CN104732244B - 基于小波变换、多策略pso和svm集成的遥感图像分类方法 - Google Patents

Abstract

本发明涉及一种基于小波变换、多策略PSO和SVM集成的遥感图像分类方法，其包括以下步骤：1)任意选取一张待分类的遥感图像，并将该遥感图像进行灰度处理，转换成相应的灰度图像；2)对灰度图像进行去噪预处理，获得预处理后的遥感图像；3)采用小波变换对预处理后的遥感图像进行纹理特征提取，并进行归一化处理，获得遥感图像纹理特征向量；4)采用多策略改进粒子群优化算法，用于优化SVM分类器的参数，实现一种基于小波变换、多策略粒子群优化算法和SVM集成的遥感图像分类方法，并对待分类的遥感图像纹理特征向量进行分类，得到该遥感图像所属类别。因此，本发明可以广泛用于计算机图像检索技术领域。

Description

基于小波变换、多策略PSO和SVM集成的遥感图像分类方法

技术领域

本发明涉及一种遥感图像分类方法，特别是关于一种基于小波变换、多策略PSO(Particle Swarm Optimization，粒子群优化算法)和SVM(Support Vector Machine，支持向量机)集成的遥感图像分类方法。

背景技术

遥感图像分类是遥感数据分析和信息提取的重要工具，实质是一种包括特征提取、分类器设计等环节的模式识别技术，目的是将遥感影像转换为可用的地理数据，其被作为遥感研究领域里一项极其重要的研究内容。由于遥感图像具有数目巨大、种类繁多、灰度级大、边界模糊、存在光照、角度、量级、小样本等各种变化特性，因此遥感图像分类一直是遥感信息研究的热点和难点。

遥感图像分类是实现遥感图像自动处理的一个关键步骤，根据给定遥感图像的像素自身属性以及它与邻域像素的相关特性赋予每个像素一个类标，将具有相同特性的所有像素聚集起来以辨别出像素所属的种类。近年来，众多学者研究提出了许多的遥感图像分类方法，以提高遥感图像分类效果和精度。根据这些分类方法的不同，可以分为两类：基于先验知识和统计特征的监督分类方法和基于物理散射机制的非监督分类方法。非监督分类方法是依靠系统聚类，按照相似性将一组像素分类，尽可能的缩小同类别像素间的距离，同时尽量扩大不同类别像素间的距离，其主要算法包括ISODATA(Iterative Self-Organizing Data Analysis Technique Algorithm，迭代自组织数据分析算法)、主成分分析法、独立分量分析法、K-均值法、遗传算法、差分进化算法等。这类方法较少受到人为因素的影响，不需要全面了解地面信息和地物属性，且操作相对简单、算法成熟，具有较强的实用性，广泛应用于初步分析图像环节。但遥感图像本身的空间分辨率以及“同物异谱”、“异物同谱”现象的存在，往往出现较多的错分、漏分现象，导致分类效果不理想，分类精度不高。而监督分类方法是一种常用的精度较高的统计判决分类，在已知类别训练条件下提取各类训练样本，通过选择特征变量、确定判别函数或判别规则，从而把图像中的各个像元点划归到各个给定类的分类方法。重要特征是对于遥感图像的样本区域中地物类别的属性在分类之前人们已经具有了先验知识，主要包括最大拟然估计法、最小距离法、马氏距离法、神经网络法、模糊数学法、贝叶斯网络法等分类方法。这类方法根据类别的先验知识确定判别函数和相应的判别准则，在训练或学习过程中利用一定数量的已知类别样本的观测值，确定判别函数中待定参数，然后将未知的样本观测值代入判别函数，再根据判别准则来读该样本的所属类别做出判断。但这类方法需要足够多的训练样本，同时需要实验区域的先验知识来确定图像的分类类别和分类数目，存在操作复杂、自动化程度低、精度不高等问题。

