Un algorisme genètic basat en conjunts en dos passos per a la classificació de la cobertura del sòl

Resum—Els mapes precisos d'ús del sòl i coberta del sòl (LULC) són eines efectives per ajudar a aconseguir una planificació urbana sòlida i una agricultura de precisió. Com a tecnologia d'optimització intel·ligent, l'algorisme genètic (GA) s'ha aplicat amb èxit a diverses tasques de classificació d'imatges en els últims anys. Tanmateix, la GA simple s'enfronta a reptes, com ara càlculs complexos, poca immunitat al soroll i convergència lenta. Aquesta investigació proposa un protocol de conjunt de dos passos per a la classificació LULC mitjançant un model GA basat en escala de grisos. El primer marc de conjunt utilitza c-means difusos per classificar els píxels en els que són difícils de agrupar i els que són fàcils d'agrupar, cosa que ajuda a reduir l'espai de cerca per a la computació evolutiva. El segon marc de conjunt utilitza finestres de barri com a informació heurística per modificar de manera adaptativa la funció objectiva i la probabilitat de mutació de l'AG, la qual cosa aporta valuosos beneficis a la discriminació i la decisió de l'AG. En aquest estudi, s'utilitzen tres àrees de recerca a Dangyang, Xina, per validar l'eficàcia del mètode proposat. Els experiments mostren que el mètode proposat pot mantenir eficaçment els detalls de la imatge, restringir el soroll i aconseguir una convergència ràpida de l'algorisme. En comparació amb els mètodes de referència, la millor precisió global obtinguda per l'algorisme proposat és del 88,72%. Termes de l'índex: algorisme genètic (GA), ús del sòl i cobertura del sòl (LULC), finestra de barri, classificació d'imatges de teledetecció, conjunt en dos passos.

cistanche tubulosa: millora el sistema immunitari

I. INTRODUCCIÓ

L'ús i la cobertura del sòl (LULC) tenen un paper essencial en diversos aspectes, inclosos els ecosistemes i la planificació urbana. Manuscrit rebut el 18 d'abril de 2022; revisat el 2 de setembre de 2022; acceptat el 16 de novembre de 2022. Data de publicació el 30 de novembre de 2022; data de la versió actual 15 de desembre de 2022. Aquest treball va comptar amb el suport de la National Natural Science Foundation de la Xina amb la subvenció 62201438, la subvenció 61772397 i la subvenció 12005159, en part per l'especial de claus d'innovació en ciència i tecnologia forestal de Shaanxi sota la subvenció SXLK{{ 13}}, en part pel Programa d'Investigació Bàsica de Ciències Naturals de Shaanxi amb la subvenció 2021JC-23, i en part pel Projecte de Ciència, Tecnologia i Desenvolupament de l'Oficina de Ciència i Tecnologia de Yulin sota la subvenció CXY-2020-094. (Yang Cao i Wei Feng van contribuir per igual a aquest treball.) (Autors corresponents: Wei Feng; i Yinghui Quan.) Yang Cao, Wei Feng, Yinghui Quan, Yijia Song i Aifeng Ren formen part del Departament de Ciència i Tecnologia de Teledetecció , Escola d'Enginyeria Electrònica, Universitat de Xidian, Xi'an 710071, Xina (correu electrònic: 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 és a l'Escola d'Informàtica i Enginyeria de la North Minzu University, Yinchuan 750021, Xina (correu electrònic: baowenxing@nun.edu.cn). Gabriel Dauphin és al Laboratori de Processament i Transmissió de la Informació, Institut Galilée, Universitat París XIII, 93430 Villetaneuse, França (correu electrònic: gabriel.dauphin@univ-paris13.fr). Mengdao Xing forma part de l'Acadèmia de Recerca Interdisciplinària Avançada de la Universitat de Xidian, Xi'an 710071, Xina (correu electrònic: xmd@xidian.edu.cn). Identificador d'objecte digital 10.1109/JSTARS.2022.3225665 i economia social, de profunda importància en el sistema terrestre [1], [2], [3], [4]. Els estudis de camp, que es basen en la interpretació manual, són maneres que requereixen temps i molta mà d'obra que no poden classificar l'estat de l'ús del sòl en el temps [5], [6], [7]. Per contra, els avenços recents en la tecnologia de satèl·lit ofereixen un potencial excel·lent per distingir amb precisió entre diverses característiques de la terra i crear ràpidament mapes LULC de la vasta àrea [8], [9], [10]. La classificació d'imatges de teledetecció es divideix aproximadament en enfocaments supervisats i no supervisats [11], [12], [13], [14]. El rendiment superior dels classificadors supervisats depèn substancialment de les dades etiquetades d'alt cost, que és difícil d'obtenir [15]. Els classificadors no supervisats obtenen una distribució de dades dividint la imatge en grups de píxels amb característiques similars, com ara K-means [16], ISODATA [17] i fuzzy c-means (FCM) [18], que s'han utilitzat amb èxit en el Domini de classificació LULC. Per exemple, Dang et al. [19] va proposar l'agrupació de FCM col·laboratius de nucli múltiple amb una tècnica de granulació ponderada de superpíxels, que pot reduir els objectes considerats de la classificació de la cobertura terrestre d'un gran nombre de píxels a només uns quants centenars de superpíxels dels objectes considerats. Paradis va relaxar la hipòtesi de la variància homogènia en l'algoritme estàndard de k-means i va presentar un nou mètode de classificació de la coberta del sòl anomenat k-means probabilistes (P-Kmeans) [20], aquest mètode funciona bé en dades multiespectrals de soroll i té una millora substancial en la precisió global (OA) en comparació amb les k-mitjanes simples. Malauradament, les prediccions d'aquests classificadors només tenen en compte les característiques espectrals i ignoren la seva correlació espacial, donant lloc a una poca robustesa. S'ha trobat que la representació conjunta de les característiques espacial-espectral millora la immunitat al soroll de l'algorisme i redueix els errors de classificació en molts models de classificació existents [21], especialment els algorismes d'agrupació difusa [22], [23], [24]. FLICM [25] utilitza mesures d'espai difuso i similitud en escala de grisos per millorar la retenció de detalls de la imatge alhora que garanteix la insensibilitat al soroll. Zhang et al. [26] va millorar l'algorisme FCM convencional utilitzant factors de ponderació adaptatius per als efectes de píxels veïns basats en un nou model d'atracció espacial de píxels. Lei et al. [27] va proposar un FRFCM més senzill i significativament més ràpid introduint l'operació de reconstrucció morfològica i el filtratge de membres locals. Wang et al. [28] va presentar FCM_SICM amb restricció d'intensitat espacial adaptativa i enllaç de pertinença, reduint la complexitat temporal de la funció objectiu d'O(n4). Tanmateix, els algorismes FCM millorats encara presenten reptes pel que fa a la reducció d'interferències de soroll.

