一种基于遗传规划和集成分类的遥感图像道路提取方法

本发明涉及人工智能、遥感、图像处理与计算机视觉领域，尤其涉及一种基于遗传规划和集成分类的遥感图像道路提取方法。

背景技术：

1、遥感图像道路提取是遥感图像处理领域的一项重要任务，通常涉及从卫星或无人机等传感器获取的图像中自动检测和提取道路信息。道路提取的应用非常广泛，涵盖城市道路规划、灾害应急等多个方面。

2、遥感图像道路提取面临着一些挑战和难点。首先，复杂的地物覆盖，和不同的环境条件使得道路在图像中表现多样且变化无常，增加了准确检测的难度。其次，遥感图像的分辨率和噪声水平对道路提取的精度产生影响，特别是在大范围区域的情况下。此外，光照变化、阴影效应和季节变化等因素也增加了算法的复杂性。另一方面，道路提取需要考虑到不同道路类型、交叉口和复杂城市结构，这要求算法具备强大的泛化能力。综合而言，遥感图像道路提取的难点在于应对复杂多变的地物条件、提高算法的鲁棒性和泛化能力，以及实现对大规模数据的高效处理。克服这些难题将推动道路提取技术向着更高精度、更广泛应用的方向不断发展。

3、目前，传统基于特征的道路提取方法通常利用图像中的纹理、颜色、形状等特征来识别道路，它们在一些场景下具有较好的性能，特别是在道路与环境有明显差异的情况下。但是对于复杂的环境和光照条件变化大的情况，传统基于特征的方法可能表现不佳。而基于深度学习的方法虽然可以更好地适应复杂的场景和光照变化，但是需要大量标注的训练数据，而且模型训练和推理过程可能需要较大的计算资源。此外，对于小规模数据集，可能出现过拟合问题。

技术实现思路

1、本发明的目的就是为了解决上述问题，开发了一种基于遗传规划和集成分类的遥感图像道路提取方法，将遗传规划的树/模型作为一个可以进行特征构建的集成分类器，首先通过特征构建，从图像中提取更多有效信息，然后通过多个基分类器的组合，产生高准确度的预测结果。通过遗传规划方法的交叉，变异等进化操作，可以自动进化出多个基分类器的最优组合方案。

2、本发明采用的技术方案为：一种基于遗传规划和集成分类的遥感图像道路提取方法，包括以下步骤：

3、s1，输入需要进行道路提取的图像，进行预处理，预处理包括采样和特征提取两个步骤，一个像素点为一个样本；

4、s2，初始化种群，将样本的多个特征连接起来形成高维特征、将特征输入到自动构建的集成分类器中，执行分类得出样本属于每个类别的概率；

5、s3，采用交叉，变异和精英策略更新种群；

6、s4，利用设计的适应度评估函数评估种群中每一个个体的适应度值，并将种群中的适应度值最高的优秀个体保存在hof中；

7、s5，判断是否达到种群的最大迭代次数；若没有，重复执行s3-s4，否则结束进化，选择最好的个体在测试集上进行测试。

8、s6，重复执行s1-s5，选择重复实验得到的最好的个体对需要进行道路提取的图像中的所有像素点进行分类，保存每个像素点的预测值，通过语义分割实现道路提取。

9、进一步，所述s1的具体步骤包括：

10、s11：输入需要进行道路提取的图像；

11、s12：基于需要进行道路提取的图像，逐个提取像素点的rgb特征，邻域rgb特征以及灰度共生矩阵纹理特征，其中取样本点上下左右的四个像素点作为样本点的邻域，对于处于边界的样本点，则重复样本点本身的特征作为某个缺少的像素点的特征，以此保证特征维度的一致；

12、s13：按照道路：非道路为1：1的比例提取进行随机选取像素点，作为训练集和测试集，一个像素点作为一个样本，其中训练集包含600个样本，测试集包含400个样本，训练集和测试集互不包含，不存在重复的样本点；

