1 引 言

遥感影像分类是土地利用专题信息提取的一个重要环节，是遥感影像应用的基础^[1]。传统的统计分析分类方法主要有最大似然法、最短距离法、光谱角分类法、k-means法、ISODATA法、贝叶斯分类法^[2]。这些方法以统计学原理为基础，以训练数据遵循正态分布为前提，训练样本的选择和参数估计直接影响分类结果。最近，学者们提出一些新的分类方法。人工神经网络法进行土地利用分类研究^[3]，ANN分类训练模型的精度会影响整个分类的准确度。决策树分类法总体分类精度优于传统的统计分类方法，具有更好的弹性和稳健性^[4]。还有学者对一些较新的分类方法作了大量试验研究，如模糊分类法^[5]、支持向量机分类法^[6]、相关向量机分类法^[7]和面向对象分类法^[8]等。

仿生智能计算模拟自然界中生物群行为(蚂蚁觅食、鸟类觅食、蜜蜂采蜜等)，通过个体间的相互协作和竞争而表现出群体智能行为，逐渐成为解决复杂优化求解的重要工具^[9]。当地表状况非常复杂时，一般的遥感分类方法不能很好地处理线性不可分的地物，智能式的分类方法或许能够为解决这一问题提供新的手段^{[10, 11]}。近年来，已经有学者尝试将仿生智能计算应用到遥感影像分类中，提出基于蚁群智能的遥感影像分类方法^{[11, 12]}、基于粒子群智能优化的遥感分类方法^[10]，取得较好的分类效果。近年来，仿生智能计算领域出现一种元启发式仿生算法--人工蜂群算法(artificial bee colony,ABC)，该算法是文献^[13]为解决多变量函数优化问题而提出的一种模拟蜜蜂群采蜜行为的蜂群智能优化算法。与遗传算法、粒子群算法等智能计算方法相比，人工蜂群算法的突出优点是每次迭代中都进行全局和局部搜索，因而找出最优解的概率大大增加，并在较大程度上避免了局部最优^[9]。

目前，ABC算法的研究与应用刚刚开始，有许多问题尚待进一步研究。但由于其具有全局收敛、设置参数少、适应范围宽、易于并行实现的优点，得到越来越多专家和学者的关注，ABC算法已经被应用来解决函数优化^[14]、训练神经网络^{[15, 16]}、旅行商问题^[17]及数据挖掘^{[18, 19]}等各种复杂优化问题。ABC算法在图像处理领域的图像增强^{[20, 21]}、目标识别^{[22, 23]}、图像分割^{[24, 25]}等取得良好的应用效果，能够有效地解决图像处理中的优化问题。本文以ALOS遥感影像分类为例，尝试将ABC算法引入到遥感影像分类中，通过模仿蜜蜂采蜜行为的方式在多维空间中不断搜索遥感影像各波段的最优区间，各波段最优区间与土地利用类型连接，构造以IF-THEN形式表达的遥感影像分类规则，从而更清晰方便地描述遥感影像分类中的复杂关系。

蜜蜂是一种典型的群居生物，自然界的蜜蜂无论身处什么环境总能很自如地发现优良的食物源。蜂群的采蜜过程始于派一些侦查蜂去搜寻花朵，侦查蜂随机地在不同花朵间移动，采集到食物的蜜蜂返回后在蜂巢上翩然起舞，跳8字型的“摆尾舞”来分享食物源。这种舞蹈暗示了关于它所采集过的花朵所在方向、离开巢穴的距离以及花蜜的质量等级等基本信息，帮助蜂群在没有向导和地图的情况下准确地派遣蜜蜂去那些花朵处，更多的蜜蜂会去搜寻更多的花朵，从而使蜂群快速而有效地获取食物^[13]。

人工蜂群算法模型主要包含3个基本部分^[13]：食物源、采蜜蜂、待工蜂。食物源代表各种可能的解，相当于优化问题解的位置。采蜜蜂(EF)储存有某一个食物源的相关信息(相对于蜂巢的距离方向、花蜜的数量等)并且将这些信息以一定的概率与其他蜜蜂分享，根据路径长度排序，按一定比例，部分成为引领蜂。待工蜂(UF)分为跟随蜂和侦查蜂。跟随蜂在蜂巢观察完引领蜂的摇摆舞后，通过舞蹈的剧烈程度、持续时间等，来确定食物源的收益率，并依据收益率来选择到哪个食物源采蜜；侦查蜂负责随机搜索蜂巢附近的食物源，增强算法跳出局部最优解的能力。

