基于蚁群算法的遥感图像分类研究

《基于蚁群算法的遥感图像分类研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、华中科技大学硕士学位论文摘要图像分类是将复杂的现象简化为少量的一般性类别的过程，是提取有用信息实现目标识别的重要途径。在数据量呈海量增长的今天，如何有效地将图像中的目标或其它感兴趣部分从背景中提取出来，提高图像分类的效率和效力，尤其凸显其重要性。另一方面由于遥感图像具有灰度级大、信息量多、边界模糊、目标结构复杂等特性，使得遥感图像的精确分类相当困难，因此遥感图像分类方法的研究成为一个具有重要理论和实际应用价值的课题。论文首先介绍了遥感图像分类方法的背景以及国内外发展概况，重点阐述了蚁群算法的起源、基本原理、算法流程和几种经典的改进形式，在此基础上，针对蚁群算法收敛速度慢、容易陷入局部优解的

2、缺点，提出基于创建解的动态控制和合并局部优解的蚁群改进算法。接着介绍了常用的图像分类方法尤其是K均值聚类算法，然后根据数字图像的马尔可夫性提出蚁群的适应度函数；考察遥感图像不同特征(灰度、方差、熵、能量、分维)和相似性度量的不同方式(梯度、局部相关性、信息素距离)对图像分类结果的影响；最后在K均值聚类的粗分类结果之上，建立蚁群算法优化遥感图像分类结果，实现其精确分类的模型。综上，本文取得两处创新意义：其一，提出一种改进的蚁群算法，它具有更快的收敛速度，探索全局优解的能力更强；其二，提出一种基于蚁群算法的遥感图像分类方法，实验表明本文的算法与传统方法相比，具有更高的图像分类精度。本文对蚁群算

3、法的研究工作也可拓展到路径规划、组合优化等问题的处理和应用中。关键词：遥感图像；图像分类；蚁群算法；图像特征；相似性度量I华中科技大学硕士学位论文AbstractImageclassificationisaprocesswhichsimplifiesthecomplexphenomenontoasmallnumberofgeneralcategories.Anditisanimportantwaytoextractusefulinformationforthetargetrecognition.Todaythevolumeofdataisgrowingrapidly.Inparticula

4、r,itisimportanttoextractthetargetandsomeotherinterestingpartsfromthebackgroundimageeffectivelyandimprovetheefficiencyandeffectivenessofimageclassification.Theother,becauseremotesensingimagesusuallyhavetheseproperties:largegray-class,greatinformation,fuzzyborder,complexstructureoftargetandsoon.Thes

5、emakeitbeverydifficulttoclassifyremotesensingimagesaccurately.Sotheresearchofremotesensingimageclassificationhasbecomeanimportanttopicwhichhasthetheoreticalandpracticalvalue.Firstly,thispaperintroducesthebackgroundanddevelopmentoftheclassificationofremotesensingimages.LateritexpoundstheoriginofAnt

6、ColonyOptimization(ACO),thebasicprinciple,theflowofalgorithmandsometypicalimprovedforms.Onthisbasis,animprovedAntColonyOptimizationbasedondynamiccontrolofsolutionconstructionandmergenceoflocalsearchsolutionsisputforward.ThenitintroducestheMarkovnatureofdigitalimage.Afterwardsitfoundsthefitnessfunc

7、tionaccordingtoMarkovnature.Thefitnessfunctioninvolvesthecharacteristicofimages(includinggray,variance,entropy,energyandfractal)andthemeasurementofsimilarity(includingdirectionofthegradient,localrelevance,distanc