模糊聚類在遙感圖像分割中的應(yīng)用研究.pdf

1、遙感圖像分割是指對遙感圖像進(jìn)行處理和分析，從中提取目標(biāo)特征的技術(shù)和過程。模糊聚類算法應(yīng)用在遙感圖像分割上是近年來研究的熱點(diǎn)，本研究以安徽省東至縣梅城林場2006年同期LandsatETM+遙感圖像為主要數(shù)據(jù)源，在RS與GIS的支持下，利用Erdas9.0對遙感圖像進(jìn)行波段組合、幾何校正、圖像融合等預(yù)處理，使用一些改進(jìn)的模糊聚類算法對圖像進(jìn)行分割，實(shí)驗(yàn)結(jié)果表明，文中所提出的模糊聚類的新算法都取得了良好的效果。并根據(jù)項(xiàng)目的實(shí)際需要對算法進(jìn)行

2、了實(shí)現(xiàn)，設(shè)計(jì)完成了遙感圖像分割演示系統(tǒng)。
　　 歸納起來，本文的創(chuàng)新性研究成果主要體現(xiàn)在以下幾個(gè)方面：
　　 (1)提出兩種基于核的改進(jìn)模糊聚類算法：基于核的模糊聚類中心分離算法(KFCCS)和基于核的簇間分離聚類算法(KICS)。KFCCS是通過一種模糊聚類中心分離(FCCS)算法的改進(jìn)。KFCCS能映射輸入數(shù)據(jù)集到一個(gè)高維特征空間，在此空間中KFCCS能執(zhí)行聚類未標(biāo)記數(shù)據(jù)。通過使用核方，KFCCS能比模糊C-均值聚類

3、(FCM)和FCCS更好處理線性非分離問題，實(shí)驗(yàn)表明KFCCS有很好的特性；KICS是由一種簇間分離聚類(ICS)的改進(jìn)算法。KICS能映射輸入數(shù)據(jù)點(diǎn)到一個(gè)高維特征空間，在此空間中KICS能執(zhí)行聚類未標(biāo)記數(shù)據(jù)，使用KICS能比FCM和ICS更好地處理線性非分離問題。實(shí)驗(yàn)表明了KICS有更好的特性。
　　 (2)提出兩種基于參數(shù)優(yōu)化的模糊聚類算法：基于參數(shù)優(yōu)化的改進(jìn)型可能聚類算法(IPCAOP)和非參數(shù)化的廣義噪聲聚類(GNCIP

4、)算法。IPCAOP算法是由可能聚類算法(PCA)和可能C-均值聚類算法(PCM)相結(jié)合提出的一種改進(jìn)算法，由于PCA和PCM對初始值非常敏感，容易產(chǎn)生一致性聚類。改進(jìn)型可能C-均值聚類算法(IPCM)能解決PCM的問題。然而，IPCM的執(zhí)行更依賴于參數(shù)。IPCM必須計(jì)算參數(shù)兩次，因此聚類時(shí)間長。為了克服PCA和IPCM的缺點(diǎn)，將PCA和IPCM相結(jié)合提出IPCAOP。通過實(shí)驗(yàn)表明，IPCAOP在處理遙感圖像分割方面明顯優(yōu)于模糊C-均值

5、聚類(FCM)和IPCM。GNCIP算法是由廣義噪聲聚類(GNC)和PCA結(jié)合提出的一種改進(jìn)算法，為解決GNC算法非常依賴參數(shù)和在運(yùn)行GNC算法前必須運(yùn)行FCM算法以便計(jì)算參數(shù)的缺點(diǎn)。在GNC的目標(biāo)函數(shù)和PCA基礎(chǔ)上，提出GNCIP算法。GNCIP通過一種非參數(shù)化方法計(jì)算GNC目標(biāo)函數(shù)中的參數(shù)，因而GNCIP不依賴參數(shù)并且聚類速度快于GNC。通過對人工含噪聲數(shù)據(jù)集和兩個(gè)實(shí)際數(shù)據(jù)集做仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明了GNCIP具有很好地處理含噪聲數(shù)