[发明专利]基于自适应PSO的人工免疫网络的遥感图像目标识别方法

权利要求书

1.一种基于自适应PSO的人工免疫网络遥感图像目标识别方法，包括如下过程：

(1)提取图像目标的7个不变矩特征，并对这些特征数据作归一化处理：

1a)为使特征值具有旋转和平移不变性，按如下公式提取图像目标的不变矩特征：

M₁＝(u₂₀+u₀₂)

M₃＝(u₃₀-3u₁₂)²+(3u₂₁-u₀₃)²

M₄＝(u₃₀+u₁₂)²+(u₂₁+u₀₃)²

M₅＝(u₃₀+u₁₂)(u₃₀-3u₁₂)[(u₃₀+u₁₂)²-3(u₂₁+u₀₃)²]

  +(3u₂₁-u₀₃)(u₂₁+u₀₃)[3(u₃₀+u₁₂)²-(u₂₁+u₀₃)²]

M₆＝(u₂₀-u₀₂)[(u₃₀+u₁₂)²-(u₂₁+u₀₃)²]+4u₁₁(u₃₀+u₁₂)(u₂₁+u₀₃)

M₇＝(3u₂₁-u₀₃)(u₃₀+u₁₂)[(u₃₀+u₁₂)²-3(u₂₁+u₀₃)²]

  -(u₃₀-3u₁₂)(u₂₁+u₀₃)[3(u₃₀+u₁₂)²-(u₂₁+u₀₃)²]

其中，M₁～M₇分别表示7个不变矩特征，u_pq表示图像的(p+q)中心矩，p和q为整数，p，q∈[0，3]，中心矩的取值为 其中x表示像素的横坐标，y表示像素的纵坐标， 表示图像中所有像素横坐标的平均值， 表示所有纵坐标的平均值，f(x，y)表示位于(x，y)位置上的像素的灰度值；

1b)为使特征值具有尺度不变性，对不变矩特征按如下公式进行处理：

M′₁＝M₁/P；

M′₂＝M₂/r²；

M′₃＝M₃/r³；

M′₄＝M₄/r²；

M′₅＝M₅/r⁶；

M′₆＝M₆/r⁴；

M′₇＝M₇/r⁶；

其中，M′₁～M′₇为处理后的特征值，P为图像所包含的像素个数，r＝(u₂₀+u₀₂)；

(2)设定运行参数，选择训练样本，初始化免疫网络和免疫细胞，所述的运行参数，包括初始免疫细胞的规模num、变异概率pm、克隆规模pclone、数据的维数N以及分类 类别数C；训练样本从每个类别的样本中随机选取；初始免疫细胞群体用B(k)表示，其中，k为进化的代数，k＝0，初始免疫网络为空；

(3)通过统计免疫细胞对训练样本的正确识别率，计算所有免疫细胞的亲和度，克隆免疫细胞，

所述计算所有免疫细胞的亲和度，是按照公式 计算，其中，B_i表示第i个免疫细胞，K为所有类别训练样本的个数，C为分类的类别数，P_rij表示B_i对第j类训练样本的正确识别个数；

(4)对克隆后的免疫细胞群体执行如下基于自适应PSO的超变异操作：

4a)设置免疫细胞的各维初始速度：

V(i，j)＝rand*p_m*|MC(i，j)-train(k，j)|*(MC(i，j)-train(k，j))

其中，p_m为变异概率，MC(i，j)表示第i个免疫细胞的第j维元素，train(k，j)表示随机选取的训练样本的j维元素，

4b)根据设置的初始速度执行基于自适应PSO的变异操作，得到变异后的免疫细胞：

MC′(i，j)＝MC(i，j)+w(i)*V(i，j)+r₁*rand*exp(-f(i))+r₂*rand*(gBest(j)-MC(i，j))

其中，f(i)表示第i个免疫细胞的亲和度值，gBest是全局极值，它表示当代种群中亲和度最高的免疫细胞，r₁为局部学习参数、r₂为全局学习参数，它们的取值之和为1，w是自适应惯性权值，

其中，w_max＝0.9，w_min＝0.4，f表示当前免疫细胞的亲和度值，f_avg表示所有免疫细胞亲和度的平均值，f_min表示所有免疫细胞亲和度的最小值；

(5)通过统计免疫细胞对训练样本的正确识别率，计算超变异后的免疫细胞群体的亲和度，并对该超变异后的免疫细胞群体执行克隆选择操作，选出亲和度最高的免疫细胞添加到免疫网络中；

(6)选出免疫网络中部分亲和度值最低以及未能提高免疫网络对训练样本正确识别率的免疫细胞，并让它们死亡；

(7)从免疫网络中选出亲和度值最高的免疫细胞，并判断它的亲和度值在迭代10次内有无变化，如果没有变化则继续执行(8)，否则，跳到第(3)步； 

(8)将未作为训练样本的遥感图像的特征值输入免疫网络，免疫网络判断出每幅图像的类别属性值。

2.根据权利要求1所述的基于自适应PSO的人工免疫网络遥感图像目标识别方法，其中克隆规模pclone与亲和度f(B_i)大小成正比。