基于SSA-RF的SAR图像变化检测方法.pdf

第2 9 卷第1期2024年1月doi:10.13682/j.issn.2095-6533.2024.01.011西安邮电大学学报JOURNAL OF XIAN UNIVERSITY OF POSTS AND TELECOMMUNICATIONS基于SSA-RF的SAR图像变化检测方法Vol.29No.1Jan,2024唐浩漾12，各张茹，秦（1.西安邮电大学自动化学院，陕西西安7 10 12 1;2.西安市先进控制与智能处理重点实验室，陕西西安7 10 12 1)波，李文杰1摘要：为了提高合成孔径雷达（SyntheticApertureRadar，SA R)图像变化检测精度，提出一种基于麻雀搜索算法优化随机森林(SparrowSearchAlgorithm-RandomForest，SSA-R F)的SAR图像变化检测方法。该方法首先通过对数比值法得到两时相SAR图像的差异图，然后在差异图预处理后进行层次模糊C均值（FuzzyC-means，FC M)聚类预检测，生成有效标签。最后，利用标签训练随机森林二次检测模型，并采用麻雀搜索算法对随机森林进行参数优化构建性能稳定的分类器，得到差异图变化类与不变化类的分类结果，从而实现SAR图像的变化检测。实验结果表明，该方法较好地保留了变化区域信息，有效提高了SAR图像的变化检测精度。关键词：合成孔径雷达图像；对数比值法层次模糊C均值；麻雀搜索算法；随机森林模型中图分类号：TP751.1SAR image change detection method based on SSA-RFTANG Haoyangl2,LIN Zhangru,QIN Bo,LI Wenjie!(1.School of Automation,Xian University of Posts and Telecommunications,Xian 710121,China;2.Xian Advanced Control and Intelligent Processing Key Laboratory,Xian 710121,China)Abstract:In order to improve the accuracy of the Synthetic Aperture Radar(SAR)image changedetection,a Sparrow Search Algorithm-Random Forest(SSA-RF)based SAR image change detec-tion method is proposed.In this method,the difference maps of two-phase SAR images are obtainedby the logarithmic ratio method.After the difference maps are preprocessed,the Hierarchical FuzzyC-means(FCM)cluster pre-detection is carried out to generate valid labels.Finally,the tags areused to train the random forest secondary detection model,and the sparrow search algorithm is usedto optimize the parameters of the random forest to build a stable classifier,and the classification re-sults of the change class and the unchanged class of the difference maps are obtained,so as to realizethe change detection of SAR images.Experiment results show that the method preserves the changeregion information well and improves the accuracy of SAR image change detection effectively.Keywords:synthetic aperture radar image;logarithmic ratio method;hierarchical fuzzy C-means;sparrow search algorithm;random forest model合成孔径雷达（Synthetic Aperture Radar，SAR)图像是一种主动微波遥感成像模式，具有高分辨率、对比度高、对光源强度依赖度低及全天时获取地物信息的特点，特别适于大面积的地表成像。