基于粒子群優(yōu)化的遙感圖像聚類研究.pdf

1、遙感技術的發(fā)展為人們觀測宇宙和探知地球發(fā)揮了重要的作用。衛(wèi)星數(shù)字圖像為地表觀測提供了豐富的觀測數(shù)據。為了有效地利用遙感數(shù)據，將遙感圖像的光譜信息轉化為用戶的類別信息，需要有效的圖像分析分類和解譯。在遙感圖像分類領域，非監(jiān)督分類過程需要的人工交互較少，僅要求尋找影像上的自然分組(也稱為聚類過程)。實現(xiàn)計算機的遙感圖像自動聚類是一個熱門的具有挑戰(zhàn)性的研究領域。隨著人工智能各項技術的發(fā)展，各種智能模型、算法也應用到遙感圖像聚類的探索中，對聚類

2、精度的提高大有益處。
　　 粒子群優(yōu)化屬于群體智能的一種算法，具有很好的自適應自組織能力，以及簡單高效的群體位置優(yōu)化能力，本論文主要針對基于粒子群優(yōu)化算法的遙感圖像聚類研究。鑒于傳感器分辨率以及地形復雜等原因，遙感圖像往往存在混合像元，為了提高聚類精度，本文提出改進的混合像元最大熵分解方法，對線性和非線性混合端元數(shù)據都適用。分解模型除了確定遙感圖像端元，還對豐度分布做出估計，為模糊粒子群優(yōu)化聚類算法提供隸屬度劃分的依據，避免了硬

3、劃分對結果準確性的影響。并且本文引入了量子計算，采用量子比特對粒子群體中的粒子進行編碼，用量子旋轉門操作更新粒子的狀態(tài)，從而擴大搜索空間；另外在進化過程中引入由量子非門實現(xiàn)的變異算子，增強種群多樣性，避免算法的早熟收斂。
　　 在實驗部分，選擇LANDSAT多光譜遙感圖像，通過主成分分析、小波分解和灰度共生矩陣等方法提取特征向量，分別使用經典粒子群優(yōu)化算法和本文提出的基于量子計算的模糊粒子群優(yōu)化算法，對遙感圖像進行聚類實驗，并對