关于遥感图像数据处理的遗传优化及其组合算法研究

贵州职业技术学院　杨　靖

关于遥感图像数据处理的遗传优化及其组合算法研究

贵州职业技术学院杨靖

遥感图像数据通常被应用在测绘等领域中。为了保证数据的有效应用，首先需要利用有效的数据处理算法对遥感图像数据进行处理。本文从遥感图像数据的特征入手，对遥感图像数据处理的遗传优化及其组合算法进行研究和分析。

遥感图像数据；处理；遗传优化；组合算法

前言

与其他数据相比，遥感图像数据的复杂性和特殊性特点更加明显。这种特点为该数据的处理带来了一定难度。遗传算法这种具有通用性特点的全局优化方法与遥感图像数据的处理要求相符，将这种方法应用在数据处理过程中可以促进数据利用率的提升。

一、遥感图像数据的特点

遥感图像数据处理通常是在遥感图像函数的基础上完成的，因此其函数的特点能够从一定程度上表示遥感图像数据的特点。遥感图像函数的特点主要包含以下几种：

（一）遥感图像函数值物理意义方面

可以将遥感图像函数值看成是一种地物电磁波辐射的度量，从这个角度来看，可以将该数值的反映对象看作是地物的光谱特征，因此，遥感图像函数的物理意义具有一定的明确性［1］。

（二）遥感图像函数值定义域方面

在实际的图像数据获取过程中，不同遥感传感器所对应的视域是固定的。在这种情况下，每个遥感传感器所获图像大小同样具有一定的限定性。因此，所得遥感图像函数的有效性建立在固定的遥感图像范围中。

二、遗传算法的特点

遗传算法的特点主要包含以下几种：第一，自适应性。这种特点是指遗传算法可以通过遗传算子和群体策略快速完成相关数据的计算。第二，非定向性。这种特点是由该方法中的生殖过程引发的。

三、遥感图像数据处理的遗传优化及其组合算法

这里主要从以下几方面入手，对遥感图像数据处理的遗传优化及其组合算法进行研究：

（一）遥感图像数据的遗传匹配定位

1.遥感图像数据的匹配定位技术

对于遥感图像数据而言，其匹配定位技术的应用主要包含以下几种模式：第一，如果被匹配遥感图像数据之间的分辨率不同，则需要通过预处理操作的进行实现控制块对遥感图像匹配精度的提升。在这个过程中，首先需要利用同一地图投影对具有不同分辨率特点的遥感图像数据进行变换，应用这种操作的目的是保证分辨率不同的遥感图像可以在相同空间尺度上进行叠加。其次，需要通过内插细化从分辨率较低的遥感图像中获得相应的图像块。最后，当相关遥感图像的分辨率水平发生提升之后，需要将高分辨率图像块与该图像进行配准，进而实现二者之间控制块对遥感图像匹配精度的提升。第二，如果被匹配遥感图像数据之间的分辨率相同，则可以通过模板匹配技术对其进行有效匹配［2］。

2.遗传优化的遥感图像数据定位

这种方法的实现主要包含以下几个步骤：第一，生成目标模板。目标模板的生成方法是，根据航空影响样本的实际特点，选择适宜的变换方法得到最终的目标末班。在这个过程中，首先需要在遥感图像样本中将目标区域样本的位置圈出来。然后需要对区域样本进行测试，测试目的主要是确定该区域与旋转角度模板以及相应尺度之间的实际适应性数值。当测试结束后，可以从测试参数中得到一个最优匹配解。第二，遥感图像数据的遗传算法。在遥感图像数据匹配定位中应用遗传算法的优势主要在于，这种方法可以对遥感图像数据结构对象直接进行操作。这种方法的计算步骤为：生成含有M个个体的群体之后，分别将这M个个体的具体适应度计算出来。当得出计算结果之后，需要按照适应度度量完成具体个体的选择；将两个个体组成双亲，二者的染色体发生交叉之后可以得到两个子染色体，在确定交叉发生率的基础上，利用适应度较高的子染色体将双亲染色体替换掉。按照某个固定的变异发生率对上述数据进行变异处理。当变异处理结束后，即中止迭代，对此时数值进行求解［3］。

（二）遥感图像数据贝叶斯网络分类模型的遗传学习

该部分主要包含以下几个步骤：

1.描述贝叶斯网络

在实际描述过程中，首先需要对有向图的行为和属性进行分析。在该网络结构中，其变量与结点之间的关系是一一对应的。可以将不同结点之间的连接弧看成是所对应变量之间的联合概率分布。在这种情况下，可以将贝叶斯网络结构利用两个不同的类为基础表示出来，概率决策表类与有向图类分别对应着贝叶斯网络中的条件概率表和有向无环图两个组成部分。

