資源描述：
《基于組織協(xié)同進(jìn)化分類算法的遙感圖像目標(biāo)識(shí)別》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、維普資訊http://www.cqvip.com第20卷第3期信號(hào)處理、幻1．20．No．32004年6月SIGNALPRoCESSINGJun．2004基于組織協(xié)同進(jìn)化分類算法的遙感圖像目標(biāo)識(shí)別冰劉靜鐘偉才劉芳焦李成(西安電子科技大學(xué)雷達(dá)信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室，西安710071)摘要：針對(duì)遙感圖像目標(biāo)識(shí)別問(wèn)題，提出了一種基于組織協(xié)同進(jìn)化分類算法的識(shí)別方法。它沒(méi)有復(fù)雜的運(yùn)算，訓(xùn)練和識(shí)別速度都很快。對(duì)實(shí)測(cè)遙感圖像的實(shí)驗(yàn)表明，本文方法性能穩(wěn)定，優(yōu)于文獻(xiàn)【3】和【4】中基于支撐矢量機(jī)的方法，識(shí)別率均達(dá)到了95％以上，且訓(xùn)練
2、時(shí)間非常短，不到1秒鐘。關(guān)鍵詞：組織；分類；協(xié)同進(jìn)化；遙感圖像；目標(biāo)識(shí)別RemoteSensingTargetRecognitionBasedonOrganizatiOnaICoevolutionaryClassificationAlgorithmLiuJingZhongWeicaiLiuFangJlaoLicheng(KeyLabforRadarSignalProcessing，XidianUniversity,Xi’al，710071)Abstract：Anorganizadonalcoevolutionaryc
3、lassificationalgorithmisproposedforremotesensingtargetrecognition．Thismethodhasnotcomplexcomputation，SOitscomputationalcostisverylow．Experimentalresultsshowourmethodoutperformsthemethodsproposedinliterature【3】and【4】，whichisbasedonSVM，anditspredictiveaccuracyish
4、igherthan95％．Furthermore，thetrainingtimeofourmethodislessthan1second．Keywords：organization；classification；coevolution；remotesensing；targetrecognition訓(xùn)練和識(shí)別速度都很快，具有很大的實(shí)用價(jià)值。1引言本文組織如下：第2節(jié)詳細(xì)描述算法；第3節(jié)用實(shí)測(cè)遙當(dāng)人類進(jìn)入空間時(shí)代并跨入信息時(shí)代的門檻之時(shí)，各種感圖像來(lái)測(cè)試算法的性能；最后一節(jié)對(duì)本文進(jìn)行了總結(jié)。運(yùn)行于空間、翱翔于空中的遙感平
5、臺(tái)使人類的視野獲得了最2算法描述大限度的延伸，充分挖掘和利用遙感信息資源已成為熱點(diǎn)研究領(lǐng)域，而要利用這些資源就必須先進(jìn)行識(shí)別。如果直接對(duì)由于相似目標(biāo)的不變矩取值也相近，因此我們先計(jì)算出圖像中的目標(biāo)進(jìn)行識(shí)別，則樣本的維數(shù)較高且不具有不變每幅遙感圖像目標(biāo)區(qū)域的不變矩M—M7，然后利用協(xié)同性。因此，一般都先進(jìn)行特征提取，然后再進(jìn)行分類識(shí)別。進(jìn)化的方式，讓相似的目標(biāo)自動(dòng)聚類，形成組織。進(jìn)化結(jié)束由于二維圖像目標(biāo)的7個(gè)不變矩特征【l】具有旋轉(zhuǎn)、平移、伸后，再根據(jù)每個(gè)組織中不變矩取值的相似性提取規(guī)則，用于縮不變性，已得到了廣泛的應(yīng)
6、用，所以本文也提取不變矩作識(shí)別新目標(biāo)。下面先給出基于不變矩的組織定義，然后詳細(xì)為特征。介紹算法的每一部分。在文獻(xiàn)【2】中，我們提出了一種新的分類方法——組織2．1基于不變矩的組織定義協(xié)同進(jìn)化分類算法。它從數(shù)據(jù)本身出發(fā)，采用自下而上的分2維圖像，y)的(p+q)階中心矩為：類機(jī)制，沒(méi)有復(fù)雜的運(yùn)算，具有很高的運(yùn)算效率。因而，根=∑E(x—)(y一歹)f(x，Y)(1)wY據(jù)遙感圖像的特點(diǎn)，本文將其與不變矩相結(jié)合，用于遙感圖其中和歹分別表示2維圖像中所有像素橫坐標(biāo)與縱坐標(biāo)像目標(biāo)識(shí)別。實(shí)驗(yàn)結(jié)果表明，本文方法獲得了很高的識(shí)別率
7、，的平均值，y)表示位于，y)位置上的像素的灰度值?；崭迦掌冢?003年3月24日；修回日期：2003年9月1日‘國(guó)家自然科學(xué)基金重點(diǎn)資助項(xiàng)目(批準(zhǔn)號(hào)：60133010)維普資訊http://www.cqvip.com278信號(hào)處理第20卷于2階和3階中心矩的7個(gè)不變矩為：一種組織選擇機(jī)制：Ml=(+)(2)遷移算子：從同一目標(biāo)類中隨機(jī)選擇兩個(gè)組織orgp．與M2=(一)+4(3)orgp2作為父代，然后從orgp1中隨機(jī)選擇m個(gè)樣本加入orgp2中，形成兩個(gè)子代組織org1與orgc2。M，=(一2)+(一)(4
8、)交換算子：從同一目標(biāo)類中隨機(jī)選擇兩個(gè)組織orgp與M4=(3o+“2)+(l+．“03)(5)orgp2作為父代，然后從Orgp1中隨機(jī)選擇m個(gè)對(duì)象加入orgp2M5(+“2)(一2)【(+“2)一3(l+)】+(6)(31一)(l+3)【3(+1)(1一)】中，再?gòu)膐rgp2中隨機(jī)選擇m個(gè)對(duì)象加入orgp1中，形成兩個(gè)子代組織org1與or
