基于模糊C-均值聚类的遥感影像分类.pdfVIP

基于模糊C-均值聚类的遥感影像分类 罗卿莉 辽宁工程技术大学测绘学院，辽宁阜新（123000 ） 摘 要：为了很好地解决遥感影像分类的问题，在Matlab 平台基础上，采用模糊C-均值聚 类算法对遥感影像进行非监督分类，首先介绍了模糊C-均值聚类算法，并根据此算法思想， 构造了模糊 C-均值分类器，然后对遥感影像进行分类，输出分类后影像，并用混淆矩阵进 行了精度评定。精度评定结果表明，实验取得了较好的成果。 关键词：模糊C-均值聚类；遥感影像；分类 1．引言 遥感影像是探测地物目标综合信息的最直观、最丰富的载体，直接从遥感信息中自动提 取地形和专题信息是当前遥感和地理信息系统技术面临的一个迫切而又复杂的问题[1] 。人们 对遥感信息的提取和利用程度要远远落后于通过空间和航空系统获取信息源的速度。因此研 究如何最大限度的提取遥感专题信息最有重大意义。其中遥感影像分类是进行信息提取的一 种主要方法。 所谓遥感影像分类就是根据遥感影像的光谱特征、纹理特征、空间特征等按照某种判断 规则对目标逐步探测、识别和鉴定的过程[2] 。遥感影像分类技术是遥感影像解译与分析的重 要环节之一，无论是遥感信息提取，动态变化检测，还是遥感专题制作，遥感数据库的建立 都离不开分类，因此遥感影像分类具有广泛的应用前景。 传统的遥感影像计算机分类方法是根据遥感数据的统计值特征与训练样本数据之间的 统计关系来进行地物分类的，其分类精度往往不甚理想[3] 。 由于卫星遥感数据具有多光谱波段、多空间分辨率和多时间分辨率的特点，其数据量庞 大，并且由于各种地物波谱辐射的复杂性以及干扰因素的多样性等原因，从而使获取的遥感 数据具有模糊、不确定性等特征且数据分布复杂，在遥感影像分类过程中，部分像元很难进 行非此即彼的划分[4] 。我们需要考虑各个像元属于各个类别的隶属度问题，进行软划分，从 而才能更好地区分不同的地物类别。模糊C 均值聚类(Fuzzy C-Means Clustering,FCM)就是结 合模糊集理论和K －均值聚类而提出来的适合进行软化分的模糊聚类分析方法。所以采用模 糊聚类的方法可以较好的处理遥感数据的分类问题[5] 。 本文在matlab[6]平台上，采用模糊C-均值聚类算法对遥感影像进行分类并运用混淆矩阵 进行精度评定。 2 ．分类系统结构 系统首先对样本进行特征选取，构建初始聚类中心，然后用模糊 C-均值分类器对待分 类影像进行分类，然后输出分类后影像，并进行精度评价。 - 1 - 构 模 原 样 对 输 建 糊 始 进 本 原 出 样 初 C- 影 行 特 始 分 本 始 均 像 精 征 影 类 选 聚