SAR图像变化检测2 是通过对同地区不同时收稿日期：2 0 2 3-0 2-2 8基金项目：西安市科技局人工智能技术公关项目（2 1RGZN0020）引文格式：唐浩漾，吝张茹，秦波，等.基于SSA-RF的SAR图像变化检测方法JI.西安邮电大学学报，2 0 2 4，2 9（1)：96-10 2.TANG H Y,LIN Z R,QIN B,et al.SAR image change detection method based on SSA-RFLJI.Journal of Xian University of Postsand Telecommunications,2024,29(1):96-102.文献标识码：A文章编号：2 0 95-6 533(2 0 2 4)0 1-0 0 96-0 7间观测的SAR图像进行比对，从而获取该地区变化信息的描述图谱，以实现该地区地物变化的综合分析，现已广泛应用于建筑物震害变化检测3、水体变化检测4、河湖动态变化监测5 和土地覆盖面积变化检测6 等遥感图像变化检测。第2 9 卷第1期通过构建差异图获取变化信息是SAR图像变化检测的普遍方法，整个检测过程分为SAR图像预处理、构造差异图和分析差异图获得变化检测结果等3个部分。无监督分类作为差异图分析的重要方法之一，主要应用K均值7（K-means,KM)和模糊C均值(Fuzzy C-means,FCM)分类方法8,但其依赖于人工参数，且对噪声敏感。通过添加非局部信息可改善抗噪性能，但依赖于非局部窗口的选取。带分解的双目标模糊局部信息聚类算法（Biobjec-tive Fuzzy Local Information Clustering Methodwith Decomposition，BI FL I C M/D)可平衡抑噪、保持细节，但当处理噪声相差较大的两数据时，检测结果表现不佳6。因此，仅利用无监督分类方法不能获得满意的检测结果。文献10 采用无监督预分类结合监督分类的二次检测模型进行SAR图像变化检测，该方法满足先验知识和提高分类精度的需求,且简单易实现。因此，在单一无监督算法基础上进行二次检测是提高分类精度的有效方法。近年来，众多研究将机器学习的分类方法应用于SAR图像变化检测中，并将极限学习机（ExtremeLearning Machine,ELM)、卷积小波神经网络(Con-volutional-Wavelet Neural Networks,CWNN),级联线性网络（Principal Component Analysis Net-work,PCANet)和决策树作为二次检测模型，虽然取得了较好的效果，但模型抑噪效果不佳，误检率高，且CWNN和PCANet时间复杂度较高，降低了检测效率10-13。与决策树、支持向量机、神经网络衍生模型相比，随机森林(RandomForest,RF)模型结构简单，分类错误率低，不易产生明显的过拟合问题。利用训练完成的随机森林模型确定最终SAR图像变化区域，漏检率与误检率均有所减少，但是随机森林参数决定着变化信息提取的准确度，传统人工参数取值无法获得最优效果14-16。麻雀搜索算法17（Sparrow Search Algorithm，SSA)具有搜索精度高、收敛速度快、稳定性强和避免局部最优值等优势，将其应用于图像处理领域，能有效地解决原有算法的最优参数取值问题，从而得到更好的图像分类和去噪等效果18-2 0 1。因此，为了确定随机森林的最优参数，更好地训练二次检测模型，拟提出一种基于麻雀搜索算法优化随机森林（Sparrow Search Algorithm-Random For-est,SSA-RF)的 SAR图像变化检测方法，以期能够较好保留变化区域信息，提高SAR图像变化检测精度。唐浩漾，等基于SSA-RF的SAR图像变化检测方法97.1基于SSA-RF的SAR图像变化检测基于SSA-RF的SAR图像变化检测的目的是在同一区域采集日期为 Ti 和 T，之间生成一个变化图。为了减少相干斑噪声的影响，同时增强低强度像素，先采用对数比值法构建差异图，再对差异图进行预处理，提取可以正确聚类的特征，并提供更多区分变化检测任务的信息，形成Gabor特征向量。然后将Gabor特征向量进行层次FCM聚类，得到1、0、0.5等3类像素标签。最后，利用所产生的标签训练随机森林模型，同时结合SSA算法构建SSA-RF模型,将预检测结果的不确定类再次进行变化类和不变化类划分，最终得到变化图。基于SSA-RF的SAR图像变化检测过程如图1所示。