[发明专利]一种基于蜂群智能的遥感影像聚类方法

说明书

技术领域

本发明涉及一种基于蜂群智能的遥感影像聚类方法，属于遥感影像聚类分析领域。

背景技术

土地利用/覆被为很多学科提供了基础数据，包括生态学、地理学及气候学等。因而，一直是科学家关注的焦点之一。遥感技术已经被认为是获取土地利用/覆被数据的主流手段之一，这是因为其具有很多独特的优势，包括宏观性、现势性、可重复性和经济性等。科学家已经付出了很大精力发展了很多遥感分类算法，但由于遥感影像的复杂性，精确的遥感影像分类仍然是一项巨大挑战。

总体而言，分类方法分为监督分类与非监督分类(聚类)。监督分类(例如最大似然法)一般分类精度较好，但需要大量训练样本指导分类。而训练样本的搜集一般十分费时费力，并且很多地区不可到达。随着遥感技术的快速发展，人类获取的卫星遥感数据量呈现海量规模。在这种背景下，非监督分类受到了科学家越来越多的关注和注意，这是因为其不需要样本知识，而仅依靠遥感影像自身统计特性就能生产土地利用数据。目前，非监督分类方法已经广泛应用于各类遥感应用，包括全球土地利用制图等。

k-means算法是一种最为常用的非监督遥感分类算法。它工作原理简单，效率较高，因而得到广泛应用。然而，k-means建立在数据对象符合高斯分布基础之上，而遥感数据十分复杂，其数据分布往往不符合高斯分布。因而，k-means往往无法达到全局最优解。此外，其性能在很大程度上受到初始数据的影响，因而稳定性不足。

飞速发展的人工智能为这一领域的进步提供了新的契机。非监督分类问题可以转换为一个优化问题，利用人工智能方法加以解决。遗传算法(genetic algorithm,GA)是最为经典的和最常用的智能算法，基于GA学者们发展了遗传聚类算法(GA-clustering)用于遥感影像分类。该算法包括以下步骤：

1.将每一个解决方案视为一个染色体，通过对染色体的操作实现优化；

2.构造适宜度函数，通过选择算子保留精英群体，淘汰部分落后群体；

3.利用交叉算子和变异算子增加种群多样性；

4.达到循环停止条件，输出最优解决方案，实现遥感影像非监督分类。

但是上述遗传聚类算法具有如下缺点：

1开发能力弱：遗传聚类算法依靠选择和交叉算子来对已有染色体进行开发，但并没有对特别优异的染色体予以特别重视，因而其收敛速度较慢，不适合处理复杂和大规模的遥感数据。

2开拓能力较差：遗传聚类算法仅仅依靠交叉和变异来实现种群的开拓，往往很难实现解空间的全局搜索与开拓；由于其开拓能力弱，所以其遥感影像聚类结果好坏十分依赖于初始种群质量，即聚类结果不够稳定。

综上，现有智能算法由于开发和开拓能力弱，在挖掘最优聚类中心从而实现遥感影像分类任务中，往往无法得到全局最优聚类中心，无法取得满意遥感分类结果。

发明内容

本发明的目的是为了解决现有用于遥感影像的分类算法开发和开拓能力弱，在挖掘最优聚类中心从而实现遥感影像分类任务中，往往无法得到全局最优聚类中心，无法取得满意遥感分类结果的缺点，而提出一种基于蜂群智能的遥感影像聚类方法，包括如下步骤：

步骤1)确定待分类遥感影像分类数目，并将遥感影像的每一个像元随机分配给一种分类；每个像元具有预定数量的特征；

步骤2)根据像元的特征对像元进行蜂群智能挖掘，具体为：

步骤2.1)初始化控制参数；所述控制参数包括蜜蜂数量、最大循环次数、限制搜索次数；蜜蜂包括雇佣蜂、观察蜂；所述蜜蜂数量为p，雇佣蜂数量为p/2，所述观察蜂数量为p/2；

步骤2.2)建立食物源；每个食物源对应于一个雇佣蜂；所述食物源由每一个类别的聚类中心连接形成，长度为n×m，其中n为遥感影像中每一个像元的波段数目，m为待分类数目；所述食物源的前n位表示第一个类别的聚类中心，以此类推；

步骤2.3)计算食物源的适宜度；所述适宜度函数f的表达式为f＝1/(M+1)，M为聚类指标；

步骤2.4)搜索新食物源；即在根据步骤2.3)计算完现有食物源的适宜度后，在已有食物源周围随机搜索新的食物源位置；

步骤2.5)观察蜂根据随机概率P(X_i)对一个食物源进行跟随，随机概率P(X_i)的表达式为：

其中，X_i为第i个蜜蜂食物源位置，f(X_i)为食物源X_i的花粉丰度，N_e为雇佣蜂数量；