PSO与Isodata融合的遥感图像分割新方法

"该资源是一篇发表在2012年《武汉大学学报·信息科学版》第37卷第1期上的论文，作者包括马彩虹、戴芹和刘士彬。文章主要讨论了一种结合粒子群优化（PSO）算法和Isodata聚类算法的遥感图像分割新方法，旨在解决传统分割方法的缺点，如聚类过程的随机性和可能的局部最优问题。该方法在不同分辨率的遥感图像上进行了实验，表现出能够自适应确定聚类数量和提高分割结果的准确性。关键词包括PSO算法、Isodata算法、特征距离和遥感图像分割。" 这篇论文的核心在于提出了一种创新的遥感图像分割技术，它融合了两种不同的算法：粒子群优化（PSO）和Isodata聚类算法。PSO是一种源于人工智能领域的优化技术，它模拟了鸟群或鱼群的集体行为来寻找全局最优解。在遥感图像分割中，PSO被用来优化聚类中心的选择，以克服Isodata算法中随机选择聚类中心可能导致的不稳定性。 Isodata算法是一种非监督学习的聚类方法，它的特点是能够动态地合并或分裂类别，以适应数据的特性，自动生成合适的聚类数量。然而，Isodata算法的一个主要缺点是其依赖于随机初始化，不同的初始条件可能会导致不同的分类结果，甚至无法找到全局最优解。 论文中提出的新型分割方法通过PSO算法优化Isodata的聚类过程，使得聚类中心的选取更加合理，减少了因随机性导致的分割误差。这一融合策略可以有效地避免陷入局部最优，同时提高了聚类的效率和准确性，使得分割结果更接近实际的地物情况。 实验部分展示了该方法在处理不同分辨率的遥感图像时的优越性能，证明了这种方法能够自适应地确定最佳聚类数量，从而改善了分割的稳定性和精度。这对于遥感图像分析、地物识别和地理信息系统等领域具有重要的实践意义，为遥感图像处理提供了一个新的有效工具。