T,时相图差异图差异图预处理工，时相图SSA-RF最终变化图二次检测图1基于SSA-RF的SAR图像变化检测过程1.1层次FCM聚类预检测设X=(y1=（i,j)|1 i M,1 j NI)和X,=(y2=（i,j)|1 M,1 j N|)为在同一区域采集已配准地T和T两时相SAR图像，大小均为MXN。SA R 图像常常包含斑点噪声，为降低斑点噪声对变化信息获取的影响，由对数比算子生成差异图X=|log（X2/X）|，同时为能够保持边缘特性和局部特征，利用Gabor小波处理差异图,形成易分辨变化信息的差异图Gabor特征向量。将Gabor特征向量输入层次FCM聚类的目的是得到带有标签(V。,V i,V u)的变化图，变化类V。标签为0,未变化类Vu标签为1,对于标签为0.5的V属于无法判断此像素是否为变化的不确定类。层次FCM聚类分为两个阶段，第一阶段是将Gabor特征向量聚类为2 类像素，确定不确定类占有率的阈值范围。第二阶段是将Gabor特征向量聚类为5类像素,根据第一阶段得到的阈值范围，将5类像素分为变化类V。、未变化类Vu和不确定类Vi。阶段1将Gabor特征向量聚类为2 类像素数，确定不确定类占有率的阈值范围。将像素均值大的一类划分为变化类V。，像素均值小的划分为对数比层次FCM预检测98未变化类Vu，则不确定类占有率的最小阈值和最大阅值分别表示11为R.=V/1.1V。RH=1.2V式中，V=V。+Vu 为总标签数。由式(1)和式(2)得到不确定类占有率的阈值范围为RL,RH。阶段2 将Gabor特征向量聚类为5类像素，按照像素均值降序排序为PiP2P:P4Ps，每类像素对应的像素个数分别为CiC2CsC4Cs，每次循环像素总个数为 C。当 C=Ci时:若C/VRL，则将 ci划分到V；若RLC/VRH,则将ci划分到Vu。当C=Ci十C时:若C/VRL,则将 C2划分到V。;若RLC/VRH，则将C划分到Vu。以此类推,将所有5类像素划分为V。、V i、V u，从而获得像素标签。1.2SSA-RF的二次检测利用预检测得到的像素标签训练RF模型，对差异图进行二次检测，以判断V的变化类与未变化类，并将二次检测结果与预检测结果结合得到最终检测结果，从而提高变化检测精度以得到变化信息检测更准确的变化图。RF的决策树数量N和叶子节点的最小样本数M影响着RF对SAR图像变化检测的效率和性能2 1。N决定了决策树的多样性，数量越多越利于提高模型的性能。M控制此节点是否继续增长，节点样本数小于等于M即会停止增长。采用SSA对RF的N和M进行优化，搜索最优参数构建RF模型，将RF模型训练集预测的错误率与测试集预测的错误率之和作为 SSA-RF优化的适应度函数。SSA具有强大的局部、全局搜索能力及快速收敛能力。通过n只麻雀种群觅食位置更新迭代寻找全局最优觅食资源，以获得参数的最优解。发现者有高水平的能量储备，提供丰富的食物区域给所有的跟随者。在每次迭代过程中，发现者的位置更新表达式为X.X1=exitmax(Xi.,+QL,西安邮电大学学报式中：t为当前送代次数；imax为最大迭代次数；Xi.j为第i只麻雀在第i维的位置，j1，2，,d,d 为V解的维度;为（0,1)的随机数;Q为一个服从正态(1)分布的随机数；L表示大小为1d的单位矩阵；（2)WE0,1为报警值,安全阈值为SE0.5,1.0。跟随者为增加自已的捕食率不断监控发现者去争夺食物而更新位置，跟随者位置更新为(IXw-Xi.,l)Qexp(i2X1=式中：Xp为发现者所在的最优位置；Xw为发现者最差的位置;A是大小为1d的矩阵,其元素是1或-1,A+=AT(AAT)-1。发现者在警戒者提醒下远离危险区，寻找新的觅食区域。警戒者数量占种群的2 0%，警戒者位置更新为XB+IXi.,+XB,X=IXi.,+XWIXi.,+K(fi-fw)+e)式中：XB表示当前全局最优位置；为步长控制参数,服从正态分布的随机数;K为一1,1的一个随机数；fi，f g，f w 分别为当前麻雀适应度、全局最优适应度和全局最差的适应度；为避免分母为0 的一个常数。SSA-RF的二次检测具体步骤如下，检测过程如图 2 所示。步骤1初始化。根据RF模型初始化SSA的麻雀种群数量n和种群迭代次数t。随机初始化麻雀位置X，将优化后的麻雀位置作为RF中树的个数N和叶子节点最小样本数M的初始值。步骤2 建立SSA-RF的适应度函数F。计算麻雀个体所处位置的食物资源分配情况，即麻雀个体的种群全局最优适应度fg。在RF模型中,RF对训练集预测的错误率RT与测试集预测的错误率Rp之和反映SSA-RF的变化检测性能，检测的错误率越低表示性能越好，则SSA-RF的适应度函数表示为F=arg min(Rr+Rp)步骤3优化过程。根据适应度函数的计算结WS2024年1月2(4)fif(5)f=f(6)果寻找当前最优麻雀的位置XB，初始确定发现者、跟随者和警戒者位置，继续寻找食物，通过式（3）、第2 9卷第1期式(4)和式（5)更新发现者、跟随者和警戒者位置。