随着计算机技术和遥感技术的不断发展，近年来被广泛用于图像分类的SVM方法，是基于统计学习理论的结构风险最小化原则，通过最小化经验风险和置信范围提高算法的泛化能力，取得了较好的分类效果。但在分类过程中存在SVM分类器参数难以确定导致分类精度不高的问题。因此研究者提出一些改进的SVM分类器，如基于遗传算法改进的SVM分类器、基于遗传算法、模糊理论和SVM的遥感图像分类方法、基于SOM神经网络和SVM的遥感图像分类方法、基于小波核函数改进的SVM分类器、基于组合优化理论与交叉验证的SVM分类器参数优化选择方法、基于模糊决策树改进的SVM分类器等。这些基于SVM及其改进的图像分类方法较好地实现了分类效果，但依然存在图像表述和特征向量受到其它像元干扰导致特征提取不完整，训练样本数量的增加导致分类效率降低和时间加长等问题；而且分类准确度与SVM分类器相关，对于给定的误差参数，主观性过强，容易造成主观误差，导致SVM分类器难以获得较好的分类性能。同时随着遥感数据量的明显增加、信息的高度细节化，数据维数变得越来越大，在图像分类结果与精度要求相同的条件下，使得图象处理时间和成本显著增加，训练样本变得相当困难，使用当前的SVM分类器进行图像分类或识别时，无法对图像特征的有效性做出选择，难以提取到完整的遥感图像特征，导致分类结果难以满足实际遥感图像分类要求。

发明内容

针对上述问题，本发明的目的是提供一种基于小波变换、多策略PSO和SVM集成的遥感图像分类方法，本发明充分利用了小波变换的优点进行遥感图像特征提取，通过利用多策略改进的粒子群优化算法寻优能力选择SVM核函数参数的最佳组合值，构建最优SVM分类器，以有效提高遥感图像分类速度和精度。

为实现上述目的，本发明采取以下技术方案：一种基于小波变换、多策略PSO和SVM集成的遥感图像分类方法，其包括以下步骤：1)任意选取一张待分类的遥感图像，并将该遥感图像进行灰度处理，转换成相应的灰度图像；2)对灰度图像进行去噪预处理，获得预处理后的遥感图像；3)采用小波变换对预处理后的遥感图像进行纹理特征提取，并进行归一化处理，获得遥感图像纹理特征向量；4)采用径向基核函数作为SVM分类器的核函数，并将径向基核函数中的惩罚因子C和核参数γ作为SVM分类器的关键参数，采用基于多策略改进的粒子群优化算法对惩罚因子C和核参数γ的最佳组合寻优，构建优化SVM分类器；采用已知遥感图像样本的类别标号和该图像对应的纹理特征向量所形成的训练样本集对优化SVM分类器进行训练，获得最优SVM分类器；采用最优SVM分类器对待分类的遥感图像纹理特征向量进行分类，得到该遥感图像所属类别，即遥感图像的分类结果。

所述步骤2)中，预处理采用LEE滤波算法。

所述步骤3)包括以下步骤：3-1)利用可分离变量法将一维小波函数和尺度函数构造成二维小波函数；根据该二维小波函数设定平移和伸缩的基函数，采用平移和伸缩的基函数对滤波预处理后的遥感图像进行四层小波分解，得到分解所有子带的小波系数；3-2)求分解后所获的每个子带小波系数均值和标准差；3-3)将获得的各个子带小波系数均值和标准差作为预处理后的遥感图像的纹理特征向量中的各个分量，将各个纹理特征分量构成特征向量T＝(u₁,σ₁,u₂,σ₂,…,u_P,σ_P)；3-4)采用高斯归一化将特征向量T＝(u₁,σ₁,u₂,σ₂,…,u_P,σ_P)进行归一化：设特征向量T＝(u₁,σ₁,u₂,σ₂,…,u_P,σ_P)为子带[f₁,f₂,…,f_P]形式，计算出每个特征向量对应的均值m和标准差σ，设归一化后的特征向量为[F₁,F₂,…,F_P]，则：