Beneficis de cistanche tubulosa-enfortir el sistema immunitari

S'ha demostrat que el problema de classificació de terres es pot descompondre en múltiples tasques de classificació binària [29]. Trobar una classificació òptima es considera, per tant, un problema d'optimització combinatòria. Durant l'última dècada, hi ha hagut un avenç notable en la investigació de la classificació de l'ús del sòl basat en el càlcul evolutiu [30], [31]. Per exemple, Yang et al. va presentar una tècnica basada en l'optimització de l'eixam de partícules (PSO) i va dissenyar una funció de criteri per identificar la cobertura del sòl [32]. Sarkar et al. [33] va utilitzar l'entropia màxima de Rènyi (MRE) per desenvolupar un enfocament per a la classificació no supervisada de la coberta del sòl basat en l'evolució diferencial (DE), que funciona bé en dues dades d'imatge hiperespectral àmpliament utilitzades. Els algorismes genètics (GA), algorismes d'optimització global eficaços, imiten mecanismes genètics biològics en el procés de selecció natural per determinar una solució òptima globalment [34], [35], [36], [37]. El GA estàndard requereix una operació de codificació binària per representar una solució candidata en forma de cadena [38], [39], [40]. En cada iteració, l'operador d'encreuament selecciona aleatòriament dues solucions candidates (és a dir, pares) i intercanvia part de la seva informació per crear noves solucions (és a dir, descendència), que millora la capacitat d'exploració de la població [41]. Igual que la mutació gènica a la natura, l'operador de mutació s'aplica a l'AG per canviar part de la informació de les solucions de descendència i millorar la cercabilitat local [42]. L'operador de selecció selecciona les solucions candidates en funció de l'aptitud de cada membre de la població, reservant millors descendències i eliminant les progenies dolentes. Aquest mecanisme, al seu torn, millora l'equilibri entre l'explotació i l'exploració [43]. Mitjançant els operadors genètics esmentats anteriorment, aquests individus es combinen per produir una nova generació de grups de solució candidats, i el procés es repeteix fins que es compleix algun índex de convergència. GA adquireix i acumula coneixements sobre la direcció de cerca durant el procés de cerca i, per tant, controla automàticament la direcció de cerca per generar la solució òptima [44], que s'ha aplicat amb èxit a la classificació d'imatges de teledetecció i ha aconseguit bons resultats. En els darrers anys han sorgit molts GA millorats [45]. No obstant això, encara hi ha problemes sense resoldre. 1) Càlculs extensos. La convergència de GA es deteriora quan el conjunt de dades es fa més gran. 2) El pobre rendiment antisoroll de la GA simple centrada en característiques espectrals sol ser sensible als sorolls de la imatge. 3) Convergència prematura. GA té una capacitat de cerca limitada per al nou espai i és propens a caure en l'òptim local. Com que les dades de teledetecció es caracteritzen per l'heterogeneïtat, ens centrem en els classificadors de conjunts, que emfatitzen la complementarietat entre les diverses característiques de classificació [46], [47], [48]. La idea crítica de l'estratègia de conjunt és combinar i combinar prediccions de diferents regles de classificació [49], [50]. En l'estudi de [51], es proposa un model de classificació de conjunt altament precís per proporcionar múltiples mapes de classificació independents mitjançant diferents descriptors de característiques. L'estudi de [52] indica que el marc de conjunt que consisteix en un mecanisme de votació de dos passos pot suprimir el soroll de les dades de la imatge original i refinar fins a cert punt la classificació del gel marí.

Beneficis del suplement de cistanche: augmenta la immunitat

Feu clic aquí per veure els productes Cistanche Enhance Immunity

【Demanar més】 Correu electrònic:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

En aquest article, es proposa un model de GA millorat (TE-nGA) basat en una estratègia de conjunt de dos passos per a la classificació de la cobertura del sòl d'imatges multiespectrals. Per a les deficiències de GA, la nostra solució és utilitzar l'estratègia de conjunt i les finestres espacials a sobre d'un GA clàssic per millorar el rendiment antisoroll, la precisió de classificació i la velocitat de convergència. Les principals contribucions d'aquest article són les següents. 1) L'algorisme FCM s'utilitza per classificar els píxels en els que són difícils de agrupar i els que són fàcils de agrupar, la qual cosa redueix la complexitat computacional. 2) Es proposa un GA basat en escala de grisos tenint en compte la finestra de veïnatge espacial en la creació de paràmetres heurístics per evitar la convergència prematura i la sensibilitat al soroll. 3) S'utilitza un nou marc de conjunt de dos passos amb un mecanisme de classificació multibanda per reduir la inestabilitat de la solució i els errors de classificació.