计算种群中个体适应度fi，对比当前全局最优适应度f。和当前作为食物位置的麻雀个体适应度f，适应度值最优位置成为该个体的新位置XB。若此位置满足全局最优适应度f。最小或者达到种群迭代次数t，全局最优解输出；若不满足全局最优适应度f。最小或者达到种群迭代次数t,继续更新个体位置X特和全局最优适应度fg。步骤4代入寻优得到的最佳决策树个数N和叶子节点最小样本数M训练RF。步骤5利用训练完成的RF模型对不确定类中进一步变化与不变化像素区分，并与预检测结果组合，得到最终检测结果。SSA部分开始唐浩漾，等：基于SSA-RF的SAR图像变化检测方法图3 图5所示。(a)1997年5月(b)1997年8 月图3Ottawa数据集SSA-RF模型RF部分99图像的大小为2 90 X350像素。第二、三组数据为黄河数据集YellowRiverI和YellowRiverIV，分别是2008年和2 0 0 9 年在中国黄河河口地区由Radarset-2获取的两段SAR图像。Ottawa数据集，YellowRiverI数据集、YellowRiverIV数据集示例分别如(c)变化参考初始化种群参数、发现者比例、选代次数等计算适应度。种群更新传入参数传出适应度值根据参数构建RF(a)2008年(b)2009年图4YellowRiverl数据集(c)变化参考计算适应度，更新全局最优解满足条件是输出最优Ntrees、M in le a f结束图2 SSA-RF的二次检测过程2实验结果及分析2.1实验设置及数据集选取为了验证基于SSA-RF的SAR图像变化检测方法变化信息提取效果，在中央处理器Intel(R)Core(TM)i7-1065G7U CPU 1.3 GHz,8.0 GiBRAM上，利用Matlab2020a仿真平台，选取3组不同传感器采集的已配准、几何校正的多时相SAR数据进行处理。第一组数据为19 9 7 年5月和8 月由雷达卫星SAR传感器捕获的Ottawa数据集，每张传入参数传出适应度值训练RF测试RF输出最终检测结果(a)2008年图5YellowRiverIV数据集2.2结果与分析2.2.1不同方法检测结果对比分析利用所提方法和KM、EL M、PC A Ne t、C W NN、BIFLICM/D等6 种方法检测Ottawa、Ye llo w R iv-erI和YellowRiverIV等3个数据集的变化信息，结果分别如图6 图8 所示。由图6 图8 可以看出,KM、EL M 和PCANet在 3个数据集的检测结果出现了明显的空洞现象，丢失了大量的变化信息，且ELM出现白点，抗噪性能差。CWNN在Ot-tawa数据集中变化区域大于变化参考图，产生了较多的误检，在YellowRiverI和YellowRiverIV数据集中，线状和点状变化区域存在误检和漏检情况。BIFLICM/D检测结果不稳定，在YellowRive-rI数据集中下端的变化信息缺失严重。而所提方法保留了细节信息，噪声点最少，抗噪行性能强，与变化参考结果基本保持一致，检测结果效果最佳。(b)2009年(c)变化参考100西安邮电大学学报2024年1月(a)KM(b)ELM(c)PCANet图66种方法在Ottawa数据集的检测结果(d)CWNN(e)BIFLICM/D(f)SSA-RF(g)变化参考(a)KM(b)ELM(c)PCANet图76种方法在YellowRiverI数据集的检测结果(d)CWNN(e)BIFLICM/D(f)SSA-RF(g)变化参考(a)KM为了评价6 种方法的检测性能。将虚警数(False Positive,FP)、漏检数(False Negative,FN)、总错误数（Overall Errors，O E）和正确分类精度方法FPKM582ELM514PCANet953CWNN1291BIFLICM/D873SSA-RF775由表1可知，所提方法检测结果优于其他5种，误检数和漏检数之和较低，且在3个数据集上正确分类精度都有所提高。KM、EL M 和PCANet的漏检数高，CWNN的误检数高，使得误检数和漏检数之和变高，导致正确分类精度降低。BIFICM/D在YellowRiverI数据集中正确分类精度低至95.37%,YellowRiverIV中可达99.0 9%，不同数据集的噪声水平影响了检测结果。