【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种基于多树遗传规划算法的遥感图像分类方法。
技术介绍
1、为了解决全球人口增长导致的粮食需求增加问题，密切监测农业活动和实现作物的精确分类至关重要。作物分类和制图是利用遥感技术监测农业活动领域的一个基本要素，其目的是识别和区分不同类型的作物，以便更好地管理种植、施肥、病虫害防治，最终提高作物产量和质量。目前，利用高光谱成像技术进行作物分类已得到广泛认可，可有效应用于精准农业领域；然而，输入高光谱数据面临着高维和存在椒盐噪声的风险。
2、传统的分类方法，例如利用光谱指数或物候特征，可以有效地对农作物进行分类，但也有其局限性。光谱指数和物候特征是从原始高光谱图像中提取的低级特征，可能会忽略有用的信息。此外，物候特征受气候和地理位置的影响，可能导致分类精度的误差。
3、深度学习是一种从原始数据中自动学习高级特征的方法，但其性能往往取决于大量高质量的样本。然而，收集和处理大量的标记样品是困难和耗时的。此外，深度学习模型复杂且缺乏可解释性，这可能会限制其在需要高可解释性的作物分类场景中的应用。
4、对于高光谱图像，面对大量的输入特征，通过特征构建可以降低数据的维数，降低计算复杂度。特征构建结合原有特征，获得新的区分度好的高级特征，可以提高对不同作物的区分。进化计算(ec)由于其强大的搜索和学习能力，已经成功地应用于各个领域。遗传规划(gp)是一种进化计算技术，根据达尔文的适者生存原则对种群进行遗传繁殖，可以自动演化计算机程序来解决特定问题。与进化计算中的其他技术相比，g
5、在实现本专利技术的过程中，专利技术人发现现有技术中存在以下技术问题：现有的基于gp的作物分类方法存在一定的局限性。首先，输入是单一的，只包含高光谱图像的原始光谱波段信息，忽略了种群的多样性。其次，现有的工作主要集中在通过开发新的树/程序表示来提高分类精度，而忽略了gp本身的进化策略，并未发挥出gp的全部潜力。
技术实现思路
1、本专利技术的目的就是为了解决上述问题，开发了一种新的基于多树遗传规划算法的遥感图像分类方法，通过自动构建高级特征来实现图像分类。
2、本专利技术采用的技术方案为：
3、基于多树遗传规划算法的遥感图像分类方法，包括以下步骤：
4、s1，获取待分类遥感高光谱图像；
5、s2，对待分类图像进行预处理；
6、s3，对待分类图像进行特征提取，提取出有利于作物分类的包含不同信息的三种类型的特征；
7、s4，利用多棵树的结构和新的进化策略，对输入的特征进行构建，将构建出的有效的高级特征输入到经典分类器中，执行分类得到不同作物类别的概率。
8、进一步，s3的具体步骤包括：
9、s31，输入需要进行作物分类的高光谱图像；
10、s32，提取出像素点的各个波段值作为第一类特征；
11、s33，对原始高光谱图像进行主成分分析降维处理后，选取前三个成分，对于每个成分通过灰度共生矩阵提取八个纹理特征，作为第二类特征；
12、s34，提取不同波段组合形成的十七个光谱指数作为第三类特征。
13、进一步，s4的具体步骤包括：
14、s41：输入各个像素点三种不同类型的特征；
15、s42：设计种群的程序结构、函数集和终端集，特征和随机常数作为终端集输入到遗传规划个体内；
16、s43，通过每个节点的输入输出对应关系，生成gp树个体，初始化种群；
17、s44，根据所选的个体适应度评价函数，评估种群中每一个个体的适应度值；
18、s45，在新的进化策略下，进行复制、交叉和突变操作，进化产生下一代种群；
19、s46，采用s44中的适应度评价函数评估新种群中每个个体的适应度值；
20、s47，判断种群的最大迭代次数是否达到；若是，停止进化；否则，转入s45继续执行搜索过程。
21、进一步，在s42中，程序结构由单个个体采用多棵树表示；第一棵树以每个像素点的光谱波段值特征作为输入，反映了不同地物在光谱维度上的细微差异；第二棵树以每个像素点的纹理特征作为输入，可以描述图像中的细节和结构，为作物分类提供更丰富的信息；第三棵树以每个像素点的光谱指数特征作为输入，其放大了不同类型地物之间的差异；
