3、元启发式算法在卫星图像分割中的应用

元启发式算法在卫星图像分割中的应用

1. 卫星图像分割基础

在卫星图像分割的研究中，实地调查是通过从分割后的图像中选择样本完成的。每个样本可分为三种不同类别之一（每类100个样本），分别为：城市聚落（绿色）、植被（蓝色）和裸土（棕色）。基于混淆矩阵计算得出，Landsat图像分割的准确率为91%。

2. 元启发式算法与其他算法的合作新方法

有时，为了解决特定问题，需要借助元启发式算法提升特定算法的性能。问题的复杂度决定了这些程序如何合作以解决特定问题，目标是使算法适应手头的问题，从而获得全局最优解。若算法之间存在合作与竞争，自我适应能力有望得到提升。

GA与其他算法有多种合作类型，如模糊逻辑、ANN和模糊C均值。不过，涉及卫星图像分割的论文较少。以下是一些相关研究：
- 有研究使用基于GA的半监督方法和径向基函数神经网络对Landsat 8图像进行分割。
- 某研究使用多核模糊C均值（MFCM）、ANN、模糊逻辑和GA对卫星图像进行分割，以提取城市特征（如建筑物和道路），该方法提取道路的准确率接近89%，而仅结合MFCM和ANN的方法准确率为80%。
- 还有研究使用GA优化ANN监督的多层感知器（MLP）算法的权重，以从气象卫星图像中提取云，GA - MLP的结果比MLP算法的结果准确率更高。
- 模糊逻辑和GA的合作在推进卫星图像分割过程中发挥了重要作用，但目前其应用仍局限于在分割过程中调整GA繁殖算子的概率。

本文将通过两个不同的例子，展示无监督非参数元启发式算法与另外两种非元启发式算法合作进行卫星图像分割的情况。选择这两个例子的原因包括该研究领域相关论文较少，以及证明这类算法能解决之前提到