[发明专利]基于多目标模因优化算法的遥感影像空谱非监督分类方法

权利要求书

1.一种基于多目标模因优化算法的遥感影像空谱非监督分类方法，其特征在于所述方法包括：

步骤一、输入待分类的多光谱遥感影像；

步骤二、自动确定层，利用基于自适应差分进化算法自动确定并输出遥感影像的最佳类别数目；

步骤三、输入步骤二中获得的类别数目K*，利用自适应多目标模因优化算法对空谱结合目标函数Jm_S和函数XB进行多目标优化，得到最优类别中心；

步骤四、利用步骤三中所得到的最优类别中心，对输入的遥感影像进行非监督分类，最终输出非监督分类结果。

2.根据权利要求1所述的基于多目标模因优化算法的遥感影像空谱非监督分类方法，其特征在于，所述步骤二主要包括个体和种群初始化、交叉、变异和选择等操作。

3.根据权利要求2所述的基于多目标模因优化算法的遥感影像空谱非监督分类方法，其特征在于，所述步骤二通过以下方式来实现：

步骤2.1，进行差分进化算法中的个体编码以及种群初始化操作，将类别中心随机初始化编码进个体I_i＝{I_i,1,I_i,2,...,I_i,j,...,I_i,d}，随机其中d＝C_max×n_b，C_max为可选择的最大类别数目，n_b为影像波段数；其中包括多个种群，每个种群中有NP个个体，种群内个体所对应的类别数目是一致的，但种群之间的个体所代表不同的类别数目K；

步骤2.2，分别计算每个种群中每个个体对应的目标函数Jm值；

公式为：其中K代表类别数目，N代表影像像素个数，x_j代表影像上第j个像素，U_i代表第i个类别中心，μ_ij代表第j个像素和第i个类别中心之间的隶属度，m为模糊权重指数。

步骤2.3，每个种群内分别进行个体之间的变异其中F为缩放因子，为从种群中随机选择的三个个体，r₁、r₂和r₃为1～NP之间的三个不相等的随机整数；

再进行交叉操作CR为交叉概率，j_rand为0～d之间的一个随机整数，最终产生新的子代个体Q_i＝{Q_i,1,Q_i,2,...,Q_i,j,...,Q_i,d}；

此外，F和CR为DE算法中非常重要的两个参数，将其也编码进个体，进行自适应的进化，更新操作如下：

步骤2.4，交叉和变异之后每个种群中的个体数为2×NP，再分别计算各自的目标函数Jm值，在每个种群中对个体所对应的Jm值进行排序比较，选取前NP个最小Jm值对应的个体进行保留；

比较公式如下：

步骤2.5，代表不同类别数目的种群中最佳解的选择，分别比较NP个个体，选出一个拥有最小Jm值的个体

步骤2.6，计算步骤2.5中所选出的个体所对应的XB函数值：其中大部分参数与Jm类似，通过加入Sep(U)，使得类间距离最大化，U_k为第k类的类别中心；再选出其中具有最小XB值的个体输出其所对应的类别数目；

步骤2.7，重复步骤2.3～2.6，直到输出的类别数目不在发生改变，输出最终确定的影像类别数目。