[发明专利]一种基于改进粒子群的非监督遥感影像分类方法

说明书

技术领域

本发明涉及一种遥感影像分类方法。

背景技术

土地利用/覆被(LUCC)数据能反映基本的自然和社会过程，在地球科学中占据举足轻重的地位，这是因为LUCC数据为很多预测地球生态系统的模型提供了基础数据。此外，LUCC数据对于理解人类活动与全球变化的复杂交互机制至关重要。目前，遥感技术已经成为获取LUCC数据的主流技术手段，这是由于其具有宏观性、经济性、可重复性及实时性等独特优势。

随着遥感技术的不断进步，人们获取的遥感影像资源愈加丰富和多样，日累积数据量达到海量级别。在这种背景下，非监督遥感分类方法受到用户越来越多关注(简单和高效特性)。其中，k-means是最为常用的方法，能实现快速收敛完成影像聚类。然而，其搜索能力有限，很难达到全局最优解。

事实上，非监督遥感影像分类可以转化为一个优化问题，而人工智能算法对该问题的解决具有天然的优势。遗传算法(genetic algorithm,GA)是最为经典最常用的人工智能算法，学者们发展了基于GA的非监督遥感分类方法，并证明其性能优于传统的k-means方法。然而，由于遥感影像一般数据量较大且数据复杂多样，GA的搜索机制对解空间的开发能力有限，无法实现快速收敛。

近年来，粒子群智能(PSO)已发展成为人工智能领域热门方法之一。PSO是模仿飞鸟群觅食过程中的行为而形成的。在PSO中，每一个粒子代表一个飞鸟。在粒子进化过程中，使用全局最优解(gbest)与局部最优解(pbest)指导粒子进化。因而PSO收敛速度相比于GA算法有了明显的提高。目前，已经有学者将PSO引入遥感聚类领域，并发展了非监督粒子群智能分类算法(UPSO)。该方法包括以下基本步骤：

1将每一个解决方案视为一个粒子，并随机为每一个粒子分配一个位置；

2构造适宜度函数，为粒子适宜度的评价提供基础；

3粒子通过相互学习与交流机制(全局与局域最优粒子)，完成自身进化及位置更新；

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UPSO具备传统智能算法优势，即自组织、自学习和自收敛的能力。并且，不依赖数据分布情况，在很多情况下能取得比GA等传统智能方法更为优异的遥感影像分类结果。然而，UPSO仍然存在一些明显的缺点：

(1)无法实现全局搜索。UPSO使用最优解指导粒子进化，虽然能达到快速收敛的目的，然而代价是粒子之间相似度越来越高，种群失去多样性，从而陷入局部最优，无法取得最优遥感分类结果。

(2)表现依赖初始解质量。由于UPSO使用最优解指导粒子进化，初始解集直接影响进化方向，因而其分类结果十分依赖初始解集质量，分类结果不稳定。

发明内容

本发明为了解决目前应用粒子群智能算法对遥感图像进行聚类存在的容易陷入局部最优而无法取得最优遥感分类结果的问题和分类结果不稳定的问题。

一种基于改进粒子群的非监督遥感影像分类方法，包括如下步骤：

步骤1、一幅遥感影像由象元组成，其波段数和待分类的类别数分别为d和k；并设定聚类指标M，聚类指标M为遥感影像中每一个象元到它所属聚类中心欧式距离之和；

参照粒子群算法，设置五个控制参数，包括释放粒子数量、最大循环次数Max_Iter、动态惯性因子w及两个加速因子c₁和c₂；

步骤2、粒子群表达及初始化：

任意一类聚类中心z_i用一组实数表示，实数数目等于波段数d；通过将k个类别的聚类中心连接，来表示一个粒子，因而一个粒子长度为d×k；一个粒子中前d个位置表示第一类别聚类中心，以此类推，每d个位置表示一类聚类中心；

每一个粒子随机赋予一个位置，生成粒子初始位置；

步骤3、计算种群适宜度：

聚类指标M值的大小与聚类质量成反比；定义适宜度函数f如下：

f＝1/(M+1) (1)

在计算每一个粒子的适宜度后，记录下全局和局部最优粒子位置；

步骤4、粒子最优位置搜索：

评估粒子适宜度后，利用公式(2)对每一个粒子速度进行更新：