利用上述公式对特征向量进行归一化处理，将得到各个分量归一化到[-1，1]。

所述步骤4)包括以下步骤：41)采用径向基核函数作为SVM分类器的核函数，并将径向基核函数中的惩罚因子C和核参数γ作为SVM分类器的关键参数；42)采用基于多策略改进的粒子群优化算法对惩罚因子C和核参数γ的最佳组合寻优，构建优化SVM分类器，其包括以下步骤：采用核函数将实际问题转换到高维空间后，两个待优化确定的SVM分类器参数是C和γ；在一个由C和γ构成的二维解的目标搜索空间中，有n个代表潜在问题解的粒子组成一个种群，该种群可以表示为S＝{X₁,X₂,…,X_n}，其中X_i＝(X_i1,X_i2)为第i个粒子；采用最速下降、矫正下降、随机移动、聚集和扩散策略针对SVM分类器对的C和γ的最佳组合寻优包括以下步骤：42-1)在搜索空间[C,γ]上，初始化算法，包括设定种群大小N、粒子维数D、最大迭代次数T_max、误差精度ε，给每个粒子x₁,x₂,…,x_N设定一个随机的初始化位置和速度同时限定粒子的最大速度V_max和位置X_max，令迭代次数t＝1；42-2)确定以训练集分类正确率为适应度函数，依次计算粒子在初始位置的适应度值其中i＝1,2,3,…,N，取其中是在第t次迭代后第i个粒子搜索到的最优位置，是在第t次迭代后群体搜索到的最优位置，是在第t次迭代后第k个粒子的位置，且满足42-3)根据适应度值判断是否满足求解精度；如果满足求解精度，转到步骤42-11)，否则转到42-4)；42-4)判断各粒子的情况：如果是最优粒子，转到步骤42-5)；如果不是最优粒子，转到步骤42-7)；如果算法判断结束，转到步骤42-10)；42-5)当t＝1时，判断和的值是否相同：如果值相同，转到步骤42-6)；如果值不相同，转到步骤42-7)；42-6)执行随机移动策略，根据公式随机初始化当代最优粒子速度其中j＝1,2,3,…,D，r为均匀分布在[0，1]的随机数)，再根据公式更新该粒子的位置；返回步骤42-3)，判断下一个粒子；其中v_max和v_min表示各粒子的速度分量的范围，表示在每次迭代过程中，第i个粒子的速度；42-7)如果迭代t∈[0,3]，做最速下降策略，返回步骤42-3)，继续判断下一个粒子；如果t≥4，执行最速下降和矫正下降策略：先按公式 和求得各下降速度，再按式分别求得相应的更新位置，最后选择适应度值最优的下降速度和更新位置作为最优粒子更新后的速度和位置，返回步骤42-3)，继续判断下一个粒子；其中是用差商最速下降法搜索到的位置；42-8)计算当代群体最优位置连续停止更新的次数T，当T∈[T_min,T_max]时，转到步骤42-9)，否则转到步骤42-10)；42-9)执行扩散策略：按公式和公式更新非最优粒子的速度和位置；返回步骤42-3)，继续判断下一个粒子；其中w为惯性权重，c₁为认知加速，c₂为社会加速，假设惯性权重为随机迭代次数变化的变量t为当前迭代次数，T_max为最大迭代次数，w_min和w_min是最小和最大惯性权重；42-10)执行聚集策略：按公式和更新非最优粒子速度和位置；返回步骤42-3)，继续判断下一个粒子；42-11)依次计算的适应度值i＝1,2,3,…,N，并依次比较和的大小，i＝1,2,3,…,N：如果则选取否则选取继续依次比较和的大小，i＝1,2,3,…,N：如果取否则42-12)判断终止条件是否满足：若满足，进入下一步；若不满足，取t＝t+1，返回步骤42-3)；42-13)停止迭代，输出获得的最佳C和γ组合值，代入SVM分类器，构建一个优化SVM分类器；43)采用已知遥感图像的类别标号和该图像对应的纹理特征向量所形成的训练样本集对优化SVM分类器进行训练，获得最优SVM分类器；44)采用最优SVM分类器对待分类的遥感图像纹理特征向量进行分类，得到该遥感图像所属类别。