II. MÈTODE DE CLASSIFICACIÓ PROPOSTA

El diagrama de flux de l'algorisme proposat es mostra a la figura 1. I l'algorisme consta principalment dels tres passos següents: eliminació de soroll de la imatge, trobar els píxels difícils d'agrupar mitjançant l'estratègia de votació i reclassificació mitjançant GA millorada basada en el model d'ensemble i espectral-espacial. fusió. Tingueu en compte que el segon i el tercer pas són les parts crítiques de l'algorisme proposat. El mètode proposat està esbossat a l'algoritme 1.

A. Reducció de soroll de la imatge

Per evitar artefactes d'imatge del soroll del sensor d'imatge que afecten la qualitat de l'escena, l'algorisme consisteix en aplicar primer la concordança de blocs i el filtrat 3-D, un algorisme de reducció de soroll popular i eficaç existent [53]. Les característiques d'aquest filtrat es trien a partir d'aquesta informació general, és un compromís entre reduir el soroll restant a la imatge rectificada i preservar els canvis d'intensitat entre píxels veïns pertanyents a diferents clústers. S'ha demostrat que l'algoritme supera altres algorismes de filtrat en la millora de la qualitat de la imatge.

B. Primera etapa de conjunt: trobar píxels difícils d'agrupar

El diagrama de blocs de l'esquerra de la figura 1 mostra una imatge multiespectral amb longituds d'ona D, de la qual es poden extreure imatges específiques de D amb la mida de H × W, denotades com I1, I2,..., ID. El primer pas, divideix els píxels entre els que són difícils d'agrupar i els que són fàcils d'agrupar, ja que, almenys per a una imatge espectral, és molt probable la seva pertinença. Per tant, l'agrupació de FCM s'està aplicant per separat a cada imatge espectral per classificar els píxels en N categories, on N s'estableix per endavant mitjançant una interpretació visual. Produeix per a cada píxel, cada longitud d'ona i cada membre de clúster.

Fig. 1. Diagrama de flux de classificació LULC basat en el mètode proposat.

on Id(i, j) és la intensitat del píxel (i, j) a la longitud d'ona d-esima, un d (i, j) és la pertinença a l'enèsimo clúster del píxel (i, j) a la longitud d'ona d-esima, 1 Menor o igual a d Menor o igual a D, 1 Menor o igual a n Menor o igual a N. Per a la longitud d'ona dth, cada píxel està marcat amb una etiqueta de categoria cd(i, j), com

en funció de la pertinença, els píxels es classifiquen com a Ke fàcilment agrupat i difícil d'agrupar Kd. El llindar τ utilitzat és un paràmetre per assegurar que el píxel (i, j) ∈ Ke considerat fàcil de agrupar té un alt grau de pertinença al centre de clúster rellevant. El (N + 1)è clúster conté els píxels considerats difícils d'agrupar i denotats Kd. Els enfocaments basats en el vot poden resoldre conflictes entre diferents decisions generades per múltiples regles de classificació. En conseqüència, els resultats de classificació de cada longitud d'ona obtinguts per FCM s'integren al mapa de classificació del conjunt C, basat en el principi de vot majoritari. L'etiqueta de píxel en C es reasigna a la posició corresponent de la imatge multiespectral filtrada i s'obtenen els mapes de reclassificació finals, denotats com I1, I2, . . ., ID, com el marc que es mostra a la meitat de la figura 1. Després d'aplicar l'algorisme FCM per reclassificar els píxels com a fàcils i difícils de agrupar, la qüestió d'analitzar tota la imatge original es converteix, per tant, en la classificació de la píxels difícils.

C. Segon Escenari de Conjunt—MilloratGA tenint en compte els píxels veïns

A la dreta del diagrama de flux, un marc titulat "The Second Round Ensemble" representa dues tasques: classificació GA basada en el factor conjunt espectral-espai i conjunt de decisió per a la classificació multibanda. Com que el problema de classificació LULC es descomposa en múltiples tasques de classificació binària, hauríem d'abordar subproblemes en sèrie per a cada longitud d'ona: si el píxel (i, j) ∈ Kd pertany a la categoria x. 1 Menor o igual a x Menor o igual a N. Finalment, els resultats de decisió de tots els N mapes de classificació binaris es combinen per obtenir un mapa de classificació que conté N tipus de coberta del sòl. Per a cada problema de classificació binària, el GA millorat basat en l'espai espectral s'aplica als píxels marcats com a classe (N + 1) per optimitzar encara més les etiquetes de categories ambigües, il·lustrades al marc de guions de la figura 1. El la interpretació d'aquesta GA millorada basada en l'espai espectral és la següent. 1) Codificació de cromosoma bidimensional bidimensional: per a l'identificador d'imatge, es poden extreure N mapes binaris de N tasques de classificació. La codificació binària bidimensional s'utilitza per mantenir les propietats estructurals espacials dels individus evolucionats (un individu representa una decisió potencial). La mida de la matriu de codificació és la mateixa que la imatge de longitud d'ona, és a dir, H × W. Per estimar si el píxel (i, j) ∈ Kd pertany a la categoria x, 1 Menor o igual a x Menor o igual a N, per cada longitud d'ona, codifiquem píxels (i, j) ∈ Ke de la classe x agrupats per l'FCM com a 1 i no de la categoria x com a 0, on no es realitza cap operació d'optimització de l'evolució. Aquests punts (i, j) ∈ Kd es codifiquen aleatòriament com a 0 o 1. L'optimització evolutiva implementada a Kd explorarà totes les solucions possibles. 2) Funció d'aptitud basada en la finestra de barri: la funció d'aptitud és l'indicador més crític per avaluar la qualitat dels individus de la població, que es relaciona amb la selecció d'individus i l'execució d'operadors genètics. Els píxels adjacents estan altament correlacionats en termes d'escala de grisos i textura. En conseqüència, s'adopta la informació complementària d'espectres i espai per desenvolupar una funció de fitness composta, que proporciona una idea nova per millorar la immunitat al soroll de l'algorisme. Per a l'enèsima tasca d'agrupament a la longitud d'ona d-esima, suposem que el nombre d'individus de la població és P, CIp,n,d és el camí d'individus, 1 Menor o igual a p Menor o igual a P, 1 Menor o igual a n Menor o igual a N, 1 Menor o igual a d Menor o igual a D. La funció d'aptitud de CIp,n,d és Aptitud=1 OF, OF es calcula amb la fórmula (3)

