段明义，卢印举，苏玉

(郑州工程技术学院 信息工程学院，郑州 450044)

0 引言

随着遥感技术的不断发展，人类获得的遥感图像越来越丰富。遥感图像与自然图像有着明显区别，是一种十分重要的信息资源[1]。为了能够从遥感图像中提取出感兴趣的信息，人们提出了很多方法，图像分割是常用的一种。该方法主要是通过将一幅需要处理的图像根据一定的算法划分为不同的区域，以达到提取出感兴趣信息的目的。图像分割是图像分析中关键的一步，目前主要有基于阈值的、基于区域的、基于边缘理论的以及基于特定理论的方法[2-4]。

聚类作为一种无监督分类技术，在遥感图像分割中被广泛应用。学者们通过使用该技术将遥感图像中特征相似的像素点划分到同一类中，使得类间相似度尽可能低。K-means是目前在图像分割领域已经广泛应用的一种聚类划分方法[5]。该方法通过对定义的目标函数进行迭代、逼近，最终得到结果，其缺点主要在于需要事先人工设置、确定一系列的参数值，比如初始聚类数目；同时，图像中的噪声也能极大地影响结果[6]。花粉算法(flower pollination algorithm，FPA)模拟自然界显花植物花朵的授粉过程，是一种仿生算法[7]，该算法原理简单、参数少、易于实现，同时具有良好的全局寻优能力。本文采用花粉算法来对K-means算法的初始参数进行优化，以期达到改进聚类效果的目的。高斯模型是常见的数据模型，可以用来对遥感图像特征数据进行模拟，对于多个数据的模拟需将多个高斯模型根据权值系数结合在一起，即高斯混合模型(Gaussian mixture model，GMM)[8]。……