本发明由于采取以上技术方案，其具有以下优点：1、本发明由于采用基于小波变换的遥感图像纹理特征提取，使得遥感图像能更好地得到表述，特征向量不受其它像元的干扰，进而提取完整的遥感图像纹理特征。2、本发明使用多策略改进的粒子群优化算法优化选择SVM核函数的参数最佳组合值，由于粒子群优化算法相比于现有的遗传算法、模拟退火等优化方法，它更具有结构简单、易于实现、收敛速度快、全局搜索能力强且不需要调整许多的参数，因此采用多策略改进的粒子群优化算法相比于现有其它优化选择方法具有更强的寻优能力，大大提高了SVM分类器的分类性能。3、本发明充分利用了小波变换的优点和多策略改进的粒子群优化算法寻优能力，实现了一种基于小波变换、多策略粒子群优化算法和SVM集成的遥感图像分类方法，有效提高了遥感图像分类速度和精度。通过实验验证与结果分析，该方法具有较强的鲁棒性、较小的空间复杂度，能有效实现高维数据的处理，达到了理想的分类精度，适用范围广。鉴于以上理由，本发明可以广泛用于计算机图像检索技术领域。

附图说明

图1是本发明的流程图

图2是本发明基于小波变换的遥感图像纹理特征提取流程图

图3是本发明基于多策略改进粒子优化算法流程图

图4是本发明实施例中采用崇明岛遥感图像的灰度图像

图5是本发明采用住宅、农地、大海样本图像

图6是本发明与其它方法的分类精度比较结果图

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明包括以下步骤：

(1)任意选取一张待分类的遥感图像，并将该遥感图像进行灰度处理，转换成相应的灰度遥感图像；

(2)对灰度遥感图像采用LEE滤波方法进行去噪预处理，获得预处理后的遥感图像，其包括以下步骤：

(2-1)设乘性斑点噪声模型为y＝u·v，其中y是观测像元值，u是真实像元值，v是均值为1、方差为的图像噪声；

(2-2)对u的反射特性进行线性估计，用最小均方误差准则对权值进行约束，最后得到LEE滤波器的输出为：

其中，b表示精致极化LEE滤波的权值，var(y)表示方向窗口内图像像素的方差值，y表示方向窗口内图像的像元值。在滤波中，由于总功率图像是HH水平极化天线接收的目标对水平极化天线发射波的散射信号、HV水平极化天线接收的目标对垂直极化天线发射波的散射信号和VV垂直极化天线接收的目标对垂直极化天线发射波的散射信号强度图像的加权和，所以利用总功率图像来计算获得滤波权值b。

(2-3)根据b对协方差矩阵或相干矩阵的每个元素进行独立滤波，得到滤波后遥感图像中心像素的协方差矩阵或相干矩阵：

其中，表示滤波后遥感图像中心像素的协方差矩阵，表示方向窗口内遥感图像像素的协方差矩阵的均值，b表示LEE滤波的权值，z表示遥感图像中心像素的协方差矩阵。这样获得了遥感图像中心像素的协方差矩阵，为步骤(3)遥感图像纹理特征提取提供图像基础。

如图2所示，(3)采用小波变换对预处理后的遥感图像进行纹理特征提取，并进行归一化处理，以获得遥感图像纹理特征向量，其包括以下步骤：

(3-1)利用可分离变量法将一维小波函数和尺度函数构造成二维小波函数；根据该二维小波函数设定平移和伸缩的基函数，采用平移和伸缩的基函数对滤波预处理后的遥感图像进行四层小波分解，得到分解所有子带的小波系数；

采用可分离变量法来由一维小波函数和尺度函数构造所需要的二维小波函数，即：

φ(x,y)＝φ(x)φ(y) (4)

其中，φ(x,y)是二维尺度函数，φ(x)和φ(y)是一维尺度函数，和是一维小波函数，是3个二维小波函数。每个小波上的H表示水平方向，V表示垂直方向，D表示对角线方向。由给出的尺度函数和小波函数，可以定义一个伸缩和平移的基函数：

φ_j,m,n(x,y)＝2^j/2φ(2^jx-m,2^jx-n)＝φ_j,m(x)φ_j,n(y) (8)

