基于c均值与模糊c均值的sar图像分类.doc

基于C均值与模糊C均值的SAR图像分类 gupanzhong@126.com 1、C均值聚类[1] C均值分类方法是一种典型的动态聚类方法。其样本间相似性度量以范数平方和作为准则。假设需分类的数据集X被划分成c个互不相交的子集Ci,i=1,…c。设Ni,是第i类Ci中样本的数目，mi是Ci中的样本均值。定义子集Ci中点x到均值mi之间的距离为E(x,mi),反映样本x与均值mi间的误差。定义类别Ci中所有样本点到均值间的距离平方和为 将数据集合中所有点依据式求出与相应类别均值的范数平方和后相加，得到数据集误差平方和函数为 (2) 函数分类方法中确定分类评价结果质量的准则。它是样本集与类别集Ci,i=1,…c}的函数。不同的分类方法，得到的数据集误差平方和函数也不同。如果将各类别均值 (1) FCM的价值函数(或目标函数)为 (2) 这里uij介于0，1间；ci为模糊组i的聚类中心，为第i个聚类中心与第j个数据点间的距离，这里采用欧氏距离；且是一个加权指数。 算法可以看作是在n个约束条件(式1)下，求价值函数的极小值。 使(2)式达到极小的必要条件是 (3) (4) 由上述两个必要条件，可知模糊C均值聚类算法是一个简单的迭代过程。FCM用下列步骤确定聚类中心c和隶属矩阵U： 1）初始化聚类中心ci(i=1，2，…，c)。典型的做法是从所有数据点中任取c个点。 2）用式(4)确定隶属矩阵U。 3）根据式(2)计算价值函数，如果它小于某个确定的阈值，或它相对上次价值函数的改变量小于某个阈值，则算法停止。 4）根据式(3)修正聚类中心，返回步骤2）。 3、滤波后进行聚类 由于上述两类聚类算法利用的是欧式距离来判定目标与聚类中心的差距，因此对于一些孤立点的点，聚类效果将会非常差，因此，可以考虑在划分聚类中心前，将一些孤立的噪声点去除，这里可以用滤波的方式去除这些噪声点。 至于滤波的和函数可考虑高斯型的滤波器，通过调节滤波器的长度可以适当地去除一些孤立的噪声，而对分类的结果不至于产生太大的影响。 4、实验结果 通过上述的理论分析，分别利用C均值和模糊C均值对第二幅SAR图像进行聚类（都分为四类），并在此基础上，对原始的SAR图像进行去噪处理后，再进行C均值和模糊C均值聚类，得到下面的结果。 4.1 C均值聚类结果 直接聚类 先滤波后聚类 （a1）原始图像 （a2）平滑后图像 （b1）均值聚类结果（四类） （b2）均值聚类结果（四类） （c1）阴影及河流 （c2）阴影及河流 （d1）建筑物 （d2）建筑物 （e1）不明 （e2）草地 （f1）树木 （f2）树木 4.2 FCM聚类 直接聚类 （2）先滤波后聚类 （a1）原始图像 （a2）滤波后图像 （b1）分类图像（四类） （b2）分类图像（四类） （c1）树木 （c2）树木 （d1）建筑物 （d2）建筑物 （e1）草地 （e2）草地 （f1）阴影及河流 （f2）阴影 5、实验结论 观察实验4的图像，可以看出，对于C均值算法，将目标分为四类时，滤波前后分割的结果差距极大，在没有滤波前，树木和草地分别不开，结果不尽理想，而且滤波前的分类结果中，孤立点比较多而散乱，不易辨认是什么目标。 对于FCM（模糊均值滤波）算法，将目标分为四类，同样也存在上述问题，不过，分类的结果明显较C均值分类方法要好，各类目标大体上是能辨别的，但是孤立的噪声点也较多，图像不够连续。在经过滤波处理后的分类结果中，可以清晰看出各类目标更明显，且易辨识，因此，在进行聚类前，对图像预处理，能够显著提高分类的结果。 6、部分源代码 （1）C均值聚类（部分） load sp.mat T22 = 255*(T22-min(min(T22)))/(max(max(T22))-min(min(T22))); T22 = imadjust(T22); H = fspecial(disk,5); %===滤波部分 Im = imfilter(T22,H,replicate); K =4; %==分类个数 [mu,mask]=kmeans(T22,K); %==C均值聚类 figure imshow(mat2gray(mask)) %==聚类结果显示 (2)CFM(模糊聚类) （部分） load sp.mat T22 = 255*(T22-min(min(T22)))/(max(max(T22))-min(min(T22))); T22 = imadjust(T22); H = fspe