on r ∈ {{{0}}, 1}, Rr indica els píxels codificats com a 0 o 1, i les seves estadístiques de quantitat es representen com Nr. El centre del clúster rth vr es calcula mitjançant la mitjana de píxels de tots els punts que pertanyen a Rr. I d(i, j) és la intensitat del píxel (i, j) a la longitud d'ona dth després d'aplicar l'algorisme de agrupació FCM. A la funció de veïnatge Wr(i, j), les finestres de veïnatge s'assumeixen que són quadrades i la seva longitud de costat s és nombre enter senar. N(i, j, s) representa la finestra del barri s × s a la ubicació indexada (i, j). Nt(i, j, s) representa la intensitat del píxel t al veïnat N(i, j, s). El grau de pertinença del píxel t a N(i, j, s) pertanyent al clúster rth es denota com utr(i, j, s). lt(i, j, s) representa la distància espacial entre el t-è píxel del barri i el punt central (i, j). L és el pes de la distància espacial entre el punt central i els píxels del seu veïnatge. 3) Operador de mutació que utilitza informació del barri: les noves generacions s'estan generant iterativament mitjançant la selecció individual, l'encreuament uniforme i la mutació genètica, tal com s'il·lustra al marc guionat de la figura 1. La majoria dels GA utilitzen una probabilitat de mutació global per implementar la modificació de l'etiqueta de manera aleatòria. píxels seleccionats amb la mateixa probabilitat, cosa que alenteix de manera invisible la taxa de convergència de GA. Com a operador tècnic crític, es crea una probabilitat de mutació heurística millorada, en combinació amb la informació del barri, per calcular automàticament la probabilitat de mutació adequada per a cada gen. Les fórmules següents defineixen aquesta nova probabilitat de mutació:

per al píxel central (i, j), uht(i, j, s) denota el grau de pertinença del punt veïnat Nt(i, j, s) pertanyent al centre d'agrupació vh, h ∈ {{{{0} }, 1}. En conseqüència, la probabilitat de mutació adaptativa Pm(i, j) del CIp,n,d individual s'expressa com la fórmula 8, on P0 és la probabilitat de mutació bàsica, també la probabilitat de mutació global en GA clàssic; σ, l'exponent de S, representa el pes d'influència de la informació del barri sobre la probabilitat de mutació del píxel central. CIp,n,d(i,j) és la codificació binària de l'individu del camí, per a l'enèsima tasca d'agrupament a la longitud d'ona dth. lt(i, j, s)indica la distància espacial entre el píxel central (i, j) i el píxel t en N(i, j, s). L'etiqueta de Nt(i, j, s) es denota com Ct, si u1t és més gran que u0t, aleshores Ct=1; en cas contrari, Ct=0. Tenint en compte les diferents finestres de barri, quan s=3, es pot calcular que S ∈ [0, 4+2√2]; quan s=5, S ∈ [0, 6+3√2+1.6 √5]. Mitjançant el mecanisme esmentat anteriorment, els punts (i, j) ∈ Kd poden adquirir de manera adaptativa probabilitats de mutació adequades en funció de la categoria de píxels veïns. Quan l'etiqueta estimada CIp, n, d (i, j) està d'acord amb la majoria de categories de píxels circumdants, es requereix una petita probabilitat de mutació per mantenir l'homogeneïtat regional original. En cas contrari, la probabilitat de mutació augmenta per fer que CIp, n, d(i, j) tendeixin a la majoria de categories del barri N(i, j, s). Per part dels operadors genètics esmentats, s'estan generant noves descendències de manera iterativa. L'individu amb la condició física més alta surt quan no es compleix la condició d'iteració, tal com es mostra als passos 10-16 de l'algoritme 1. Observeu una regla de classificació inusual d'aquest mètode proposat en termes de classificació LULC. El GA basat en l'espai espectral proposat només realitza una classificació binària a cada imatge de longitud d'ona. Així, quan s'han discriminat tots els N tipus d'ús del sòl i N imatges binàries, els resultats de la classificació es fusionen en un mapa de classificació complet. En termes simples, píxel(i, j) pertany a la categoria que el marca com a 1 al mapa de classificació binària. Quan dos o més mapes binaris marquen el píxel com a 1, el píxel es classifica com el que té el valor d'aptitud més gran, tal com es mostra a la figura 2 i al pas 19 de l'algorisme 1.

Algorisme 1: el procediment del model de conjunt en dos passos proposat.

Fig. 2. Combinació de quatre mapes de resultats de classificació binària.

Finalment, el segon model de conjunt s'aplica als mapes de classificació D, amb l'objectiu de fusionar mapes de classificació de totes les longituds d'ona al mapa LULC final. Les regles del conjunt són les següents: suposem que hi ha nk mapes de classificació que classifiquen el píxel (i, j) com la classe k-esima, i la categoria final CI(i, j)=k, si nk > nx, on x ∈ {1, 2,..., N}, x=k, N i=1 ni=D. Tingueu en compte que en el marc d'integració, sempre eliminem selectivament la classificació resultats a la banda NIR perquè els seus resultats de classificació sovint són increïbles.