其中，j，m，n都是整数。x/y是尺度函数的变量。

利用上述基函数对预处理后的遥感图像进行四层分解，获得反映遥感图像的平滑逼近低频子带LL，反映遥感图像水平边缘情况沿水平方向的高频子带LH，反映遥感图像垂直边缘情况沿垂直方向的高频子带HL和反映遥感图像的斜边缘情况沿对角方向的高频子带HH。

(3-2)求分解后所获的每个子带小波系数均值和标准差；

设小波分解后的子带为f_i(x,y)(M＞N)，i＝1,2,3,…,P，且P为自然数，则：

其中，u_i是子带小波系数的均值，σ_i子带小波系数的标准差，M和N分别为相应子带的行数和列数。

(3-3)将获得的各个子带小波系数均值和标准差作为遥感图像的纹理特征向量中的各个分量，将各个纹理特征分量构成特征向量T＝(u₁,σ₁,u₂,σ₂,…,u_P,σ_P)。

(3-4)由于T＝(u₁,σ₁,u₂,σ₂,…,u_P,σ_P)特征相量的物理意义和取值范围不同，为了防止检索时产生很大的偏差，所以需要进行归一化。高斯归一化是一种较好的归一化方法，其特点是少量超大或超小的元素值对整个归一化后的元素值分布影响不大。

设特征向量T＝(u₁,σ₁,u₂,σ₂,…,u_P,σ_P)为子带[f₁,f₂,…,f_P]形式，计算出每个特征向量对应的均值m和标准差σ，设归一化后的特征向量为[F₁,F₂,…,F_P]，则：

利用上述公式对特征向量进行归一化处理，将得到各个分量归一化到[-1，1]。

(4)采用径向基核函数作为SVM分类器的核函数，并将径向基核函数中的惩罚因子C和核参数γ作为SVM分类器的关键参数，采用基于多策略改进的粒子群优化算法对惩罚因子C和核参数γ的最佳组合寻优，构建优化SVM分类器；采用已知遥感图像的类别标号和该图像对应的纹理特征向量所形成的训练样本集对优化SVM分类器进行训练，获得最优SVM分类器；采用最优SVM分类器对待分类的遥感图像纹理特征向量进行分类，得到该遥感图像所属类别，即遥感图像的分类结果。

(41)采用径向基核函数作为SVM分类器的核函数，并将径向基核函数中的惩罚因子C和核参数γ作为SVM分类器的关键参数；

常用的核函数有线性核函数、多项式核函数、径向基核函数、Sigmoid核函数、傅立叶核函数。针对不同系统过程的数据进行分类，有对应效果最佳的核函数。

由于径向基核函数具有表示形式简单、径向对称、光滑性好和解析性好等优点，因此选择径向基核函数(RBF)作为SVM分类器的核函数，由于RBF的参数主要有核宽度系数σ、惩罚因子C和核参数γ。

而对于惩罚因子C和核参数γ，如果C取值过小，则对样本数据中超出γ的样本惩罚就小，使得训练误差变大；如果C取值过大，则相应的惩罚就过大，使得训练误差变小，推广能力将变差。如果γ取值过小，则要求的分类精度高，支持向量数量将增加；若γ取值过大，分类精度降低，支持向量数量减少，SVM分类器的稀疏性大。

由于惩罚因子C和核参数γ的取值对SVM分类器性能有着极大的影响，因此C和γ被确定为SVM分类器的关键参数。

(42)采用基于多策略改进的粒子群优化算法对惩罚因子C和核参数γ的最佳组合寻优，构建优化SVM分类器；

采用核函数将实际问题转换到高维空间后，两个待优化确定的SVM分类器参数是惩罚因子C和核参数γ。在一个由C和γ构成的二维解的目标搜索空间中，有n个代表潜在问题解的粒子组成一个种群，该种群可以表示为S＝{X₁,X₂,…,X_n}，其中X_i＝(X_i1,X_i2)为第i个粒子。