2.2.2二次检测模型结果对比分析为了验证SSA-RF二次检测模型的性能,分别构建粒子群2 2 (Particle Swarm Optimization,PSO)优化RF的二次检测模型PSO-RF，蚁群优化算法2 3（Ant Colony Algorithm,ACO)优化 RF 的二(b)ELMOttawaFNOE19012.483126717819421895434172597218457691544(c)PCANet图8 6 种方法YellowRiverIV数据集的检测结果表16 种方法在3个数据集的评价指标Yellow RiverlPCCFP97.55214998.2566998.1361398.331.05498.181.26498.47701(d)CWNN(Percentage Correct Classification,PCC)作为评价指标2 ，分别对比6 种方法在3个数据集的评价指标，如表1所示。FNOE26564.805357042393.567418015082.56221743.43818142.515次检测模型ACO-RF,对比3种模型的评价指标如表2 所示。可以看出,PSO-RF和ACO-RF的分类精确度低，运行时间长，SSA-RF模型可满足检测准确率和算法的时间复杂度的需求，算法效率有所提高。表2 3种二次检测模型的评价指标模型FPPSO-RF634ACO-RF508SSA-RF775在3个数据集上的实验结果表明，所提方法能够利用预检测获得像素标签，训练的SSA-RF(e)BIFLICM/DPCC93.5394.3794.6696.5495.3796.63FN12951 412769(f)SSA-RFYellow RiverIVFPFN12.915531866311236324734103718181660OEPCC运行时间/h1.92998.09192098.101 54498.47(g)变化参考OEPCC2.91696.72191997.841.26798.571.05898.8182199.0884199.0710123第2 9卷第1期的二次检测可提高整体检测精确度，实现变化信息提取的目的。另外，SSA-RF的二次检测时间复杂度低，模型性能稳定，不会出现如BIFLICM/D在YellowRiverIV数据集的正确分类精确度高，在YellowRiverI数据集的正确分类精确度低的状况。3结语为了提高SAR图像变化检测准确率，并优化变化检测的参数求解过程，提出了一种基于 SSA-RF的SAR图像变化检测方法。该方法将提取差异图的Gabor特征向量输人层次FCM聚类算法进行预检测，获得像素标签，并利用SSA优化随机森林进行二次检测，得到变化检测结果。实验结果证明，所提方法利用SSA对随机森林参数优化有助于训练的稳定，从而获取更多的变化信息。相比于其他5种方法，SSA-RF不仅提高检测精确率，而且对SAR图像噪声有抑制，细节信息保持良好。参考文献1任秋如，杨文忠，汪传建.遥感影像变化检测综述J.计算机应用，2 0 2 1,41(8）：2 2 94-2 30 5.REN Q R,YANG W Z,WANG C J.Review of remotesensing image change detectionJJ.Journal of Comput-er Applications,2021,41(8):2294-2305.(in Chinese)2董宝兰，汪骏，毕津滔.基于差异图融合和FLICM聚类的SAR图像变化检测JJ.遥感信息，2 0 2 2，37（3：51-56.DONG B L,WANG J,BI J T.SAR image change de-tection based on difference image fusion and FLICMclusteringJ.Remote Sensing Information,2022,37(3):51-56.(in Chinese)3袁玉.基于SAR图像相干变化检测的建筑物震害信息提取研究D廊坊：防灾科技学院，2 0 18.YUAN Y.Study of earthquake-induced building dam-age information extraction by using change detection ofSAR images coherenceD.Langfang:Institute of Dis-aster Prevention,2018.(in Chinese)4李玲玉，张毅.一种基于新差异算子和纹理的SAR图像水体变化检测算法J.计算机与现代化，2 0 2 0（4：85-94.LI L Y,ZHANG Y.A water change detection methodof SAR images based on new difference operator andtextureLJ.Computer and Modernization,2020(4):85-94.(in Chinese)5张庆全，覃婷婷，余迎，等.