基于模糊三I算法地遥感影像聚类分析关键技术研究.docxVIP

集美大学硕士学位论文 基于模糊三 I 算法的遥感影像聚类分析关键技术研究 第1章 引言 1.1 研究的意义 经过几十年的发展，遥感影像技术无论是在空间分辨率、光谱分辨率，还是时间分辨率等方面都有着很大的进步，在遥感应用中已基本形成了高光谱、高空间分辨率、全天时、全天候的对地观测能力。随着各种类型空间的传感器大量应用及其分辨率的迅速提高，不断地丰富了遥感影像信息，即在相同条件下，高分辨率遥感影像中综合了地面各特征，包含了更为丰富的地表物体颜色（灰度）、形状结构以及纹理等信息特征，从而使得遥感影像数据的应用领域也越来越广。 在遥感影像的研究和应用中，人们往往只对影像中的某些部分感兴趣，这些感兴趣部分通常被称为目标或者前景（其它部分则称为背景），它们在影像中一般是具有自己独特性质的一个或多个区域。为了辨识和分析影像中的目标，或者进一步地研究利用这些目标，需要将这些区域从影像中分离提取出来。然而，对影像目标的提取，首先应把具有相同性质的目标元素划分到同一类，即元素聚类。遥感影像聚类是指把影像中具有相同特征的元素划分到同一个集合，并提取出感兴趣目标区域的技术和过程。其中，这里的特征是指遥感影像特征，包括对象的灰度特征、纹理特征、形状结构特征等。影像聚类是遥感影像分析的一个重要内容，从影像中提取各类地物或其它建筑物类别等是摄影测量与遥感领域的难题和重点，它对遥感影像的分析起到至关重要的作用。 目前，随着遥感平台的多样化、遥感影像分辨率的不断提高，再加上计算机技术的迅猛发展，遥感技术不再单纯地应用于传统测绘、土地利用、环境保护、农业种作等部门，已逐渐渗透到通讯、生态、旅游等领域，极大地丰富了遥感影像的应用领域。针对不同的领域、不同的影像类型、不同的影像分辨率和不同的地物类型，学者们提出了不同的遥感影像聚类方法。 当然，影像分辨率越高，影像类别的细节特征越来越丰富，包含的地物目标也越来越多，许多较混合的、在低分辨率影像上难以辨别的地物也能够分辨出来。然而，伴随影像丰富特征的是影像中的细小目标、阴影等非目标噪声也随之越来越多，利用目前已有算法来对高分辨率遥感影像地物进行聚类获得的效果不尽理想，而且有的算法不具有适用性。同时基于各地物类别之间的边界处像元归属类别表现为不确定的特性，因而充分利用遥感影像并结合模糊数学理论、计算机图形学、模式识别、人工智能等信息科学技术，利用模糊集理论和模糊推理知识对高分辨率遥感影像聚类分析的研究有着十分重要的理论和现实意义。 1 集美大学硕士学位论文 基于模糊三 I 算法的遥感影像聚类分析关键技术研究 1.2 国内外研究现状 遥感影像聚类一直是遥感应用领域中的一个重要研究课题，在过去的低分辨率影像中，利用影像的灰度特征进行聚类是最为简单、也是最为常见的方法。由于获得的影像信息非常的粗糙，聚类效果受到分辨率的极大限制；同时，在地物的提取过程中，有研究人员通过结合地物的形状特征来进行聚类，获得了比较好的效果。但是，一般地物的形状不好确定，给聚类带来了难以克服的困难；还有些学者通过在基于像素的聚类器中结合纹理特征以及上下文信息来提高聚类的精度[1]，获得了较好的整体效果。然而，随着遥感影像分辨率的不断提高，影像的灰度信息足以满足人们肉眼辨别物体的要求，弥补了低、中分辨率影像信息粗糙的不足。因而，利用高分辨率遥感影像进行聚类分析具有很大地发展潜力。 遥感影像的应用已经渗透到通讯、农业、生态、旅游等领域。近些年来，越来越多的研究人员开始关注高分辨率遥感影像的聚类。国内外的学者根据高分辨率遥感影像特点，在高分辨率遥感影像不同的应用领域中已取得一些研究成果。例如，利用最小距离聚类方法研究了遥感影像在土地中的利用[2]，对于加强土地资源管理、确保耕地总量动态平衡有着重要的意义；文献[3]将遥感影像用于人口密度的估计，极大地弥补了人口普查周期长、工作量大、成本高的缺陷；有学者研究了EM分类算法将遥感影像应用到作物生长的监测[4-6]，并设计了自动检测系统，为区域尺度作物生长的监测和精确管理调控提供了决策支持；还有学者利用高分辨率遥感影像进行震害评估以及地表破裂的位置和展布情况的分析[7]。除此以外，利用不同的聚类算法，高分辨率遥感影像还被利用在地图的修测、灾情分析、地物的提取、森林的分类[8-11]等实际应用中，都得到了肯定的认可。 经过 30 多年的发展，学者们提出了大量的影像聚类方法，大致可分为基于像元的聚类算法和面向对象的影像聚类算法两类。基于像元聚类算法主要包括监督聚类算法和无监督聚类算法。其中，传统的监督聚类算法包括有 Fisher 线性判别法、基于最小错误概率的 Bayes 聚类算法、极大似然法、最小距离和 BP 神经网络聚类法等[12]。这些方法首先均是在根据各类别的先验知识基础上确定聚类的准则函数以及相应的判别准则。