进化Agent模型实验分析

1.模拟数据实验

模拟图像的实验只选取两种不同的类别，分别是目标和背景，首先利用规则的简单图形进行实验，如图5-15（a）所示，图像大小为300×300，对原始影像重采样，采样比率为S=5，采样后的一个像元中包含有25个亚像元，低分辨率影像为60×60。利用本书进化Agent方法对新得到的低分辨率图像进行处理，算法迭代的次数设定为200次，使其还原成原始大小图像。由于规则图形对于各个尺度都可以很好地重建，重新得到的图像与原始图像差别非常小，结果图像不再列出。进一步验证算法在复杂图形上的有效性，使用不规则的模拟影像，如图5-15（b）所示，同样选取图像大小为300×300，以MLC 分类方法得到的结果作为参考影像。对重采样后的模糊影像进行硬分类处理，得到的结果如图5-15（c），由于混合像元的存在，在两种物体交界处出现了很不规则的形状。而利用本书所提出的算法进行求解，对边缘模糊的现象进行了修复，修复程度非常接近于原始参考影像，视觉效果令人满意。

2.真实数据实验

选取前面章节所用到的长江三峡地区ETM 影像作为实验数据（图5-16）。利用均值滤波器对每个子图像进行模糊处理，模糊化的尺度因子S=5，模糊后的分辨率为80m×80m，如果利用传统MLC方法对退化影像进行硬分类，得到的结果如图5-16（c）所示。利用进化Agent的方法，首先计算出每一个原始像元里面对应不同类别的子像元个数，作为初始的Agent点，迭代500次，然后恢复的分类图如图5-16（d）所示，可以看到：地物类别混杂的区域，定位的效果比较好。同时利用进化Agent的效率也比较高，对400×400的影像，实际所花费的时间才10.2s。如果将模糊尺度因子S 增加为7和9，得到的结果分别为图5-16（e）和（f），当尺度越大时，每一个像元所包含的子像元数目越多，得到的精度会相应地降低，这从图5-16（d）（e）（f）中的目视效果比较可以看出来。

图5-14　基于进化Agent亚像元定位的算法流程图

图5-15　模拟数据及其定位结果

图5-16　真实影像的分类结果(www.xing528.com)

3.定量结果分析

除了采用3个定量分析指标：总体精度评价PCC（Percent Correctly Classified）、Kappa系数和混淆矩阵以外，为了突出评价该方法的性能，这里再引入一个新指标PCC′，它代表的是仅仅只计算在混合像元中被正确分类的亚像元，这样能够更好地评价亚像元定位结果的好坏。

从表5-6中的PCC值、PCC′值和Kappa系数结果可以看出：利用Agent进化模型对原始像元信息的估计比较准确，与直接硬分类的方法（MLC 方法）相比较，模拟影像和真实影像的分类精度分别提高了4%、6%、23%、29%以及10%、13%左右，因此可以看出，如果只计算混合像元里面被正确分类的亚像元精度PCC′值，提高幅度大一些，同时，由于真实影像中混合像元所占的比例比较大，Kappa系数与PCC值对应提高的幅度也要大一点。

在真实影像中的4种地物类别中，分别选取100个点作为混淆矩阵的训练样本。表5-7给出了利用MLC方法和Agent进化模型对退化的TM 影像进行分类所得到的混淆矩阵，这里以MLC对原始影像进行分类得到的结果为标准，由于在退化的影像中包含有大量的混合信息，因此直接硬分类的方法难以得到精确的分类结果。可以看出：Agent进化模型对这4种地物的分类精度都有所提高，其中对湖泊的分类精度提高的最多，由53%提高到85%。在这4种地物里面，由于湖泊是图像中含混合成分最多的地物，特别是在湖泊的边界位置，混合情况比较明显，因此两个方法的分类结果差别比较明显。

表5-6　进化Agent模型、硬分类方法结果精度统计表

表5-7　进化Agent模型、硬分类方法结果混淆矩阵的比较

实验结果表明，进化Agent技术能够快速有效地对混合像元中的亚像元进行定位。这种方法主要特点如下：Agent的复制和扩散是随机的动态选择；适合一致性区域连通的局部区域，且不同区域的Agent点可以同时处理；容易描述和实现。以后的研究集中在如何保证Agent点以最快的方式完成给定的任务，以及定义Agent点繁殖和扩散的方向。