22、函数集包括图像包括五个常用的逻辑运算符和三个自定义的函数；通过五个逻辑运算符可以将经过隐式特征选择后的特征进行组合，生成有效的高级特征；三个自定义的函数使得最终生成灵活数量的高级特征，不需要提前预定义特征的数量；
23、逻辑运算符函数包括add、sub、mul、prodivide、if；它们将特征作为输入，并以组合后的特征作为输出；自定义的函数包括comb1、comb2、comb3；它们可以作为根节点也可以作为内部节；
24、终端集包括待分类高光谱图像的波段值、纹理特征、光谱指数和随机常数。每个高光谱图像都提取了二十四个纹理特征和十七个光谱指数。由于每个数据集具有不同的波段，因此提取波段值特征的数量不尽相同。
25、进一步，s43的具体步骤包括：
26、gp种群的大小设置为100，迭代次数设置为50，个体的生成方式为“ramped half-and-half”，树的深度范围为[2,10]。
27、进一步，s44的具体步骤包括：
28、个体将一组训练集输入到gp树，并转换为标签，在输入时使用五倍交叉验证来计算训练集的分类精度，计算公式如下：
29、
30、式中，γr(d)为训练集的分类精度，tpri为五倍交叉验证中每次数据划分时测试集的分类精度；
31、遗传规划树的输出是输入图像的类别标签；分类准确率是根据遗传规划树的输出计算的。
32、进一步，所述s45的具体步骤包括：
33、s451，复制操作；
34、选择种群中最好的一组树进行复制到下一代；
35、s452，选择操作；
36、选择两部分个体按照不同的进化策略分开进化。在第一部分，采用锦标赛选择方法来选择一定数量的个体，根据动态的交叉和突变算子，执行同指数交叉突变操作；在第二部分，将当前种群中每个个体的多棵树拆开，按照类别形成多个子种群，采用锦标赛选择法从每个子种群中选择一定数量的个体进行交叉和突变，再将多个子种群中单树的gp个体合并形成包含多树gp个体的一个种群；
37、s453，交叉操作；
38、使用相同类型的子树交叉来生成两个新个体；两棵树太过相似时不进行交叉；随机选择每棵树中的节点作为交叉点；从交叉点开始，交换子树以创建两个新本文档来自技高网...
【技术保护点】
1.基于多树遗传规划算法的遥感图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于多树遗传规划算法的遥感图像分类方法，其特征在于，S3的具体步骤包括：
3.根据权利要求1所述基于多树遗传规划算法的遥感图像分类方法，其特征在于，S4的具体步骤包括：
4.根据权利要求3所述基于多树遗传规划算法的遥感图像分类方法，其特征在于，在S42中，程序结构由单个个体采用多棵树表示，第一棵树以每个像素点的光谱波段值特征作为输入，第二棵树以每个像素点的纹理特征作为输入，第三棵树以每个像素点的光谱指数特征作为输入；
5.根据权利要求3所述基于多树遗传规划算法的遥感图像分类方法，其特征在于，S43的具体步骤包括：
6.根据权利要求3所述基于多树遗传规划算法的遥感图像分类方法，其特征在于，S44的具体步骤包括：
7.根据权利要求3所述基于多树遗传规划算法的遥感图像分类方法，其特征在于，S45的具体步骤包括：
8.根据权利要求7所述基于多树遗传规划算法的遥感图像分类方法，其特征在于：在对第一部分个体进行交叉和
...【技术特征摘要】
1.基于多树遗传规划算法的遥感图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于多树遗传规划算法的遥感图像分类方法，其特征在于，s3的具体步骤包括：
3.根据权利要求1所述基于多树遗传规划算法的遥感图像分类方法，其特征在于，s4的具体步骤包括：
4.根据权利要求3所述基于多树遗传规划算法的遥感图像分类方法，其特征在于，在s42中，程序结构由单个个体采用多棵树表示，第一棵树以每个像素点的光谱波段值特征作为输入，第二棵树以每个像素点的纹理特征作为输入，第三棵树以每个像素点的光谱指数特征作为输入；
<...【专利技术属性】
技术研发人员：梁静，毕莹，王鹏，杨泽轩，于坤杰，
申请(专利权)人：郑州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。