如图3所示，针对粒子优化算法在求解复杂问题时存在易早熟、弱局部搜索能力现象，引入最速下降、矫正下降、随机移动、聚集和扩散等策略来改进粒子群优化算法，基于多策略改进的粒子群优化算法下SVM分类器的参数寻优步骤如下：

(42-1)在搜索空间[C,γ]上，初始化算法，包括设定种群大小N、粒子维数D、最大迭代次数T_max、误差精度ε，给每个粒子x₁,x₂,…,x_N设定一个随机的初始化位置和速度同时限定粒子的最大速度V_max和位置X_max，令迭代次数t＝1；

(42-2)确定以训练集分类正确率为适应度函数，依次计算粒子在初始位置的适应度值其中i＝1,2,3,…,N，取其中是在第t次迭代后第i个粒子搜索到的最优位置，是在第t次迭代后群体搜索到的最优位置，是在第t次迭代后第k个粒子的位置，且满足

(42-3)根据适应度值判断是否满足求解精度；如果满足求解精度，转到步骤(42-11)，否则转到(42-4)；

(42-4)判断各粒子的情况：如果是最优粒子，转到步骤(42-5)；如果不是最优粒子，转到步骤(42-7)；如果算法判断结束，转到步骤(42-10)；

(42-5)当t＝1时，判断和的值是否相同：如果值相同，转到步骤(42-6)；如果值不相同，转到步骤(42-7)；

(42-6)执行随机移动策略，根据公式随机初始化当代最优粒子速度(其中j＝1,2,3,…,D，r为均匀分布在[0，1]的随机数)，再根据公式更新该粒子的位置；返回步骤(42-3)，判断下一个粒子；其中v_max和v_min表示各粒子速度分量的范围，表示在每次迭代过程中，第i个粒子的速度；

(42-7)如果迭代t∈[0,3]，执行最速下降策略，返回步骤(42-3)，继续判断下一个粒子；如果t≥4，执行最速下降和矫正下降策略：先按公式和求得各下降速度，再按式分别求得相应的更新位置，最后选择适应度值最优的下降速度和更新位置作为最优粒子更新后的速度和位置，返回步骤(42-3)，继续判断下一个粒子；其中是用差商最速下降法搜索到的位置；

(42-8)计算当代群体最优位置连续停止更新的次数T，当T∈[T_min,T_max]时，转到步骤(42-9)，否则转到步骤(42-10)；

(42-9)执行扩散策略：按公式和公式更新非最优粒子的速度和位置；返回步骤(42-3)，继续判断下一个粒子；其中w为惯性权重，c₁为认知加速，c₂为社会加速，假设惯性权重为随机迭代次数变化的变量t为当前迭代次数，T_max为最大迭代次数，w_min和w_min是最小和最大惯性权重；

(42-10)执行聚集策略：按公式和更新非最优粒子速度和位置；返回步骤(42-3)，继续判断下一个粒子；

(42-11)依次计算的适应度值i＝1,2,3,…,N，并依次比较和的大小，i＝1,2,3,…,N：如果则选取否则选取继续依次比较和的大小，i＝1,2,3,…,N：如果取否则

(42-12)判断终止条件是否满足：若满足，进入下一步；若不满足，取t＝t+1，返回步骤(42-3)；

(42-13)停止迭代，输出获得的最佳C和γ组合值，代入SVM分类器，构建一个优化SVM分类器。

(43)采用已知遥感图像样本的类别标号和该图像对应的纹理特征向量所形成的训练样本集对优化SVM分类器进行训练，获得最优SVM分类器；

(44)采用最优SVM分类器对待分类的遥感图像纹理特征向量进行分类，得到该遥感图像所属类别，即遥感图像的分类结果。

为了说明本发明的有效性，采用崇明东滩湿地TM多光谱卫星遥感图像来验证本发明的有效性。

如图4所示，2003年8月2日获取的国际重要湿地——上海市崇明东滩湿地TM多光谱卫星数据(图像经过辐射校正、几何校正和增强处理，可以直接使用)。遥感图像提取的样本特征数为26个，均为基本的影像文件特征，涉及图层的特征均值和标准差。