黑龙江省省级河湖遥感动态唐浩漾，等：基于SSA-RF的SAR图像变化检测方法(7):111-114.ZHANG Q Q,TAN T T,YU Y,et al.Research on re-mote sensing dynamic change monitoring system ofrivers and lakes in Heilongjiang ProvinceJ.Geomat-ics&Spatial Information Technology,2021,44（7):111-114.(in Chinese)6FANG W,XI C.Land-cover change detection for SARimages based on biobjective fuzzy local informationclustering method with decompositionJ.IEEE Geo-science and Remote Sensing Letters,2022,19:1-5.7CELIK T.Unsupervised change detection in satelliteimages using principal component analysis and K-means clustering J.IEEE Geoscience and RemoteSensing Letters,2009,6(4):772-776.8HAO M,HUA Z,LI Z,et al.Unsupervised change detec-tion using a novel fuzzy c-means clustering simultaneouslyincorporating local and global informationJJ.MultimediaTools and Applications,2017,76:20081-20098.9兰蓉，王淑敏.基于IFLBP及空间隶属度相似性的CFFCM图像分割JJ.西安邮电大学学报，2 0 2 2，2 7(1):72-80.LAN R,WANG S M.CFFCM image segmentationbased on IFLBP and spatial membership similarityLJ.Journal of Xian University of Posts and Telecommu-nications,2022,27(1):72-80.(in Chinese)10胡克军.二次分类在SAR图像变化检测中的应用D.济南：山东师范大学,2 0 19.HU K J.Application of secondary classification in SARimage change detection D.Jinan:Shandong NormalUniversity,2019.(in Chinese)11 GAO F,DONG J,LI B,et al.Change detection fromsynthetic aperture radar images based on neighbor-hood-based ratio and extreme learning machine J.Journal of Applied Remote Sensing,2016,10(4):1-14.(in Chinese)12 GAO F,WANG X,GAO Y,et al.Sea ice change detec-tion in SAR images based on convolutional-waveletneural networks J.IEEE Geoscience and RemoteSensing Letters,2019,16(8):1240-1244.13 GAO F,DONG J,LI B,et al.Automatic change detec-tion in synthetic aperture radar images based on PCA-NetJ.IEEE Geoscience and Remote Sensing Letters,2017,13(12):1792-1796.14肖晨宇.黄河冰凌SAR图像分类方法研究D.呼和浩特：内蒙古工业大学，2 0 2 1.XIAO C Y.Study on the SAR image classificationmethods of the Yellow River iceD.Hohhot:InnerMongolia:Inner Mongolia University of Technology,101变化监测体系研究J.测绘与空间地理信息，2 0 2 1，44102.2021.15冯文卿，睦海刚，涂继辉，等.高分辨率遥感影像的随机森林变化检测方法J.