基于粒子群优化的面向对象高分辨率遥感影像分类技术研究

面向对象分类方法适合于高分辨率遥感影像的分类，然而，在此方法中还存在着一些难以解决的问题，如：多尺度分割参数的选取，对象特征的选择，面向对象分类器的设计等，影响着分类的效果。粒子群优化算法（PSO）是基于鸟群群体智能的新型优化算法，具有自适应、自组织等智能特性，具有强大的寻找最优解的能力，通过粒子群的优化过程可在复杂问题的解空间中寻找出最优解，不易陷入局部极值。本项目将PSO用于高分辨率遥感影像的面向对象分类，主要研究内容包括：（1）基于标准PSO的多尺度分割参数自适应选取方法，包括尺度参数的自适应选取方法，颜色与形状参数的自适应选取方法；（2）基于离散二进制PSO的对象特征自适应选择方法；（3）PSO与神经网络结合的面向对象分类的理论和方法。通过本项目的研究，可以解决面向对象分类中的上述难题，提高面向对象分类的自适应性与智能性，为高分辨率遥感影像自动分类提供新理论和新方法。

面向对象分类方法存在着一些难以解决的问题，如：多尺度分割参数的选取，对象特征的选择，面向对象分类器的设计等，影响着分类的效果。粒子群优化算法（PSO）是基于鸟群群体智能的新型优化算法，具有自适应、自组织等智能特性，具有强大的寻找最优解的能力，通过粒子群的优化过程可在复杂问题的解空间中寻找出最优解，不易陷入局部极值。本项目将PSO用于高分辨率遥感影像的面向对象分类，根据研究计划展开研究，完成了全部研究内容，其中包括：（1）基于标准PSO的多尺度分割参数自适应选取方法；（2）基于离散二进制PSO的对象特征自适应选择方法；（3）PSO与神经网络结合的面向对象分类的理论和方法。本项目以高分辨率IKONOS和资源三号卫星遥感影像为实验影像，通过实验验证了其有效性。本项目取得了全部预期研究成果，解决了面向对象分类中的上述难题，提高了面向对象分类的自适应性与智能性，为高分辨率遥感影像自动分类提供了新理论和新方法。