III. RESULTATS EXPERIMENTALS

A. Introducció a les dades

S'utilitzen tres conjunts de dades d'imatges de teledetecció adquirides pel satèl·lit Beijing 2 per verificar la precisió i l'eficàcia de l'algoritme proposat. Beijing-2 és una constel·lació de satèl·lits de teledetecció comercial civil (DMC3) que consta de tres satèl·lits d'alta resolució. Es va llançar l'11 de juliol, 2015, des de l'Índia i es va lliurar a un sol sincrònic de 651 km. El sistema de constel·lacions de Beijing-2 proporciona imatges multiespectrals en òrbita d'aproximadament 24 km d'ample, 0,8 m de resolució pancromàtica i 3,2 m de resolució blau, verd, vermell i infraroig proper, que poden proporcionar dades de satèl·lit de teledetecció i productes d'informació espacial. amb cobertura global i una excel·lent resolució espacial i temporal, capaç de tornar a visitar qualsevol lloc del globus durant un o dos dies. Les imatges experimentals es van obtenir el 2018. El lloc de prova és de tres parts diferents de la ciutat de Dangyang, província de Hubei, Xina. En aquest article, només es consideren imatges multiespectrals. Hem realitzat la correcció atmosfèrica d'aquestes dades d'imatge mitjançant ENVI (5.3). El model atmosfèric és l'hivern subàrtic i el model d'aerosol és rural. A més, la recuperació d'aerosols que hem seleccionat és 2-banda (KT). La resta de paràmetres es van establir per defecte. Totes les imatges són preprocessades mitjançant coregistre. A més, ens han proporcionat una classificació ja etiquetada de totes les imatges de les quatre o cinc classes. Es basa en una inspecció visual exhaustiva mitjançant l'observació de la imatge original i es registra en un mapa georeferenciat com a veritat terrestre.

cistanche tubulosa: millora el sistema immunitari

B. Configuració de paràmetres

En aquest experiment, el llindar τ de FCM és 0.8, la mida de la població s'estableix en 40, la probabilitat d'encreuament Pc=0.8, la probabilitat de mutació de base P0=0.001 , l'exponent σ és 2, la mida de la finestra del barri s s'estableix en 3 píxels, amb l'objectiu de mantenir els detalls de la imatge alhora que optimitza el temps de processament de l'ordinador i la direcció de convergència. Es necessiten nou enfocaments de classificació de la coberta del sòl existents per verificar l'eficàcia del mètode proposat, inclosos FCM, ENFCM [22], FGFCM [23], FLICM [25], ADFLICM [26], FRFCM [27], FCM{{14} }SICM [28], MRE-DE [33] i P-Kmeans [20]. La configuració dels paràmetres és idèntica a la literatura original, no es reitera aquí. A més, el GA simple té el mateix paràmetre de mida de població H i probabilitat d'encreuament Pc que l'algorisme proposat en aquest article, la probabilitat de mutació Pm=0.01, però sense informació sobre el barri, el lector pot entendre que la mida de la finestra del barri és 1. En particular, nGA reté l'operador genètic utilitzant informació de veïnatge però elimina l'operació de conjunt existent a TE-nGA.

C. Resultats de classificació

Figs. Les figures 3–5 mostren els resultats de la classificació LULC en mapes de colors corresponents als diferents models quan es prova a cada conjunt de dades. Com que les tres imatges de teledetecció contenen diferents tipus d'ús del sòl, la representació en color de la taula de classificació no és uniforme. Segons aquests resultats de classificació, per a tres figures, els mapes de color obtinguts pel mètode proposat són més clars i suaus. La Taula I mostra els temps (temps d'execució) i OA assolits pels 12 models i quan es van provar en àrees de recerca per comparar el rendiment de la classificació amb diferents mètodes. Els millors resultats experimentals es mostren en negreta. Es pot concloure que el mètode proposat va presentar els millors resultats globals, amb l'OA més alt del 88,72% i relativament pocs píxels incorrectes. Per a l'Àrea 3, quan s'utilitzen les finestres del barri, la precisió de classificació de LULC augmenta un 28,35%; Més important encara, TE-nGA pot reduir el temps de càlcul a 9257,56 s, en comparació amb el GA simple. Això es deu al fet que l'operador de mutació heurística del TE-nGA pot controlar de manera adaptativa la direcció de cerca per accelerar la convergència de l'algorisme, demostrant que el mètode proposat és més adequat per a escenaris pràctics. A més, nGA és equivalent a l'operació d'eliminació del conjunt de TE-nGA, de manera que el lector pot entendre que el TE-nGA només funciona amb la imatge d'una sola banda (banda 1). Per a l'àrea 3, quan s'introdueixen marcs de conjunt, la precisió de la classificació es millora encara més en un 0,72%, demostrant l'eficàcia de l'estratègia de conjunt.

D. Anàlisi de paràmetres

Un dels elements essencials del mètode proposat és considerar la informació de veïnatge espacial com a informació heurística per modificar de manera adaptativa la funció objectiu i la probabilitat de mutació, millorant així la immunitat al soroll i la precisió de classificació, així com la velocitat de convergència. Tanmateix, això no vol dir que com més gran sigui la mida de la finestra, millor serà l'efecte de classificació. Pel que fa a la Taula II, s'observa un augment del rendiment quan es considera la informació espacial del barri, quan s'augmenta la mida de la finestra fins a un llindar adequat i després es redueix. Tot és perquè les mostres més allunyades del píxel central contribueixen poc a la divisió de categories del píxel central i fins i tot agreugen la classificació errònia. A causa de les diferències de lluentor i textura dels objectes en diverses ubicacions geogràfiques, la mida òptima de la finestra sembla ser de 5 × 5 per a l'àrea 1 i l'àrea 2, però 3 × 3 per a l'àrea 3. Aquest resultat es pot observar en negreta a la taula II, que representa la millor precisió i el temps de convergència més ràpid. A més, hem trobat que la probabilitat de mutació de base P0 i l'exponent σ també són factors vitals que afecten el rendiment de la classificació. En el nostre estudi, s'utilitzen diferents P0 i σ per verificar la interpretació i classificació de LULC. La figura 6 dibuixa les corbes de variació d'OA a mesura que P{{10}} i σ augmenten. Va resultar que, per a una σ fixa, a mesura que augmenta P0, la precisió general de la classificació primer augmenta i després disminueix. Aquest resultat s'espera ja que un petit P0 farà que la cerca es limiti a la direcció evolutiva original i, per tant, caigui en un òptim local; per contra, un gran P0 trencarà el bon patró evolutiu i desviarà els resultats de la solució òptima. D'altra banda, a mesura que augmenta σ, l'efecte de la informació del barri és més significatiu, i el millor valor bàsic de probabilitat canvia gradualment d'alt a baix. Els pesos de barri adequats són més propicis per obtenir els millors resultats de classificació. A la nostra àrea de recerca, el millor exponent és σ ∈ {2, 3}, i el rang més adequat de P0 és [10−5, 10−2].

