.