蜜蜂采蜜工作图如图 1所示。设有两个已经发现的食物源A和B，初始时，待工蜂没有任何关于蜂巢附近食物源的信息，有两种选择的可能^[13]：① 成为侦察蜂，由于某一内部激励或可能的外在因素，开始自发地搜寻在蜂巢附近的食物源(图 1中“S”线)；② 可以被招募并开始按照获得的信息寻找食物源(图 1中“R”线)。初始时刻，所有蜜蜂没有任何先验知识，其角色都是侦察蜂。随机搜索到食物源后，侦察蜂返回蜂巢的舞蹈区，根据食物源收益度的相对大小，侦察蜂可以做如下选择：① 放弃食物源，成为跟随蜂；② 在返回同一食物源前，招募蜂巢其他伙伴(图 1中“EF₁”线)；③ 重复自己的采蜜路径，继续进行采蜜(图 1中“EF₂”线)。

图 1 蜜蜂采蜜工作图 Fig. 1 Behaviour of honeybee foraging for nectar

图选项

人工蜂群优化算法其本身简单、稳健性强，在非限制性数值优化函数上有着比常见的启发式算法更加优越的性能^[9]。基于蜂群算法的规则挖掘最初由文献^[18]于2011年提出的^[18]，主要应用蜂群采蜜原理在数据库中搜索最优规则，本文尝试将该算法应用到遥感影像分类中。基于蜂群算法的遥感影像分类方法可分为3个阶段：分类规则构造、适应度函数构造、分类规则挖掘及修剪。

影像分类规则挖掘时，定义蜂群搜索路径为遥感影像各波段最优分割点和影像分类节点的连线(如图 2所示)，其中各波段最优分割点最多只出现一次，且必须有影像分类节点。每条路径对应一条分类规则，分类规则的挖掘相当于是对最优路径的搜索，即多维空间最优解的搜索。分类规则的格式如下

点击浏览公式

式中，if部分为规则的条件项；X^jlow为波段j最优区间的下界；X^jup为波段j最优区间的上界；then部分为规则结论，即定义了样本的分类类别。

图 2 基于ABC的影像分类规则 Fig. 2 Remote sensing classification rule based on ABC

图选项

分类规则(蜜蜂种群)的适应度可以用来衡量蜜蜂位置的优劣，合理的构造适应度函数是问题的求解的关键。本文的适应度函数如下

点击浏览公式

式中，fit为分类规则的适应度；TP为满足规则并且和规则预测类型相同的样本数；FP为满足规则并且和规则预测不同的样本数；TN为不满足规则并且和规则预测不同的样本数；FN为不满足规则并且和规则预测相同的样本数。

分类规则的挖掘模仿了蜜蜂的采蜜行为，蜂群在每个遥感影像波段搜索最优上界和最优下界，对于波段数为k的遥感影像，则是在2k维空间内搜索最优值。假设蜜蜂总数为N_s，其中，采蜜蜂种群规模为N_e，跟随蜂种群规模也为N_u(一般定义N_e=N_u)，个体向量维度为D=2k，S=R^D为个体搜索空间，S^Ne为采蜜蜂种群空间。若X_i∈S(i≤N_e)是N_e个个体，则X=(X₁,X₂,…,X_Ne)代表一个采蜜蜂种群。用X(0)表示初始采蜜蜂种群，X(n)表示第n代采蜜蜂种群。则基本人工蜂群算法的遥感影像各波段最优分类区间求解主要过程如下。

步骤1：对于n=0时刻，随机生成N_s个可行解(X₁,X₂,…,X_Ns)，具体随机产生的可行解X_i为

点击浏览公式

式中，X_min^j为波段j的最小值；X_max^j为波段j的最大值； j∈{1,2，…,k}；X_i^jlow为第i个解向量在第j波段的下界分量；X_i^jup为第i个解向量在j波段的上界分量。利用适应度函数，分别计算各解向量的适应度值，并将排名前N_e的解作为初始的采蜜蜂种群X(0)。

步骤2：对于第n步的采蜜蜂X_i(n)，在当前位置向量附近领域进行搜索新的位置，搜索公式为

点击浏览公式

式中，X_i^j为采蜜蜂i在第j波段的原位置值；V_i ^j为采蜜蜂i在第j波段的新位置值；j∈{1,2，…，D}，k∈{1,2，…，N_e}，且k≠j，k,j均随机生成；Φ_i ^j为^{[-1, 1]}之间的随机数，同时应保证V∈S。