Fig. 3. Resultats de la classificació de l'àrea 1. (a) Veritat bàsica. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-K significa. (k) GA. (l) nGA. (m) TE-nGA.

TAULA I RESULTATS DE L'AVALUACIÓ DE VUIT MÈTODES DIFERENTS DE CLASSIFICACIÓ EN TRES ÀREES D'ESTUDI

Fig. 4. Resultats de la classificació de l'àrea 2. (a) Veritat bàsica. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-K significa. (k) GA. (l) nGA. (m) TE-nGA.

Fig. 5. Resultats de la classificació de l'àrea 3. (a) Veritat bàsica. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-K significa. (k) GA. (i) nGA. (m) TE-nGA.

TAULA II RESULTATS DE L'AVALUACIÓ DEL TE-NGA PROPOSAT UTILITZANT FINESTRES DE DIFERENTS MIDES EN TRES ÀREES D'ESTUDI

Fig. 6. Anàlisi de la probabilitat de mutació base P0 i exponent σ en la probabilitat de mutació heurística.

IV. CONCLUSIÓ

La principal contribució d'aquest estudi és proposar una estratègia de conjunt de dos passos superior i una GA basada en espectral-espacial per a la classificació LULC d'imatges multiespectrals. El primer model de conjunt realitza FCM en imatges multibanda, reduint la tasca de classificació d'imatges de detecció remota a la determinació de categories de píxels difícils de agrupar. El segon processament de conjunt consta de dues tasques. En primer lloc, es va crear la GA millorada que combina informació espectral i espacial per oferir solucions innovadores als trencaclosques, com ara la convergència lenta i la mala antisoroll. Exactament, aquesta millora es beneficia de les noves funcions de fitness i la probabilitat de mutació, utilitzant una finestra de barri adequada. Aleshores, s'adopta el model de conjunt per integrar els resultats de classificació derivats d'imatges de múltiples bandes, que s'utilitza per reduir el risc d'error de classificació. Els resultats demostren que el TE-nGA proposat té un rendiment de classificació preferible i una convergència més ràpida que el simple GA. En el futur, esperem estendre l'aplicació de la tècnica proposada a altres camps, com ara la classificació de cultius, la detecció d'objectius i la classificació d'imatges hiperespectrals.

Beneficis de cistanche tubulosa-enfortir el sistema immunitari

REFERÈNCIES

[1] T. Hermosilla, MA Wulder, JC White i NC Coops, "Land cover classification in an era of big and open data: Optimizing localized implementation and training data selection to improve mapping outcomes", Remote Sens. Environ., vol. . 268, 2022, art. no. 112780.

[2] P. Helber, B. Bischke, A. Dengel i D. Borth, "EuroSAT: A novel dataset and deep learning benchmark for land use and land cover classification", IEEE J. Sel. Temes Appl. Observació de la Terra. Remote Sens., vol. 12, núm. 7, pàgines 2217–2226, juliol de 2019.

[3] C. Li, G. Xian, Q. Zhou i BW Pengra, "Un nou mètode d'aprenentatge automàtic de la fenologia (APL) d'entrenament per a la selecció de mostres utilitzant múltiples conjunts de dades per a la cartografia de la coberta terrestre de sèries temporals", Remote Sens. Environ. , vol. 266, 2021, Art. no. 112670.

[4] S. Ji, D. Wang i M. Luo, "Adaptació del domini de l'espai complet basat en la xarxa generativa adversària per a la classificació de la cobertura terrestre a partir d'imatges de teledetecció de fonts múltiples", IEEE Trans. Geosci. Remote Sens., vol. 59, núm. 5, pàgines 3816–3828, maig de 2021.

[5] Y. Quan, Y. Tong, W. Feng, G. Dauphin, W. Huang i M. Xing, "A novel image fusion method of multi-espectral and SAR images for land cover classification", Remote Sens. , vol. 12, núm. 22 de 2020, art. no. 3801.

[6] B. Iqbal i M. Ali, "Estimation of espacio-temporal air temperature from satellite-based lst under semi-arid to arid environment in Peshawar Basin, Northwest Pakistan", Adv. Space Res., vol. 70, no. 4, pàgines 961–975, 2022.

[7] H.-c. Shih, DA Stow, JR Weeks i LL Coulter, "Determining the type and starting time of land cover and land use change in southern Ghana based on discrete analysis of dense Landsat image time series", IEEE J. Sel. Temes Appl. Observació de la Terra. Remote Sens., vol. 9, no. 5, pàgines 2064–2073, maig de 2016.

[8] A. Jamil i B. Bayram, "Tree species extraction and land use/cover classification from high-resolution digital orthophoto maps", IEEE J. Sel. Temes Appl. Observació de la Terra. Remote Sens., vol. 11, núm. 1, pàgines 89–94, gener de 2018.

[9] Z. Xue, P. Du i L. Feng, "Classificació de la cobertura del sòl impulsada per fenologia i anàlisi de tendències basades en sèries d'imatges de teledetecció a llarg termini", IEEE J. Sel. Temes Appl. Observació de la Terra. Remote Sens., vol. 7, no. 4, pàgs. 1142–1156, abril 2014.

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

[11] W. Feng, G. Dauphin, W. Huang, Y. Quan i W. Liao, "New margin-based subsampling iterative technique in modified random forests for classification", Knowl.-Based Syst., vol. 182, 2019, Art. no. 104845.

