改进的V0EFI.K算法在遥感图像分类中的应用-国土资源遥感.PDFVIP

第 期总第 期 国土资源遥感 年 月 日 改进的算法在遥感图像分类中的应用 赵 越 周 萍 中国地质大学北京地球科学与资源学院北京 摘要 遥感图像分类时如果类别不明算法随机选取不同初值会导致分类结果有较大的差异 针对此 问题提出了一种改进的算法 首先对遥感数据进行对数变换 然后采用主成分变换依据主成分贡献 率 选择参与分类的主成分数 根据第一主成分的概率密度函数确定初始分类数和初始分类中心 并确定 初始分类标签作为多个主成分的期望最大化 分类算法所需初始值 避开了随机选取初值的敏感问题 通过 实验数据验证 本文方法的分类精度优于传统的基于均值 方差的 算法 关键词 对数变换 主成分变换 概率密度函数 中图法分类号 文献标识码 文章编号 率密度函数确定初始分类数和相应的初始分类中 通过迭代计算得到最终的分类图 引言 心 是基于划分的聚类算法 该算法简 改进的算法 单快速是一种得到最广泛使用的聚类算法 在高 光谱遥感图像的非监督分类中具有较强的实用性并 传统的算法 表现出明显的优点 以为参数把 个 算法是 于 年提出 对象分为个类别以使类内具有较高的相似度类 的是至今运用最广泛的聚类算法之一 对于一个 间的相似度较低 根据一个类别中对象的平均值进 观测数据集 每个观测值是 维 的实向量聚类就是把 个观测值分为 行相似度的计算 对大数据集的处理 该算法是相对 个子集 具体过程如下 可伸缩和高效率的 但其缺点也非常明显 对初 始值非常敏感不同的初始值可能会导致不同的聚类 从全部数据中随机选取个数据作为初始 中心 结果 必须预先设定预计划分类数 在第次迭代中对任一样本按如下的 针对的上述弱点 等 提出 采用 为 赋初始值 先用 方法将其调整到个类别中的某一类别中 对于