测绘学报，2 0 17，46（11）：1880-1890.FENG W Q,MU H G,TU J H,et al.Change methodfor high resolution remote sensing images using ran-dom forestJ.Acta Geodaetica et Cartographica Sini-ca,2017,46(11):1880-1890.(in Chinese)16窦世卿，宋莹莹，徐勇，等.基于随机森林的高分影像分类及土地利用变化检测J.无线电工程，2 0 2 1，51（9）：901-908.DOU S Q,SONG Y Y,XU Y,et al.High resolutionimage classification and land use change detectionbased on random forestJ.Radio Engineering,2021,51(9):901-908.(in Chinese)17李淑英，程磊，彭柏栋，等.优化随机森林的高光谱图像降维及分类算法J.西安邮电大学学报，2 0 2 2,2 7（5）：67-76.LI S Y,CHENG L,PENG B D,et al.Optimized ran-dom forest algorithm for hyperspectral image dimen-sionality reduction and classificationJ.Journal of Xian University of Posts and Telecommunications,2022,27(5):67-76.(in Chinese)18 XUE J,SHEN B.A novel swarm intelligence optimiza-tion approach;Sparrow search algorithmJ.SystemScience&.Control Engineering,2020,8(1):22-34.19李鹏，丁倩雯.基于麻雀算法优化的OSTU分割算法J.电子测量技术，2 0 2 1,44（19）：148-154.LI P,DING Q W.OSTU segmentation algorithm basedon sparrow algorithm optimization J.ElectronicMeasurement Technology,2021,44(19):148-154.(inChinese)20J YAN Z,HUANG J,XIANG K.Kernel extreme learn-ing machine optimized by the sparrow search algorithmfor hyperspectral image classificationEB/OL.2023-01-31J.https:/doi.0rg/10.48550/arXiv.2204.00973.21 BREIMAN L.Random forestsJJ.Machine Learning,2001,45(1):5-32.22白菊蓉，宋朝阳，兰琳，等.基于PSO-SLM算法的OTFS系统峰均比抑制J.西安邮电大学学报，2 0 2 3，28(1):30-36.西安邮电大学学报BAIJ R,SONG Z Y,LAN L,et al.PAPR reduction inOTFS system based on PSO-SLM algorithmJ.Jour-nal of Xian University of Posts and Telecommunica-tions,2023,28(1):30-36.(in Chinese)23屠莉，杨立志。一种基于蚁群优化的图像分类算法J.计算机应用与软件，2 0 15，32（4）：2 0 2-2 0 5.TU L,YANG L Z.Image classification algorithm basedon ant colony optimisationJ.Computer Applicationsand Software,2015,32(4):202-205.(in Chinese)作者简介2024年1月唐浩漾（197 5一），男，四川南充人，博士，西安邮电大学副教授，主要研究方向为图像处理、视频处理、多媒体通信等。E-mail:tanghaoyang xupt.edu,cn吝张茹（1996 一），陕西西安人，西安邮电大学硕士研究生，主要研究方向为遥感图像处理。E-mail:秦波（197 4一），四川巴中人，博士，西安邮电大学副教授，主要研究方向为智能感知、计算机控制、自主导航与定位。E-mail:qinbo123 李文杰（2 0 0 1一），陕西西安人，西安邮电大学本科生，主要研究方向为迁移学习、异构域适应等。E-mail:责任编辑：祝剑