[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

说明书

本发明公开了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，包括：利用自适应差分演化算法自动确定遥感影像类别数目；构建空间信息项，联合Jm构建空谱联合目标函数；利用多目标模因优化算法增加对遥感影像非监督分类结果的优化。本发明提高了遥感影像非监督分类算法的自动性以及智能性，无需人工预先输入先验的类别数目，且综合使用模因优化算法的全局和局部搜索能力，使得非监督分类结果的精度得到了提升。

技术领域

本发明基于遥感图像技术处理领域，特别涉及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、系统和介质。

背景技术

遥感分类在土地利用制图，精准农业等遥感应用中发挥着至关重要的作用。遥感影像非监督分类不同于遥感影像监督分类，它不需要任何的先验样本信息，而仅仅通过挖掘影像本身的结构等信息进行影像的分类操作，减少了获取大量高精度样本的选取工作，从而扩展了遥感图像的应用能力。在此基础上，遥感影像非监督分类引起了许多研究学者的关注。

与此同时，由于遥感影像结构的特殊性和复杂性，遥感影像非监督分类是一项艰巨的任务，传统遥感影像非监督分类方法主要存在一下缺点：

(1)需要人工预先输入影像类别的数目，而非自动确定，缺乏自动性；

(2)传统非监督分类方法中的目标函数优化方式属于梯度下降法，在高维且复杂的遥感影像数据空间容易陷入局部极值，即缺乏全局优化能力；

(3)影像的空间结构信息没有被充分考虑，由于噪声和混合像素的影响，容易导致非监督分类结果很差。

发明内容

本发明针对传统非监督分类方法的缺点，提出了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，包括以下步骤：

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。

优选的，上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。

优选的，上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；