一种基于进化多目标优化的遥感水质图像分类方法技术

本发明专利技术公开了一种基于进化多目标优化的遥感水质图像分类方法，包括：1：输入遥感水质图像训练样本数据；步骤2：对所述的遥感水质图像训练样本数据进行预处理；步骤3：训练遥感水质图像分类模型；遥感水质图像分类包括：步骤4：输入待分类的遥感水质图像样本数据；步骤5：对所述待分类遥感水质图像样本数据进行预处理；步骤6：通过遥感水质图像分类模型对所待分类遥感水质图像样本数据进行分类。本发明专利技术能快速分类出水质污染情况，并提升分类结果的准确度和精度。

【技术实现步骤摘要】
一种基于进化多目标优化的遥感水质图像分类方法
本专利技术涉及遥感图像分类
，尤其涉及一种基于进化多目标优化的遥感水质图像分类方法。
技术介绍
近年来，随着人类活动的日益频繁，水质环境面临着巨大的压力，水质不容乐观。目前水质监测的方法主要是使用在监测断面上采取水样本传统的实验室化验水质参数的方法进行监测。传统的方法虽然精度高但是要消耗较大的人力和物力并且监测结果空间不连续，难以获得两个监测站点中间的水质状况。
技术实现思路
本专利技术为克服现有技术的不足之处，提出一种基于进化多目标优化的遥感水质图像分类方法，能快速分类出水质污染情况，并提升分类结果的准确度和精度。本专利技术为达到上述专利技术目的，采用如下技术方案：本专利技术一种基于进化多目标优化的遥感水质图像分类方法的特点是按如下步骤进行：步骤1：采集T个遥感水质图像样本，并提取T个遥感水质图像样本关于各个类别的属性特征，从而得到T个遥感水质图像的样本数据，其中，第t个遥感水质图像的样本数据，记为(xt,yt)，xt表示第t个遥感水质图像样本的属性特征，并有：表示第t个遥感水质图像样本中第i个类别的属性特征，yt表示第t个遥感水质图像样本的标签，i＝1,2,…,d，t＝1,2,…,T；步骤2：对所述第t个遥感水质图像样本的属性特征xt进行标准化处理，得到第t个遥感水质图像样本的特征向量并与所述第t个遥感水质图像样本的标签yt构成样本空间(x′t,yt)，从而得到T个遥感水质图像样本的训练数据集，记为其中，表示第t个遥感水质图像样本中第i个类别的特征向量；步骤3：将训练数据集以一对一的方式分成若干个二类训练子集；步骤4：通过进化多目标优化为每个二分类训练子集初始化相应种群，且每个种群包含N个个体；步骤5：定义当前迭代次数为p，最大迭代次数为P，并初始化p＝1；步骤6：定义当前独立迭代次数为i，最大迭代次数为I，并初始化i＝1；步骤7：在第p次当前迭代的第i次当前独立迭代的每个种群中的N个个体在进入多目标种群独立进化过程中，计算第p次当前迭代的第i次当前独立迭代的每个个体的真正例率TPR和反正例率FPR；步骤8：第p次当前迭代的第i次当前独立迭代的每个个体根据真正例率TPR和反正例率FPR计算第p次当前迭代的第i次当前独立迭代的拥挤距离和适应度值，从而根据第p次当前迭代的第i次当前独立迭代的拥挤距离和适应度值选取一半子代个体作为第p次当前迭代的第i+1次当前独立迭代的父代个体；步骤9：将i+1赋值给i，将p+1赋值给p后，重复步骤7和步骤8，直到达到所述最大独立迭代次数I；步骤10：定义当前辅助迭代次数为g，最大辅助迭代次数为G，并初始化g＝1；步骤11：计算第p次当前迭代的第g次当前辅助迭代的每个种群个体的平均精度；步骤12：若第p次当前迭代的第g次当前辅助迭代的种群平均精度低于所设定的阈值的种群，将其标记为第p次当前迭代的第g次当前辅助迭代的非优秀种群即第p次当前迭代的第g次当前辅助迭代的被辅助种群，并从第p次当前迭代的第g次当前辅助迭代的其他种群中选取K个种群作为第p次当前迭代的第g次当前辅助迭代的K个可能辅助种群，用于帮助第p次当前迭代的第g次当前辅助迭代的非优秀种群进行进化；所述可能辅助种群包括平均精度高于所设定的阈值的种群即优秀种群以及与被辅助种群中相同分类类别的种群；步骤13：利用第p次当前迭代的第g次当前辅助迭代的被辅助种群所对应的二类训练子集计算第p次当前迭代的第g次当前辅助迭代的第k个可能辅助种群中的前S个精度最高的个体的平均精度，如果所得到的平均精度高于第p次当前迭代的第g次当前辅助迭代的被辅助种群中所有个体的平均精度，则将所述第p次当前迭代的第g次当前辅助迭代的第k个可能辅助种群作为第p次当前迭代的第g次当前辅助迭代的第k个辅助种群；否则，丢弃第p次当前迭代的第g次当前辅助迭代的第k个可能辅助种群；步骤14：通过进化多目标优化的交叉变异算子将所述第p次当前迭代的第g次当前辅助迭代的第k个辅助种群分别和所述第p次当前迭代的第g次当前辅助迭代的被辅助种群进行交互，从而得到所述第p次当前迭代的第g次当前辅助迭代的辅助后产生的第k个子代；步骤15：将k+1赋值给k后，重复步骤13至步骤14，直到所有K个种群全部交互完成；步骤16：将g+1赋值给g后，p+1赋值给p后，重复步骤11至步骤15，直到达到所述最大辅助迭代次数G；步骤17：将p+1赋值给p后，重复步骤6至步骤17，直到达到所述最大迭代次数P并选取每个种群上精度最高的个体，组合得到遥感水质图像分类模型，并用于实现遥感水质图像的分类。本专利技术所述的基于进化多目标优化的遥感水质图像分类方法的特点也在于，所述第t个遥感水质图像样本的属性特征值包括：叶绿素a浓度、悬浮物浓度、总磷、总氮、透明度。若所述第t个遥感水质图像样本的标签yt＝1，表示第t个遥感水质图像样本为优秀水质，若yt＝2，表示第t个遥感水质图像为良好水质，若yt＝3，表示第t个遥感水质图像样本为污染水质。与现有技术相比，本专利技术的有益效果在于：1、本专利技术不同于传统的水质监测方法，提出一种基于进化多目标优化的遥感水质图像分类方法，通过从遥感水质图像提取能有效分辨水质类别的属性特征，利用进化多目标优化训练遥感水质图像分类模型，从而能够从大量的遥感水质图像数据中快速高效准确分类出水质情况，可以大规模节省人力，节省时间，多数情况下还可以节省经费，并完全可以达到与人工解译、和传统统计方法结合相同或更高的精度，提高了水环境管理效率。2、本专利技术在训练遥感水质图像预测模型参数过程中，采取直接优化真正例率TPR和反正例率FPR两个目标，能够很好的度量不平衡数据处理的整体性能，从而克服了传统分类算法不能有效解决水质类别比例极度不平衡问题，使训练出的分类模型优于传统分类模型，从而提高了遥感水质图像分类性能和准确率。3、本专利技术在训练遥感水质图像样本数据过程中，采用辅助进化的方式，针对难以分类的水质二分类问题(水质多分类问题分解产生的)，通过选取其他种二分类问题来辅助进化，从而提高了各个水质二分类问题的分类效果，最终提高了遥感水质图像分类性能。附图说明图1为本专利技术的流程图。具体实施方式本实施例中，一种基于进化多目标优化的遥感水质图像分类方法，包括遥感水质图像分类模型训练步骤和遥感水质图像检测步骤，具体的说，如图1所示，是按如下步骤进行：步骤一：遥感水质图像分类模型训练：步骤1.1：采集T个遥感水质图像样本，并提取T个遥感水质图像样本关于各个类别的属性特征，属性特征值包括：叶绿素a浓度、悬浮物浓度、总磷、总氮、透明度，从而得到T个遥感水质图像的样本数据，其中，第t个遥感水质图像的样本数据，记为(xt,yt)，xt表示第t个遥感水质图像样本的属性特征，并有：表示第t个遥感水质图像样本中第i个类别的属性特征，yt表示第t个遥感水质图像样本的标签本文档来自技高网...

