一种用于遥感影像的新型迭代自组织像素矩阵纠缠分类器

先前提出的自组织像素纠缠神经网络（SOPENN）模型仅在希尔伯特空间中建立了相互正交的二维基向量，无法充分反映多光谱图像中像素的光谱信息和纠缠特性。因此，本文提出了一种迭代自组织像素矩阵纠缠（ISOPME）图像分类模型。量子像素矩阵纠缠（PME）基于量子像素纠缠，将像素视为量子，并将量子信息学中的量子纠缠理论应用于 PME。首先，发展了 PME 理论以将像素的量子态与其灰度值相关联。其次，提出了 PME 系数，以提取希尔伯特空间中具有三维基向量的像素矩阵之间的纠缠关系。最后，构建了 ISOPME 模型以实现多光谱遥感图像分类的自组织聚类。四个测试区域的实验结果表明：1）所提出的 ISOPME 方法达到了 92.02% 的平均分类精度和 0.88 的 Kappa 系数（KC）；2）与四种传统无监督分类方法相比，ISOPME 平均将分类精度提高了 8.96%，KC 提高了 0.14；3）ISOPME 的分类精度和 KC 达到了与更复杂的监督分类方法（如支持向量机（SVM））相同的水平，并接近使用深度学习（DL）分类方法获得的结果。