粒子群优化算法提升全极化SAR影像非监督分类性能

本文主要探讨了粒子群优化算法在全极化合成孔径雷达（PolSAR）影像非监督分类中的应用，发表于2014年的《测绘科学技术学报》第31卷第1期。极化SAR影像因其高维度和高分辨率特性，导致了影像处理和分类任务的复杂性显著增加。粒子群优化（PSO）作为一种新兴的进化计算技术，因其全局寻优能力在解决这类高复杂度问题上展现出了潜力。 作者们提出了一个基于PSO的分类方法，该方法分为三个步骤：首先，利用H/α方法进行基于散射机制的初步分类，这是对影像数据进行物理解释的基础；其次，利用初次分类的结果来初始化PSO算法，这有助于算法更好地理解和适应数据的特性；最后，通过迭代地应用PSO算法对极化SAR数据进行深度分类，旨在提升分类的精度和效率。 实验部分，研究者采用了NASA-JPL实验室的极化SAR数据以及中国电子科技集团X波段原型样机的高分辨率数据作为测试平台。结果显示，相比于传统的H/α-Wishart分类方法，H/α-PSO分类法在分类精度和视觉效果上均有显著提升。这表明PSO算法在处理全极化SAR影像非监督分类问题时具有优越性，可以有效挖掘数据的潜在信息并提高分类的准确性。 关键词包括粒子群优化算法、遥感、极化SAR和非监督分类，这些核心概念在本文中是关键，它们共同构成了研究的核心内容和技术路径。这篇论文为极化SAR影像处理领域提供了一种新的、高效的分类策略，对于遥感科学和技术的发展具有重要意义。