基于局部空间信息KFCM的遥感图像聚类算法.pdfVIP

第16卷 第5 期 Vol. 16, No.5 2014 年9 月 Sep., 2014 基于局部空间信息KFCM 的遥感图像聚类算法 1,2,3 1 1 吴一全 ，沈 毅 ，陶飞翔 (1. 南京航空航天大学电子信息工程学院，南京 210016 ；2. 农业部农业信息技术重点实验室，北京 100081； 3. 江西省数字国土重点实验室，南昌 330013 ) 摘要：针对模糊C 均值(Fuzzy C-Means, FCM)算法，不能有效地对夹杂噪声的遥感图像聚类的问题，本文提出了一 种基于局部空间信息核模糊C 均值(Kernel Fuzzy C-Means, KFCM)的遥感图像聚类算法。首先，运用核函数将遥 感图像的所有像元映射到高维特征空间，通过非线性映射优化遥感图像的有用特征；然后，根据相邻像元之间的相 关性，利用一种空间函数重新定义像元的模糊隶属度，将像元的局部空间信息引入到FCM 算法中，并在高维特征 空间中使用这种基于局部空间信息的FCM 算法对像元聚类。由于引入了像元的局部空间信息，算法可以直接应 用于原始遥感图像，不需要滤波预处理。大量实验结果表明，本文提出的基于局部空间信息KFCM 的遥感图像聚 类算法具有较强的抗噪能力，可得到较好的同质区域，优于现有的FCM 算法、模糊局部信息C 均值(Fuzzy Local In- formation C-Means, FLICM)算法及KFCM 算法。 关键词：遥感图像；图像聚类；模糊C 均值算法；核模糊C 均值；局部空间信息 DOI:10.3724/SP.J. 1047.2014.00769 1 引言 像，尤其是高空间分辨率遥感图像，聚类算法就会 得到破碎的结果，分割区域在拓扑空间上连通性很 长期以来，国内外众多学者所提出的图像分类 差。所以，文献[18-19]在使用聚类算法对遥感图像 算法，主要分为监督分类和非监督分类2 种。常用 分割前，应先通过滤波方法降低噪声的影响。文献 的非监督分类方法有贝叶斯学习、最大似然度分类 [20]提出一种模糊局部信息C 均值(Fuzzy Local In- 以及聚类，其中聚类方法应用较多。聚类算法主要 formation C-Means, FLICM)聚类算法，将像元的邻 [1] [2] 域信息引入传统的模糊C 均值(Fuzzy C- Means, 有K-means 均值算法 、ISODATA 算法、主成分分 [3] [4] [5-9] FCM)算法中，能高效地去除噪声对分割结果的影 析算法 、正交子空间投影方法 、模糊聚类 等。 其中，模糊C 均值(Fuzzy C-Means ，FCM) 聚类算法 响，与经滤波后再采用FCM 算法分割图像的方式 [10-12] 相比，FLICM 算法具有更强的鲁棒性。另一方面， 是一种简单有效的聚类算法，在图像分割 、变化 [13-15] [16-17] 由于FCM 算法直接利用未经优化的样本特征进行 检测 、图像分类 等领域有着广泛的应用。其 基本原理是按照某种相似性度量和隶属度函数，将 聚类，导致算法的有效性在很大程度上取决于样本 相似的样本归为一类，不相似的样本归为不同的 的分布情况。如果样本分布比较混乱，则算法基本 类。但FCM 聚类算法主要应用在数据挖掘领域， 失效。随后，通过在FCM 算法中引入像元的邻域 不是针对图像处理，样本之间相互独立的特点使其