如图5所示，选取具有不同纹理特征的住宅、农地和大海3类样本的图像。

训练样本的选择是遥感影像分类的关键步骤，直接关系到所获规则的质量。根据遥感影像和实地调查来采集训练样本和验证数据集，分别在这3类样本图像上随机采集20*20的样本图像共75个，其中50个作为训练样本，25个作为测试样本。

如图6所示，对所采集的样本图像提取纹理特征向量，然后将所得到的26维特征向量输入基于网格算法优化SVM分类器(GS-SVM分类器)、基于GA优化SVM分类器(GA-SVM分类器)和基于多策略改进的PSO优化SVM分类器(MSPSO-SVM分类器)进行分类计算，比较分类结果。从统计分类结果图可看出，采用本发明的分类方法，分别比GS-SVM分类器和GA-SVM分类器的分类正确率提高了4％和2.66％。这说明本发明的分类方法提高了遥感图像的分类准确率，达到了理想的图像分类精度；从另一个角度说明当获得相似的分类性能时，本发明方法所需的迭代次数更少，速度更快。

上述各实施例仅用于说明本发明，其中各步骤的实现方式是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (3)

1.一种基于小波变换、多策略PSO和SVM集成的遥感图像分类方法，其包括以下步骤：

1)任意选取一张待分类的遥感图像，并将该遥感图像进行灰度处理，转换成相应的灰度图像；

2)对灰度图像进行去噪预处理，获得预处理后的遥感图像；

3)采用小波变换对预处理后的遥感图像进行纹理特征提取，并进行归一化处理，获得遥感图像纹理特征向量；

4)采用径向基核函数作为SVM分类器的核函数，并将径向基核函数中的惩罚因子C和核参数γ作为SVM分类器的关键参数，采用基于多策略改进的粒子群优化算法对惩罚因子C和核参数γ的最佳组合寻优，构建优化SVM分类器，包括以下步骤：

41)采用径向基核函数作为SVM分类器的核函数，并将径向基核函数中的惩罚因子C和核参数γ作为SVM分类器的关键参数；

42)采用基于多策略改进的粒子群优化算法对惩罚因子C和核参数γ的最佳组合寻优，构建优化SVM分类器，其包括以下步骤：

采用核函数将实际问题转换到高维空间后，两个待优化确定的SVM分类器参数是C和γ；在一个由C和γ构成的二维解的目标搜索空间中，有n个代表潜在问题解的粒子组成一个种群，该种群可以表示为S＝{X₁,X₂,…,X_n}，其中X_i＝(X_i1,X_i2)为第i个粒子；

采用最速下降、矫正下降、随机移动、聚集和扩散策略针对SVM分类器对的C和γ的最佳组合寻优包括以下步骤：

42-1)在搜索空间[C,γ]上，初始化算法，包括设定种群大小N、粒子维数D、最大迭代次数T_max、误差精度ε，给每个粒子X₁,X₂,…,X_N设定一个随机的初始化位置和速度V_i ⁽¹⁾，同时限定粒子的最大速度V_max和位置X_max，令迭代次数t＝1；

42-2)确定以训练集分类正确率为适应度函数，依次计算粒子X_i在初始位置的适应度值f(X_i)，其中i＝1,2,3,…,N，取其中P_i ^(t)是在第t次迭代后第i个粒子搜索到的最优位置，是在第t次迭代后群体搜索到的最优位置，是第t次迭代后第i个粒子的位置，是在第t次迭代后第k个粒子的位置，且满足

42-3)根据适应度值判断是否满足求解精度；如果满足求解精度，转到步骤42-11)，否则转到42-4)；

42-4)判断各粒子的情况：如果是最优粒子，转到步骤42-5)；如果不是最优粒子，转到步骤42-7)；如果算法判断结束，转到步骤42-10)；

42-5)当t＝1时，判断和的值是否相同：如果值相同，转到步骤42-6)；如果值不相同，转到步骤42-7)；

42-6)执行随机移动策略，根据公式随机初始化当代最优粒子速度其中j＝1,2,3,…,D，r为均匀分布在[0，1]的随机数，再根据公式更新该粒子的位置；返回步骤42-3)，判断下一个粒子；其中v_max和v_min表示各粒子的速度分量的范围，V_i ^(t+1)表示在每次迭代过程中，第i个粒子的速度，表示当代最优粒子速度；

