[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

权利要求书

1.一种基于改进粒子群的非监督遥感影像分类方法，其特征在于，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：

$V_i(t+1)={\mathrm{wV}}_i\left(t\right)+c_1{r}_1(X_i^{pbest}-X_i(t\left)\right)+c_2{r}_2(X^{gbest}-X_i(t\left)\right)---\left(2\right)$

其中，V_i(t+1)和V_i(t)分别为第i个粒子在t+1时刻和t时刻的速度；和X_i(t)分别表示第i个粒子历史最优位置和在第t时刻的位置，X^gbest为整个种群的历史最优位置；r₁、r₂分别为两个在0-1之间变化的随机数；

粒子速度值更新后再对粒子位置进行更新；

步骤5、最优粒子位置更新：

当粒子完成位置更新后，利用公式(1)重新计算每一个粒子的适宜度；计算整个种群最优适宜度，并与之前记录的全局最优位置的适宜度进行比较，更新并记录新的最优位置及其适宜度；针对每一个粒子，对比当前粒子适宜度与记录的该粒子历史最优适宜度，将适宜度值更高的记录为该粒子的新局部最优适宜度，并同时记录粒子位置；

步骤6、根据列维飞行搜索新位置：

识别出每一次循环中适宜度最小粒子位置，并利用列维飞行对该位置进行更新，以达到全局搜索目的；适宜度最小粒子的新位置计算公式如下：

$X_i^{new}=X_i+s---\left(3\right)$

其中，表示第i个粒子的新位置，原位置为X_i；位置更新后，该粒子的适宜度也随即更新；s表示步长；

步骤7、停止循环完成遥感影像分类：

若循环未达到最大循环次数Max_Iter，回到步骤4继续进行粒子位置搜索；当到达最大循环次数Max_Iter，停止循环并输出全局最优解，全局最优解就是最优聚类中心，此时视为聚类指标M值达到最小，从而完成遥感影像分类任务。