基于FCM聚类及其改进的遥感图像分割算法.pdfVIP

困 澎江考业科学 2017年第58卷第3期 DOI： 10．16178／j．issn20170348 基于FCM聚类及其改进的遥感图像分割算法 李勇发，左小清，杨 芳，林思，张建柱 (昆明理工大学国土资源T程学院，云南昆明650093) 摘要：在遥感图像分割中，某些像素分类具有不确定性和随机性，模糊C．均值(FCM)聚类算法对处理 这种不确定性和随机性具有很大的优势，但传统的FCM算法具有很大的缺点。对此，该研究提出一种改进的 FCM遥感图像分割算法。首先，该算法在选取聚类中心和聚类数时使用直方图进行选取，克服了传统FCM算法 选取时的随机性和人为性；然后，使用叉熵距离测度代替欧氏距离测度，克服了传统FCM算法依赖于球状分布 的缺点；最后，利用传统FCM算法和改进后的FCM算法对某水电站大坝遥感图像进行分割实验，比较2种方法 的分割效果，结果显示，改进的FCM算法大大提高了遥感图像聚类的效率和分类的精度。 关键词：图像分割；聚类分析；模糊C一均值 中图分类号：TP75 文献标志码：A 文章编号：0528—9017(2017)03-0518-03 遥感图像作为制作和更新GIS数据库的重要数 改进的FCM聚类算法。现报道如下。 据源，已被广泛应用于土地利用、环境监测、资源 1 传统聚类的分割算法及其实现 勘探、灾害评估、城市规划等领域中。随着遥感与 信息技术的不断发展，各种海量的遥感数据都可以 1．1 FCM聚类算法 通过对地观测技术进行获取，然而数据转化成信息 FCM聚类算法是一种无监督的分类方法，根据 的过程当中仍存在很多瓶颈，其中遥感图像分割就 最小二乘原理，计算目标函数的均方差，得到每个 是一项非常关键的技术，同时也是图像处理领域的 数据点对类中心的隶属度和目标函数的最小值，是 难点和重点。遥感图像分割是指对遥感图像进行处 一种基于目标函数的非线性迭代的最优化方法‘3J。 理、分析，从中提取目标的技术和过程。当前虽然 1．2 FCM聚类算法的原理 已经有了大量的图像分割算法，但由于遥感图像通 1．2．1 聚类目标函数 常具有灰度级多、信息量较大、边界不清晰、目标 聚类算法的目标函数由开始的类内误差平方和 类型较多等特点，导致这些算法在实际应用中还存 的形式演化而来，之后经推广，演变成了更具普遍 在很多问题，如适用性差、分割效率低、分割精度 意义的形式。类内误差平方和形式的目标函数实际 J，它 不高等…，加之遥感图像的分割本身具有不确定 上是Ruspini提出的硬聚类分析的目标函数。2 性，不同的应用目的和用户对图像感兴趣的部分不 的形式为： 同，期望从图像中获得的信息层次也往往不同，致 t，(u，y)=∑∑du2，s．t．U∈Q，。 使难以建立完全准确的分割方法对遥感图像进行分 ￡2I^，∈X 割。总体来看，在进行遥感图像分割处理时，通常 式中：．，表示目标函数；U=[M。i]…表示硬划 采用模糊理论的方法。但传统的模糊C一均值 分矩阵，取值范围为{0，1}；V=(秽，秽：…，％)是 一个聚类中心向量，对所有的江1，2，…c，有口． (FCM)聚类算法存在以下不足：(1)传统FCM 算法的运行效果与初始聚类中心和聚类数密切相 (秽㈤秽∞…，秽i)∈R5，它代表第i类聚类中心； 关，而初始聚类中心和聚类数具有随机性，导致每