42-7)如果迭代t∈[0,3]，做最速下降策略，返回步骤42-3)，继续判断下一个粒子；如果t≥4，执行最速下降和矫正下降策略：先按公式 和求得各下降速度，再按式分别求得相应的更新位置，最后选择适应度值最优的下降速度和更新位置作为最优粒子更新后的速度和位置，返回步骤42-3)，继续判断下一个粒子；其中是用差商最速下降法搜索到的位置；

42-8)计算当代群体最优位置连续停止更新的次数T，当T∈[T_min,T_max]时，转到步骤42-9)，否则转到步骤42-10)；

42-9)执行扩散策略：按公式和公式更新非最优粒子的速度和位置；返回步骤42-3)，继续判断下一个粒子；其中w为惯性权重，c₁为认知加速，c₂为社会加速，假设惯性权重为随机迭代次数变化的变量t为当前迭代次数，T_max为最大迭代次数，w_min和w_max是最小和最大惯性权重；

42-10)执行聚集策略：按公式和更新非最优粒子速度和位置；返回步骤42-3)，继续判断下一个粒子；

42-11)依次计算的适应度值并依次比较和f(P_i ^(t))的大小，i＝1,2,3,…,N：如果则选取否则选取P_i ^(t+1)＝P_i ^(t)；继续依次比较和的大小，i＝1,2,3,…,N：如果取否则

42-12)判断终止条件是否满足：若满足，进入下一步；若不满足，取t＝t+1，返回步骤42-3)；

42-13)停止迭代，输出获得的最佳C和γ组合值，代入SVM分类器，构建一个优化SVM分类器；

43)采用已知遥感图像的类别标号和该图像对应的纹理特征向量所形成的训练样本集对优化SVM分类器进行训练，获得最优SVM分类器；

44)采用最优SVM分类器对待分类的遥感图像纹理特征向量进行分类，得到该遥感图像所属类别；

采用已知遥感图像样本的类别标号和该图像对应的纹理特征向量所形成的训练样本集对优化SVM分类器进行训练，获得最优SVM分类器；采用最优SVM分类器对待分类的遥感图像纹理特征向量进行分类，得到该遥感图像所属类别，即遥感图像的分类结果。

2.如权利要求1所述的基于小波变换、多策略PSO和SVM集成的遥感图像分类方法，其特征在于：所述步骤2)中，预处理采用LEE滤波算法。

3.如权利要求1或2任意一项所述的基于小波变换、多策略PSO和SVM集成的遥感图像分类方法，其特征在于：所述步骤3)包括以下步骤：

3-1)利用可分离变量法将一维小波函数和尺度函数构造成二维小波函数；根据该二维小波函数设定平移和伸缩的基函数，采用平移和伸缩的基函数对滤波预处理后的遥感图像进行四层小波分解，得到分解所有子带的小波系数；

3-2)求分解后所获的每个子带小波系数均值和标准差；

3-3)将获得的各个子带小波系数均值和标准差作为预处理后的遥感图像的纹理特征向量中的各个分量，将各个纹理特征分量构成特征向量T＝(u₁,σ₁,u₂,σ₂,…,u_P,σ_P)；

3-4)采用高斯归一化将特征向量T＝(u₁,σ₁,u₂,σ₂,…,u_P,σ_P)进行归一化：设特征向量T＝(u₁,σ₁,u₂,σ₂,…,u_P,σ_P)为子带[f₁,f₂,…,f_P]形式，计算出每个特征向量对应的均值m和标准差σ，设归一化后的特征向量为[F₁,F₂,…,F_P]，则：

<mrow> <msub> <mi>F</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>f</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> </mrow> <mi>&amp;sigma;</mi> </mfrac> </mrow>

利用上述公式对特征向量进行归一化处理，将得到各个分量归一化到[-1，1]。