解决遥感影像处理问题中具有的优势

点击次数:   更新时间:2019-11-08 02:25     来源:澳门威尼斯人网址

  “三高”遥感影像即高光谱、高空间、高时间分辨率的出现使得遥感影像处理难度越来越高,传统的遥感影像处理方法难以满足对遥感影像处理质量、效率的要求,具体体现在:

  (1)全局优化能力的不足导致遥感影像处理结果易陷入局部极值。在非监督的遥感影像处理方法中(如基于filter的特征选择方法、聚类、非监督变化检测等),影像处理问题通常转化为对目标函数的优化问题,因此其处理结果通常与所使用的优化器相关,传统优化方法如梯度下降法本质上属于爬山法即局部搜索算法,易陷入局部最优,难以获得遥感影像处理的全局最优解,因此,不能取得满意的遥感影像处理结果。

  (2)依赖数据的先验分布,算法缺乏自组织、自学习能力。在监督的遥感影像处理方法中(如基于wrapper的特征选择方法,监督分类法),遥感影像处理结果的优劣受限于遥感数据的先验分布假设。如果遥感数据的分布满足算法的假设条件,则能够取得满意的遥感影像处理结果。但由于现实中遥感数据的复杂特性,特定的数据分布类型往往难以满足,因此,该类算法不具有很好的泛化能力,缺乏对数据的鲁棒性。

  (3)算法模型对多目标函数的考虑不足。随着遥感数据复杂性的提高,在遥感影像处理任务中(如聚类、亚像元定位、特征选择),需要从多个角度对相应的处理任务进行建模,从而产生对同一任务建模的多个目标函数。传统方法通常借助权重参数将该问题转化为约束优化问题的求解,但是权重参数的选取比较敏感,对遥感影像的处理结果影响较大,导致传统方法依靠过多的人为干预,缺乏智能性。

  因此,亟需发展更加智能化的遥感影像处理技术来生产更加实用的遥感影像产品。进化计算已经成为智能遥感影像处理的有效手段之一,其在解决遥感影像处理问题中具有以下优势:

  (1)全局优化能力。进化计算的思想来源于自然界的生物进化机制(遗传算法GA、差分进化算法DE),生物个体的种群行为(粒子群算法PSO、蚁群算法ACO)及其他生物机制(人工免疫系统AIS),具有很强的全局优化能力(Eiben和Smith,2015)。其已广泛应用于遥感影像处理中,包括组合优化问题如特征选择(Zhang等,2007a;Feng等,2014),端元提取(Rezaei等,2012;Zhong等,2014b),变化检测(Celik,2010)和连续优化问题如聚类(Zhong等,2013,2014a)。

  (2)遥感数据复杂分布的鲁棒性。基于进化计算的遥感影像处理方法具有自学习能力,能够从遥感影像自身的样本中学习关于影像的信息,而不需要关于影像分布的先验假设,如基于人工免疫系统的分类器(Zhong和Zhang,2012a),在抗原(代表训练样本)的刺激下,记忆细胞(代表类别中心)能够不断进化,最终构建完善的人工免疫网络识别新抗原(代表未标记样本),而不需要关于抗原的任务先验信息。

  (3)处理多目标问题的能力。多目标问题的解决方法是找到能够同时考虑多个目标函数的解(Coello Coello,2006)。传统方法中,多目标问题通过加权的方式转化为单个目标函数。但是,这种方法通常需要人工确定这些权重值,这些权重值的确定根据每个人的经验不同而不同,具有一定的主观性。进化算法的种群特点使其从本质上适合解决多目标优化问题。随着进化多目标优化方法的发展(Mukhopadhyay等,2014a,2014b),其已经开始被用于遥感影像处理中如聚类(Ma等,2015),亚像元制图(Zhong和Zhang,2012b,2013)。

澳门威尼斯人网址
CopyRight 澳门威尼斯人网址 ALL Rights Reserved