基于遥感图像非监督分类的模糊聚类算法研究.docVIP

精品论文 参考文献 基于遥感图像非监督分类的模糊聚类算法研究 四川西南交大铁路发展股份有限公司 四川成都 610073 摘要:文章针对遥感图像的模糊聚类算法进行了研究。数字图像分类技术是数字图像处理技术中非常重要的一个内容。遥感图像固有的模糊性，对于遥感数字图像来说，尤其是中、低分辨率遥感图像，由于混合像元的影响使得分类结果并不是最优的,也就是说，传统的分类方法往往不能取得理想的分类效果。而应用软分类算法原理，采用模糊聚类方法进行遥感图像的非监督分类是解决这种分类模糊性的主要方法之一。文章研究模糊聚类中的模糊C均值聚类算法，并通过计算机程序来实现算法，从而达到对遥感图像非监督分类的目的。此算法与人工判读分类相比，提高遥感图像非监督分类的速度和效率，节省了人力和物力。 关键词:遥感图像分类；模糊聚类；模糊C-均值算法 1 引言 众所周知，遥感图像分类是遥感图像处理研究领域中的一项主要内容，分类的精度直接影响遥感数据的应用水平和实用价值[1]。可是现在从遥感图象中方法分类地物的方式多为人工判读，这类方式难以顺应如今信息化时期的要求，并且也会花费较多的人力和物力。用计算机对遥感图像进行分类则是提高分类的精度和速度非常经济实用的方法，也是遥感数字图像处理的一个重要内容。如何通过非监督分类算法研究来提高遥感图像分类的精度和速度是一个非常有现实意义的课题。本文就是基于模糊聚类中的模糊C均值聚类算法，并通过计算机程序来实现算法，从而达到对遥感图像非监督分类的目的。 2 模糊C均值聚类算法 遥感图像的计算机分类，就是对地球表面及其在遥感图像上的信息进行属性的识别和分类，从而达到识别图像信息所相应的实际地物，提取所需地物信息的目的[2]。用计算机通过模式识别技术的运用来对遥感图像进行分类的，模糊聚类法是解决模式识别问题的一种数学方法，在众多的模糊聚类算法中，模糊C一均值算法(FCM)可以说是应用最为广泛、最为灵敏的一种算法[3]。 模糊C均值聚类（FCM），即众所周知的模糊ISODATA， 于1973年Bezdek率先提出来。它是在硬C均值(HCM)算法的基础上经过不断改进而形成的,它依据最小二乘法原理采用迭代法对目标函数进进行优化，并通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的[4]。 3 模糊聚类在遥感影像非监督分类中的算法研究 3.1 遥感影像分类中的模糊C均值聚类算法探索 图像分类的关键问题之一是选择适当的分类规则(或分类器)，通过分类器把图像数据划分为尽可能符合实际情况的不同类别[5]。根据遥感图像分类的理论知识结合遥感图像的特性，将模糊C均值聚类方法运用于其图像分类的伪代码列出如下： 1. 读入遥感影像数据到一多维数组中Image（band，row，col）；其中，band为影像波段数，row、col分别为影像行列数； 2. 设定聚类数目c和参数m（ge;1）； 3. 初始化各个聚类中心mi，采用如下的方法： 1）统计各波段的最大值和最小值； 2）根据聚类数目c和各波段的统计值确定初始聚类中心M（0）； mij = minj+ （i - 0.5）times;（maxj-minj）/c 上式中，mij为第i类第j波段聚类中心值，minj为第j波段最小值，maxj为第j波段最大值，i为类别序号（i=1，…，c）??c=4为聚类数目。 4. 初始化隶属度矩阵，用值在0，1间的随机数初始化隶属矩阵U（0），使其满足（3.1）式中的约束条件； (3.1) 5. 根据聚类中心和隶属度矩阵，按照（3.2）式和（3.3）式分别计算隶属度和新的聚类中心； 1）计算隶属度： (3.2) 上述计算中，d可以使用欧式距离） 2）计算新的聚类中心： (3.3) 6. 根据(3.4)式计算价值函数。如果它小于某个确定的阀值，或它相对上次价值函数值的改变量小于某个阈值，则算法停止，否则返回步骤5。