[12] W. Feng et al., "Dynamic synthetic minority over-sampling technique based rotation forest for the classification of desbalanced hyperspectral data", IEEE J. Sel. Temes Appl. Observació de la Terra. Remote Sens., vol. 12, núm. 7, pàgines 2159–2169, juliol de 2019.

[13] Y. Sun, L. Mou, Y. Wang, S. Montazeri i XX Zhu, "Large-scale building height retrieval from single SAR imagery based on bounding box regression networks", ISPRS J. Photogrammetry Remote Sens., vol. 184, pàgs. 79–95, 2022.

[14] R. Yang, X. Xu, Z. Xu, H. Dong, R. Gui i F. Pu, "Dynamic fractal texture analysis for PolSAR land cover classification", IEEE Trans. Geosci. Remote Sens., vol. 57, núm. 8, pàgines 5991–6002, agost de 2019

[15] S. Saha, F. Bovolo i L. Bruzzone, "Building change detection in VHR SAR images via unsupervised deep transcoding", IEEE Trans. Geosci. Remote Sens., vol. 59, núm. 3, pàgs. 1917–1929, març de 2021.

[16] MK Islam, MS Ali, MS Miah, MM Rahman, MS Alam i MA Hossain, "Brain tumor detection in MR image using superpixels, principal component analysis and template based k-means clustering algorithm", Mach. Aprèn. Aplicació, vol. 5, 2021, art. no. 100044.

[17] Q. Wang, Q. Li, H. Liu, Y. Wang i J. Zhu, "An improved ISODATA algorithm for hyperspectral image classification", a Proc. 7è Int. Congr. Image Signal Process., 2014, pàgs. 660–664.

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

[19] TH Dang, DS Mai i LT Ngo, "Multiple kernel collaborative fuzzy clustering algorithm with weighted super-pixels for satellite image landcover classification", Eng. Appl. Artif. Intel·ligència, vol. 85, pàgines 85–98, 2019.

[20] E. Paradis, "Probabilistic unsupervised classification for large-scale analysis of spectral imaging data", Int. J. Appl. Geoinformació d'observació de la Terra, vol. 107, 2022, Art. no. 102675.

[21] X. Hu, X. Wang, Y. Zhong i L. Zhang, "S3aNet: Xarxa d'atenció a escala espectral-espacial per a una classificació precisa de cultius d'extrem a extrem basada en imatges H2 d'UAV", ISPRS J. Photogrammetry. Remote Sens., vol. 183, pàgines 147–163, 2022.

[22] L. Szilagyi, Z. Benyo, S. Szilagyi i H. Adam, "Mr brain image segmentation using an enhanced fuzzy c-means algorithm", a Proc. 25è Ann. Int. Conf. IEEE Eng. Med. Biol. Soc., 2003, vol. 1, pàgs. 724–726.

[23] W. Cai, S. Chen i D. Zhang, "Algoritmes de agrupació de c-means difusos ràpids i robusts que incorporen informació local per a la segmentació d'imatges", Pattern Recognit., vol. 40, no. 3, pàgines 825–838, 2007.

[24] Y. Zhang, X. Bai, R. Fan i Z. Wang, "Deviation-sparse fuzzy c-means with neighbor information constraint", IEEE Trans. Fuzzy Syst., vol. 27, núm. 1, pàgines 185–199, gener de 2019.

[25] S. Krinidis i V. Chatzis, "A robust fuzzy local information C-means clustering algorithm", IEEE Trans. Image Process., vol. 19, núm. 5, pàgines 1328–1337, maig de 2010.

[26] H. Zhang, Q. Wang, W. Shi i M. Hao, "A novel Adaptive fuzzy local information C -means clustering algorithm for remotely sensed imagery classification", IEEE Trans. Geosci. Remote Sens., vol. 55, núm. 9, pàgines 5057–5068, setembre de 2017.

[27] T. Lei, X. Jia, Y. Zhang, L. He, H. Meng i AK Nandi, "Algorisme de agrupació de C-means difusos significativament ràpid i robust basat en la reconstrucció morfològica i el filtratge de pertinença", IEEE Trans. Fuzzy Syst., vol. 26, núm. 5, pàgines 3027–3041, octubre de 2018.

[28] Q. Wang, X. Wang, C. Fang i W. Yang, "Algoritme d'agrupació C-means difusa robust amb restricció d'intensitat i espai adaptativa i enllaç de pertinença per a la segmentació d'imatges de soroll", Appl. Soft Comput., vol. 92, 2020, Art. no. 106318.

[29] G. Yiqiang, W. Yanbin, J. Zhengshan, W. Jun i Z. Luyan, "Remote sensing image classification by the chaos genetic algorithm in monitoring land use changes", Math. Informàtica. Model., vol. 51, núm. 11, pàgines 1408–1416, 2010.

[30] M. Iqbal, B. Xue, H. Al-Sahaf i M. Zhang, "Cross-domain reuse of extracted knowledge in genetic programming for image classification", IEEE Trans. Evol. Informàtica, vol. 21, núm. 4, pàgines 569–587, agost de 2017.

[31] R. Hamad, "A remote sensing and GIS-based analysis of Urban Sprawl in Soran district, Iraqi Kurdistan", SN Appl. Sci., vol. 2, no. 1, pàgines 1–9, 2019.

[32] H. Yang, Q. Du i G. Chen, "Particle swarm optimisation-based hyperspectral dimensionality reduction for urban land cover classification", IEEE J. Sel. Temes Appl. Observació de la Terra. Remote Sens., vol. 5, no. 2, pàgines 544–554, abril de 2012.

[33] S. Sarkar, S. Das i SS Chaudhuri, "Segmentació d'imatges hiperespectrals utilitzant llindars multinivells basats en l'entropia de Rényi amb ajuda de l'evolució diferencial", Expert Syst. Aplicació, vol. 50, pàgines 120–129, 2016.

