遥感图像聚类：蜂群k-means算法的应用

"这篇论文研究了基于蜂群[k]-means算法在遥感图像聚类中的应用，通过结合[k]-means算法和蜂群优化算法，提出了一种非监督聚类新方法。该方法利用灰度共生矩阵和小波变换提取图像特征，并通过最大最小距离积邻域均值法确定初始聚类中心，最终实现高效聚类。实验结果显示，该算法在UCI数据集和实际遥感图像上的聚类准确率较高，适用于遥感图像的分析需求。" 遥感图像聚类是遥感领域的重要任务，它依赖于图像中的光谱信息来自动识别地物类别，减少人为解译的主观性。传统的[k]-means算法因其简单高效而被广泛应用，但其对初始聚类中心的选择敏感，容易陷入局部最优。为了解决这个问题，研究者们引入了优化算法，如蜂群算法，以寻找更优的聚类中心。 本文提出的蜂群[k]-means算法结合了[k]-means的迭代更新和蜂群优化的全局搜索能力。在算法开始时，采用最大最小距离积邻域均值法生成初始聚类中心，这有助于避免[k]-means的初始化问题。随后，蜂群算法与[k]-means交替执行，通过模拟蜜蜂群体的行为进行聚类中心的优化，使得聚类效果得到提升。 特征提取是聚类过程的关键步骤。论文中利用灰度共生矩阵(GCM)来捕获图像纹理信息，同时结合小波变换来揭示图像的空间频率特征。这两种特征提取方法的结合，可以提供丰富的图像表示，有助于区分不同地物类型。 实验部分，研究者使用了UCI数据集以及凉水国家级自然保护区的遥感图像进行验证。实验结果证明，提出的蜂群[k]-means算法在聚类准确率上表现出色，表明该算法在处理遥感图像聚类问题时具有较高的性能和实用性，适合于处理标记样本有限的遥感图像。 这项研究为遥感图像的无监督聚类提供了新的思路，即通过融合[k]-means和蜂群优化，提高了聚类效率和准确性，对于解决遥感图像分类中的挑战具有重要意义。同时，这种方法也展示了在其他需要高效聚类的领域中的潜在应用价值。