步骤3：采用贪婪选择算子，在采蜜蜂搜索到新位置向量V_i和原向量X_i中，选取具有更优适应度的保留给下一代的种群，从而保证了种群能够保留精英个体，使得进化方向不会后退。贪婪选择过程可记作T_s:S²→S，其概率分布为

点击浏览公式

式中，P{T_S(X_i,V_i)=V_i}为采蜜蜂新位置向量V_i代替原位置向量X_i的概率；fit(X_i)为采蜜蜂原向量X_i的适应度；fit(V_i)为采蜜蜂新位置向量V_i的适应度。

步骤4：跟随蜂依照采蜜蜂种群适应度值大小，选择一个采蜜蜂，并在其领域内同样进行新位置搜索(类似步骤2)。该算子是在一个采蜜蜂种群内选择一个个体，选择概率为

点击浏览公式

式中，P{T_S1(X)=X_i}为采蜜蜂种群内选个体X_i为作为跟随蜂的选择概率；fit(X_i)为采蜜蜂向量X_i的适应度；∑_m=1^Nefit(X_m)为采蜜蜂种群的适应度总和。

步骤5：同步骤2和步骤3，并记下种群最终更新过后达到的最优适应度值及相应的参数。

步骤6：当在某只蜜蜂的位置周围搜索次数到达一定阈值T₁，而仍没有找到更优位置时，重新随机初始化该采蜜蜂的位置。

步骤7：当全局最优适应度值达到一定的稳定值或迭代次数超过最大迭代次数T₂时，则循环终止并输出最优适应度值及相应的参数；否则转向步骤2，继续进行蜂群优化。

将搜索到的最优适应度和相应的蜜蜂位置向量按式(1)格式构造分类规则，然后对分类规则中条件项进行修剪处理，即依次删掉规则中的某条件项后，如果该规则的适应度变大，就删除该条件项；否则保留该条件项。将修剪后的分类规则保存到遥感影像的分类规则集中，并在训练数据中移除当前规则覆盖的样本数据，即影像波段属性和土地利用类型均与分类规则的相匹配的数据，然后使用规则覆盖移除后的训练数据搜索下一分类规则。如果训练数据中某一土地利用类别的规则样本覆盖度，即某一土地利用类型的规则所覆盖的样本数/该类别样本数，达到一定阈值T₃时，终止该土地利用类别数据的规则挖掘，开始下一土地利用类别的规则挖掘，直至所有地类的规则挖掘完毕。人工蜂群算法构造分类规则的伪代码如下：

Input training dataset/*导入训练样本数据*/

Initialize control parameters of ABC algorithm/*初始化蜂群控制参数*/

for objectClass = 1:N/*依次为每个地类搜索规则*/{

while removeCover ＜T3/*当样本覆盖度小于某阈值*/{

/*step1: 初始化采蜜蜂种群，并计算适应度和修剪规则*/

Rule = InitialRule(downValue,upValue,Ne,D)

Rule_Confidence = Cal_Confidence(Rule,SampleSet,objectClass)

PruningRule(Rule,Rule_Confidence,SampleSet,objectClass)

/*step2：开始蜂群进化过程，采蜜蜂在当前蜜源周围搜索蜜源*/

while iterTime ＜T2{

sol(i,j)= sol(i,j)+2*(rand-0.5)*(sol(i,j)-Rule(neighberIndex,j))

sol_Confidence = Cal_Confidence(sol,SampleSet,objectClass) /*计算适应度*/

PruningRule(sol,sol_Confidence,SampleSet,objectClass) /*修剪规则*/

/*step3：采用贪婪选择算子，使采蜜蜂选取更优适应度的蜜源*/

Rule(i,:) = sol/* ifsol_Confidence > Rule_Confidence(i) */

/*step4：跟随蜂依照采蜜蜂种群适应度值大小选择一个采蜜蜂*/

prob = Rule_Confidence./sum(Rule_Confidence)

/*step5：同step2和step3，每只跟随蜂搜索蜜源*/

/*step6：当蜜蜂搜索次数达到某阈值T1，则重初始化该蜜蜂的位置*/

Rule(i,:) = InitialRule(downValue,upValue,1,D)