13、s14：提取训练集和测试集的特征。

14、进一步，所述s2的具体步骤包括：

15、s21：设计种群的程序结构，设置函数集、终端集以及遗传规划相关参数，其中函数集包括用于特征构建的六个函数：加、减、乘、除、ifand和comb1函数，支持向量机(supportvector machine，svm)、逻辑回归(logistic regression，lr)、随机森林(random forest，rf)、极端随机森林(extremely randomized trees，erf)和k最近邻(k-nearestneighbors，knn)这五个基分类器和用于连接多个基分类器的comb函数集；

16、s22：训练集和测试集的特征作为终端集输入到遗传规划个体内，通过每个节点的输入输出对应关系，生成gp树个体，每个个体均包含高维特征构建模块和自动集成分类模块；

17、s23：生成初始化种群，种群的大小设置为100，个体的生成方式为“ramped half-and-half”，树的深度范围为[2,10]。

18、进一步，所述s3的具体步骤包括：

19、s31：输入初始化种群；

20、s32：按照0.8：0.19：0.01的概率对初始化种群执行交叉，变异和精英策略，来更新种群。

21、进一步，所述s32的具体步骤包括：

22、s321：交叉操作；

23、不同结构树的同类型交叉：使用相同类型的子树交叉来生成两个新个体；该操作符识别两个父树中所有具有相同类型的公共内部节点，并随机选择其中一个公共内部节点作为交叉点；从交叉点开始，交换子树以创建两个新树；在两个不同的树表示中分配相同的函数，并使用匹配的输入和输出类型，以确保这种交叉的有效性；

24、s322：变异操作；

25、选择一棵树的一个节点进行子树突变，根据节点的输入输出随机生成子树替换根植于该点的分支，生成一棵新的树；

26、s323：精英策略；

27、在进行交叉和变异后，保留种群中表现最好的个体，确保这些优秀的解决方案不会被丢失。

28、进一步，所述s4的具体步骤包括：

29、s41：输入训练集的特征，利用个体中特征构建模块的函数集进行高维特征的构建，基于种群个体的预测值及训练集的标签计算平衡分类精度；

30、s42：基于构建出的训练集的高维特征，使用三倍交叉验证来计算个体中集成模块中每个基分类器对训练集样本的预测类别；

31、s43：利用投票集成的方法对每个基分类器对训练集样本类别的预测值进行集成，方法如下：

32、

33、对于每个样本，基分类器投票，选择票数最多的类别作为最终的预测类别，其中，是第i个样本的最终预测类别，classj是第j个分类器的预测类别，n是基分类的数量，1(classj＝c)是指示函数，c为1则表示第j个分类器对第i个样本的预测结果为道路，相反c为0则表示为非道路；

34、s44：利用集成得出的样本类别预测值和样本标签，计算种群中个体的平衡分类精度；

35、s45：利用种群中个体的平衡分类精度来更新种群中个体的适应度值，并记录种群中的全局最优个体，个体适应度值的计算如下：

36、

37、其中，n是类别的总数，这里n的值为2；tpi是第i个类别的真正例数量，fni是第i个类别的假负例数量。

38、进一步，所述s5的具体步骤包括：

39、s51：输入s1中提取到的特征及s4中得到的全局最优个体；

40、s52：使用训练集的特征对全局最优个体进行训练；

41、s53：使用训练后的全局最优个体根据s1中提取到的特征对测试集像素点进行高维特征构建并进行二分类。

42、进一步，所述s6的具体步骤包括：

43、s61：重复执行s1-s5，选出多次实验中在测试集中预测值最高的个体；

44、s62：使用训练集的特征对全局最优个体进行训练，s1中提取到的特征对需要进行道路提取的图像中的像素点进行高维特征构建并进行二分类，即通过语义分割的方法实现道路提取，并保存所有像素点类别的预测值。

45、本发明产生的有益效果是：

46、1、引进了特征构建模块，可以提取更多有助于提高分类精度的特征；

47、2、可以自动设计基于特征的集成分类器，并且特征维度可变；

48、3、具有泛化能力好，可解释性好和可调参数少等优点；

49、4、对于小样本数据支撑的遥感图像道路提取任务给出了一种解决方法。