基于組織進(jìn)化的聚類算法及其在SAR圖像分割中的應(yīng)用.pdf

1、合成孔徑雷達(dá)（SAR）圖像正在獲得越來越廣泛的應(yīng)用，SAR傳感器可以穿透云層，在惡劣的天氣情況下和夜間情況下也依然能夠工作，而光學(xué)傳感器則做不到這些。SAR圖像應(yīng)用中的一個(gè)重要環(huán)節(jié)就是對(duì)圖像進(jìn)行正確的分割，它是實(shí)現(xiàn)SAR圖像理解的基礎(chǔ)，像圖像變化檢測(cè)、目標(biāo)識(shí)別等技術(shù)都離不開良好的圖像分割結(jié)果。
　　聚類分析是一項(xiàng)常用的挖掘數(shù)據(jù)間關(guān)系的技術(shù)，它能夠根據(jù)數(shù)據(jù)之間的相似性分布把數(shù)據(jù)集劃分為數(shù)個(gè)聚類，使得在每個(gè)聚類內(nèi)的數(shù)據(jù)都具有相似的屬性

2、，而不同聚類間的數(shù)據(jù)則差異較大。基于聚類分析的這一功能，把聚類分析應(yīng)用于圖像分割中已成為一個(gè)熱門的研究方向。以下是本文在這一研究方向上的主要工作：
　　1、傳統(tǒng)的模糊c均值（FCM）聚類算法易陷于局部最優(yōu)解，對(duì)初始值敏感，且應(yīng)用于圖像分割時(shí)沒有考慮圖像的局部信息，對(duì)噪聲的抑制能力較差。為了改進(jìn)上訴缺點(diǎn)，本文提出了基于組織進(jìn)化算法的FCM聚類算法（O EA-FCM），該算法利用組織進(jìn)化（OEA）的全局搜索能力解決傳統(tǒng)FCM算法易陷入

3、局部最優(yōu)解和對(duì)初始值敏感的缺陷，同時(shí)引入了圖像中的空間信息，有效的抑制了噪聲的干擾。
　　2、迭代自組織算法（ISODATA）是一個(gè)經(jīng)典的聚類算法，它在K-means算法的基礎(chǔ)上引入了對(duì)聚類的分裂操作和融合操作，從而可以自動(dòng)的調(diào)整聚類中心和聚類的個(gè)數(shù)。然而該算法對(duì)分裂操作的閾值和融合操作的閾值極為敏感，且該閾值參數(shù)不易設(shè)定。為了解決這一問題，本文提出了基于組織進(jìn)化的ISODATA聚類算法（OEA-ISODATA），該算法利用O E

4、A的解空間搜索能力去搜索ISODATA聚類算法參數(shù)的最優(yōu)值，同時(shí)OEA-ISODATA算法引入了像素塊的策略，能夠利用有效的空間信息，濾除無用的空間信息，從而提高了算法對(duì)噪聲干擾的魯棒性。
　　3、由于單個(gè)聚類有效性指標(biāo)在設(shè)計(jì)時(shí)僅考慮聚類的某一或某些方面特性，沒有某一聚類有效性指標(biāo)能夠適用于全部數(shù)據(jù)類型，因此采用單個(gè)聚類有效性指標(biāo)做為評(píng)價(jià)函數(shù)的單目標(biāo)進(jìn)化算法在搜索解空間時(shí)就能力有限。為了解決這一問題，我們將DM EA多目標(biāo)進(jìn)化算法