Abstract
<jats:p>Современные методы обработки данных и изображений – фильтрация, сегментация, классификация и восстановление – требуют точной настройки множества непрерывных параметров, определяющих поведение алгоритмов и качество результатов. Традиционные градиентные методы оптимизации демонстрируют ограниченную эффективность при многомодальных, негладких или зашумлённых целевых функциях. В данной работе рассматривается применение эволюционных стратегий (ЭС) - в частности, CMA-ES и Differential Evolution – для автоматической настройки параметров обработки спутниковых и гиперспектральных снимков. Предложена гибридная схема CMA-ES/DE, объединяющая адаптацию ковариационной матрицы с направленными разностными мутациями, обеспечивающая устойчивую и точную сходимость в анизотропных пространствах параметров. Экспериментальные результаты на данных Landsat-9 показали снижение среднеквадратичной ошибки приблизительно на 58% по сравнению с начальными значениями, а также превосходство над традиционными методами (Otsu, K-Means, Watershed) на 6–12% по точности сегментации.</jats:p>