2.确定适宜的编码方案

对于遥感图像数据而言，能够对其应用遗传算法主要受到其中相关优化问题编码机制的影响。在确定问题编码方法的过程中，影响因素主要包含上述过程中使用的实际遗传操作以及遗传算法的应用情况。这里将遥感图像数据的编码方案确定为二进制编码方式，这种编码方式的应用优势主要在于：第一，二进制编码便于进行合并算子计算操作；第二，二进制编码方式有利于初始化的顺利进行［4］。

3.合理设计适应度函数

适应度函数的设计方法包含许多种，这里通过分段函数的形式对适应度函数进行设计。与传统的传入二进制串头指针和以实际串长度为参数的设计方式相比，分段函数设计方式的局部性和随意性特点更加明显。

4.确定终止规则

在遥感图像数据贝叶斯网络分类模型中，有效的终止规则主要包含以下几种：第一，在指定阈值的情况下，群体中满意解的数量达到相应的比例范围；第二，出现一个最大迭代次数；第三，无论在哪个位置上，其位值数值大小都处于相同状态。

5.贝叶斯网路的实现过程

首先，需要在遗传算法的自适应迭代过程中将初始化模型以及该模型涉及的相关参数输入进去。当输入过程结束之后，需要对相关遗传算子进行有效控制，进而获得对应的二进制串集合。在该集合中，对最优二进制串进行解码即可获得所需的贝叶斯网络。

（三）遥感图像数据的遗传多分辨率图像分类

该方法主要包含以下几个步骤：

1.遥感图像数据的预处理

在该步骤中，首先需要将遥感图像数据的类别均值信息。为了便于后续处理过程中该数据信息的有效使用，可以利用指针将遥感图像数据的类别均值信息合理存放起来。为了保证多光谱遥感图像数据的有效表达，这里通过具有可扩展性特点的四叉树结构进行表达。与其他表达方法相比，这种方法的优势主要表现为：第一，空间与时间方面的复杂程度较低；第二，直观性较强；第三，便于后续扩展工作的顺利进行［5］。

2.基于遗传算法的能量最小化

该部分涉及的问题主要包含以下几种：第一，适应度函数。适应度函数建立在MRF能量函数的基础上。该函数的计算结果是通过对四叉树相关子节点、惩罚项权重以及分类结果图像字符串等因素得到的。第二，编码机制。编码机制会对遗传算法的应用效果产生相应影响。这里通过四叉树完成遥感图像数据的编码。这种编码方式的有效性建立在遥感图像像素点处于2的整数次幂范围，且遥感图像形状为方形的情况。在实际编码过程中，四叉树可以从空间的角度入手，通过金字塔形式的数据结构完成空间占有相关数组的编码。这种编码方式的应用优势主要表现为其在计算遥感图像数据区域的不同特征方面存在一定的便捷性。第三，遗传算子。就变异算子而言，首先应该从原始的遥感图像数据中随机抽取一定数量的像元。假设遥感图像周长是从原始遥感图像中选择像元数目的八倍。在这种情况下，像元对四叉树中所包含叶节点的变异搜索主要通过分辨率水平来实现［6］。

四、结论

遥感图像数据的处理难度相对较高，遗传算法和其组合算法的应用能够有效保障遥感图像数据处理的准确性和有效性。与其他算法相比，遗传算法的应用优势主要表现为其可以通过简单化遗传算子和群体策略的应用快速完成对数据信息的高质量处理。

［1］刘正军.高维遥感数据土地覆盖特征提取与分类研究［D］.中国科学院研究生院（遥感应用研究所），2003.

［2］李启青.遥感数据处理的遗传优化及其组合算法研究［D］.中国科学院研究生院（遥感应用研究所），2004.

［3］高恒振.高光谱遥感图像分类技术研究［D］.国防科学技术大学，2011.

［4］解斐斐.基于无人飞艇低空航测系统建筑物纹理获取与处理技术［D］.武汉大学，2014.

［5］自动化技术、计算机技术［J］.中国无线电电子学文摘，2011，02：166-241.

［6］刘丹.基于支持向量机与k-means混合分类模型的多光谱遥感影像分类研究［D］.昆明理工大学，2013.