【技术保护点】
1.一种基于进化多目标优化的遥感水质图像分类方法，其特征是按如下步骤进行：/n步骤1：采集T个遥感水质图像样本，并提取T个遥感水质图像样本关于各个类别的属性特征，从而得到T个遥感水质图像的样本数据，其中，第t个遥感水质图像的样本数据，记为(x

【技术特征摘要】
1.一种基于进化多目标优化的遥感水质图像分类方法，其特征是按如下步骤进行：
步骤1：采集T个遥感水质图像样本，并提取T个遥感水质图像样本关于各个类别的属性特征，从而得到T个遥感水质图像的样本数据，其中，第t个遥感水质图像的样本数据，记为(xt,yt)，xt表示第t个遥感水质图像样本的属性特征，并有：表示第t个遥感水质图像样本中第i个类别的属性特征，yt表示第t个遥感水质图像样本的标签，i＝1,2,…,d，t＝1,2,…,T；
步骤2：对所述第t个遥感水质图像样本的属性特征xt进行标准化处理，得到第t个遥感水质图像样本的特征向量并与所述第t个遥感水质图像样本的标签yt构成样本空间(x′t,yt)，从而得到T个遥感水质图像样本的训练数据集，记为其中，表示第t个遥感水质图像样本中第i个类别的特征向量；
步骤3：将训练数据集以一对一的方式分成若干个二类训练子集；
步骤4：通过进化多目标优化为每个二分类训练子集初始化相应种群，且每个种群包含N个个体；
步骤5：定义当前迭代次数为p，最大迭代次数为P，并初始化p＝1；
步骤6：定义当前独立迭代次数为i，最大迭代次数为I，并初始化i＝1；
步骤7：在第p次当前迭代的第i次当前独立迭代的每个种群中的N个个体在进入多目标种群独立进化过程中，计算第p次当前迭代的第i次当前独立迭代的每个个体的真正例率TPR和反正例率FPR；
步骤8：第p次当前迭代的第i次当前独立迭代的每个个体根据真正例率TPR和反正例率FPR计算第p次当前迭代的第i次当前独立迭代的拥挤距离和适应度值，从而根据第p次当前迭代的第i次当前独立迭代的拥挤距离和适应度值选取一半子代个体作为第p次当前迭代的第i+1次当前独立迭代的父代个体；
步骤9：将i+1赋值给i，将p+1赋值给p后，重复步骤7和步骤8，直到达到所述最大独立迭代次数I；
步骤10：定义当前辅助迭代次数为g，最大辅助迭代次数为G，并初始化g＝1；
步骤11：计算第p次当前迭代的第g次当前辅助迭代的每个种群个体的平均精度；
步骤12：若第p次当前迭代的第g次当前辅助迭代的种群平均精度低于所设定的阈值的种群，将其标记为第p次当前迭代的第g次当前辅助迭代的...

【专利技术属性】
技术研发人员：程凡，张聪聪，王啟军，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽;34