/*step7：输出最优适应度值*/

Find Global_Best_Rule

iterTime = iterTime+1}

SaveRule(Global_Best_Rule,Global_Best_Rule_Confidence,objectClass)

RefreshSamples }}/*移除已分类正确的样本*/

取长江口北岸2007年ALOS影像(1995像素×2000像素)作为试验数据(见图 3)，影像分辨率为2.5 m，分别有蓝色、绿色、红色和近红外4个波段。除了4个波段值，影像的光谱特征和纹理特征也可以作为影像分类的属性依据，试验利用遥感影像处理软件ENVI，提取了1个光谱特征(植被指数NDVI)和8个纹理特征(均值、方差、一致性、对比度、非相似度、熵、二阶矩阵、灰度相关)。每个特征作为一个波段，试验数据共有13个波段属性。

图 3 ALOS试验影像 Fig. 3 Experimental image of ALOS

图选项

试验在Matlab平台中编程实现训练样本数据的分类规则挖掘，并根据所挖掘的分类规则对遥感影像进行分类。训练样本的选择规则学习的基础，并直接关系到分类规则的质量。根据实地调查和土地利用分布特征，对试验数据进行分层均匀采样，获取了10 000个样本作为训练样本数据。蜂群在每个波段搜索最优上界和最优下界,试验数据的属性波段k为13。因此，蜜蜂个体向量的维数D为26(D=2k)，即在26维空间搜索最优值。试验影像共分为6种土地利用类型，分类类别数N为6。设置蜂群初始化参数如下：蜜蜂种群规模N_s 为20；采蜜蜂种群规模N_e为10；每只蜜蜂最大搜索次数的T₁取20;每个类别的最大迭代次数T₂取200; 各土地利用类别规则的样本覆盖度阈值T₃取0.95，试验共获得58条分类规则，人工蜂群算法挖掘的部分分类规则如下：

rule 1：

if 61.12≤band2≤99.51 and band3≥81.31 and 35.69≤band4≤124.66 and band10≥1.91 and band11≥1.95

then Class = Road,Fitness = 0.74

rule 2：

if band1≤187.83 and band3≥87.90 and 31.42≤band4≤71.18 and band9≤477.68 and band10≤11.05 and band11≥1.30

then Class = Water,Fitness = 0.71

rule 3：

if band3≥64.80 and band4≥83.67 and band6≤14.75 and band10≤4.26

then Class = Farmland,Fitness = 0.82

rule 4：

if band1≤70.34 and 85.69≤band3≤97.55 and 40.16≤band4≤82.82 and band8≥0.86

then Class = others,Fitness = 0.88

根据所获取的分类规则，对试验区ALOS遥感影像进行土地利用分类，经聚类分析处理和去除分析，将小于4像素×4像素的小图斑合并到相邻最大的斑块中，蜂群遥感分类(ABC)结果见图 4(a)，结合实地调查，该分类结果比较真实地反映了实际的土地利用覆盖类型。同时，对相同的训练样本数据，使用see5.0决策树方法获取分类规则，并对试验区相同影像进行了分类，分类结果见图 4(b)。

图 4 试验区影像土地利用分类结果 Fig. 4 The result of land use classification in the experimental area

图选项

为了验证对比两种分类方法的精度，在试验影像范围内分层随机选取10 000样本数据，作为验证样本数据集，比较实际参考地类与规则分类结果，分别统计两种方法的分类精度(见表 1和表 2)，ABC遥感分类方法的总体精度为84.23%、Kappa系数为0.817，see5.0决策树方法的总体精度为80.67%、Kappa系数为0.772，两种方法的精度之间有一定的差异。可见，ABC遥感分类方法具有更高的分类精度，其分类效果更好。

智能式遥感分类方法应用仿生智能计算方法智能挖掘遥感影像分类规则，能有效提高遥感复杂地物分类精度。人工蜂群算法是一种模拟蜜蜂群体智能搜索行为的仿生智能优化算法，能够有效解决搜索局部最优问题。本文在分析人工蜂群算法原理的基础上，根据遥感影像分类具体特征改进人工蜂群算法，构造了蜂群智能遥感分类方法，将遥感影像分类规则挖掘问题转换为蜂群智能选取各波段最优分割点问题。通过本文理论分析与实例验证得出结论：所构造的蜂群智能遥感分类方法是可行的，挖掘的遥感分类规则能清晰地描述地物分类中的复杂关系，能够改善分类效果。同时，本方法在蜂群优化求解效率方面还有待进一步研究和试验。