[34] S. Sen Gupta, S. Hossain i K.-D. Kim, "Imatge semblant a HDR de la fusió d'imatges de pseudoexposició: un enfocament d'algorisme genètic", IEEE Trans. Consum. Electron., vol. 67, núm. 2, pàgines 119–128, maig de 2021.

[35] C. Peng, X. Wu, W. Yuan, X. Zhang, Y. Zhang i Y. Li, "MGRFE: Eliminació de característiques recursives multicapa basada en un algorisme genètic incrustat per a la classificació del càncer", IEEE/ACM Trans . Informàtica. Biol. Bioinf., vol. 18, núm. 2, pàgs. 621–632, març/abr. 2021.

[36] HH Zhang, ZS Xue, XY Liu, P. Li, L. Jiang i GM Shi, "Optimització del canal d'alta velocitat per a la integritat del senyal amb algorisme genètic profund", IEEE Trans. Electromagn. Compat., vol. 64, núm. 4, pàgines 1270–1274, agost de 2022.

[37] Z. Huang, W. Wu, H. Liu, W. Zhang i J. Hu, "Identifying dynamic changes in water surface using sentinel-1 data based on genetic algorithm and machine learning techniques", Remote. Sens., vol. 13, núm. 18, 2021, art. no. 3745.

[38] F. Ye, C. Doerr, H. Wang i T. Bäck, "Configuració automatitzada d'algoritmes genètics per ajustar el rendiment en qualsevol moment", IEEE Trans. Evol. Informàtica, vol. 26, núm. 6, pàgines 1526–1538, desembre de 2022.

[39] MG Souza, EE Vallejo i K. Estrada, "Detecció d'associacions de variants rares independents agrupades mitjançant algoritmes genètics", IEEE/ACM Trans. Informàtica. Biol. Bioinf., vol. 18, núm. 3, pàgines 932–939, maig/juny. 2021.

[40] T. Dutta, S. Dey, S. Bhattacharyya, S. Mukhopadhyay i P. Chakrabarti, "Hyperspectral multi-level image thresholding using qutrit genetic algorithm", Expert Syst. Aplicació, vol. 181, 2021, art. no. 115107.

[41] Y.-R. Chen, J.-W. Chen, S.-C. Hsieh, i P.-N. Ni, "L'aplicació de la tecnologia de teledetecció a la interpretació de l'ús del sòl per a esllavissades de terra induïdes per la pluja basada en algorismes genètics i xarxes neuronals artificials", IEEE J. Sel. Temes Appl. Observació de la Terra. Remote Sens., vol. 2, no. 2, pàgines 87–95, juny de 2009.

[42] D. Corus i PS Oliveto, "Els algorismes genètics d'estat estacionari estàndard poden pujar més ràpid que els algorismes evolutius només amb mutació", IEEE Trans. Evol. Informàtica, vol. 22, núm. 5, pàgines 720–732, octubre de 2018.

[43] TL Cerqueira, FC Bertoni i MG Pires, "Instance genetic selection for fuzzy rule-based systems optimization to opinion classification", IEEE Amèrica Llatina. Trad., vol. 18, núm. 7, pàgines 1215–1221, juliol de 2020.

[44] JE Batista, AIR Cabral, MJP Vasconcelos, L. Vanneschi i S. Silva, "Improving land cover classification using genetic programming for feature construction", Remote Sens., vol. 13, núm. 9, 2021, art. no. 1623.

[45] A. Mohammadi, H. Asadi, S. Mohamed, K. Nelson i S. Nahavandi, "Multiobjective and interactive genetic algorithms for weight tuning of a model predictive control-based motion cueing algorithm", IEEE Trans. Cybern., vol. 49, núm. 9, pàgines 3471–3481, setembre de 2019.

[46] A. Khoder i F. Dornaika, "Ensemble learning via feature selection and multiple transformed subsets: Application to image classification", Appl. Suau. Informàtica, vol. 113, 2021, Art. no. 108006.

[47] W. Feng, W. Huang i W. Bao, "Classificació d'imatges hiperespectrals desequilibrades amb un mètode de conjunt adaptatiu basat en SMOTE i bosc de rotació amb taxes de mostreig diferenciades", IEEE Geosci. Remote Sens Lett., vol. 16, núm. 12, pàgines 1879–1883, desembre de 2019.

[48] ​​W. Feng et al., "Semi-supervised rotation forest based on ensemble margin theory for the classification of hyperspectral image with limited training data", Inf. Sci., vol. 575, pàgines 611–638, 2021.

[49] Z. Zhu, Z.Wang, D. Li, Y. Zhu i W. Du, "Aprenentatge de conjunts estructurals geomètrics per a problemes desequilibrats", IEEE Trans. Cybern., vol. 50, no. 4, pàgines 1617–1629, abril de 2020.

[50] Q. Sun i Z. Ge, "Deep learning for industrial KPI prediction: When ensemble learning meets semi-supervised data", IEEE Trans. Ind. Informat., vol. 17, núm. 1, pàgines 260–269, gener de 2021.

[51] X. Gu, C. Zhang, Q. Shen, J. Han, PP Angelov i PM Atkinson, "A self-training hierarchical prototype-based ensemble framework for remote sensing scene classification", Inf. Fusió, vol. 80, pàgines 179–204, 2022.

[52] B. Wang, L. Xia, D. Song, Z. Li i N. Wang, "Un mètode d'aprenentatge de conjunt basat en l'estratègia de votació de dues rondes per a la classificació del gel marí d'imatges sentinel-1, "Remote Sens., vol. 13, núm. 19, 2021, art. no. 3945.

[53] K. Dabov, A. Foi, V. Katkovnik i K. Egiazarian, "Image denoising by sparse 3-D transform-domain collaborative filtering", IEEE Trans. Image Process., vol. 16, núm. 8, pàgines 2080–2095, agost 2007.