复杂环境下高分二号遥感影像的城市地表水体提取

水体指数可以抑制背景噪声和提高地表水体的可分性,已经广泛用于地表水体提取。传统FCM聚类算法考虑了地物的不确定性,但没有顾及地物的邻域空间信息,对背景异质性比较敏感。针对传统FCM聚类算法的不足,提出一种可变邻域的区域FCM聚类算法。由于复杂环境下高分二号(GF-2)遥感影像的城市地表水体具有复杂异质背景和不确定性的特点,本文利用水体指数和区域FCM聚类算法的优点,提出一种整合水体指数和区域FCM的城市地表水体自动提取算法,该算法主要步骤包括:(1)去除影像阴影后计算归一化差分水体指数NDWI(Normalized Difference Water Index);(2)区域FCM聚类算法;(3)整合水体指数和区域FCM聚类的城市地表水体自动提取算法。最后采用两景GF-2高分辨率遥感影像(广州和武汉)进行实验,验证了该算法的有效性,并与经典地表水体提取算法进行对比分析。实验结果表明:该算法具有较高的水体提取精度,城市地表水体边界既具有较好的区域完整性又保持了局部细节,同时对城市地表水体复杂背景噪声具有较好的抑制作用,有效减少传统FCM聚类算法的"胡椒盐"现象。     

非等权距离改进的FCM多波段遥感影像监督分类算法

现实地理世界是一个极其庞大而复杂的多元系统,其间的众多的自然和半自然现象很难明确地划分为某种类别,在遥感影像中表现为混合像元的问题。因此,更符合遥感影像中地物特点的模糊聚类方法成为目前遥感分类领域的一个热点,用于有效解决混合像元分类的问题。但是,传统的模糊C均值聚类(FCM)算法仍然存在一定的局限性,例如,缺乏先验信息以及随机确定初始聚类中心等导致了分类结果精度不高。针对这些问题,提出一种改进的FCM算法,通过提取训练区并以训练区的光谱特性为基础改进FCM算法,以确定聚类中心,并实现各波段的非等权输入。最后以具有典型土地覆被状态的武汉市中心城区局部TM影像为例进行分类,研究表明,改进的FCM方法的分类精度显著高于经典的FCM算法,同时与传统硬划分方法迭代自组织数据分析技术ISODAT相比亦有显著优势;在效率方面,由于改进的FCM算法未采用自迭代方式,因此与经典的FCM算法相比,亦有明显提高。     

结合mRMR选择和IFCM聚类的遥感影像分类算法

为解决高分影像特征间相关性大冗余度高、FCM聚类稳健性差带来的分类精度不佳问题,提出一种基于mRMR选择和改进FCM聚类的影像分类算法。首先基于对象置信度指标（OC）进行影像分割,然后利用mRMR算法实现特征选择,解决特征冗余问题,最后将提取的特征输入分类器通过IFCM聚类,得到最终分类结果。试验结果表明,本文算法能减少特征间相关性,降低冗余,并有效提高影像分类精度。     

高光谱影像的改进K-均值监督式聚类分析方法

针对K-均值聚类存在的初始聚类中心不稳定、聚类数目难以确定的问题,提出利用正交投影散度(OPD)优化K-均值算法的初始聚类中心,设计了RD指标函数用于估计聚类数目k。将所提出的算法应用于高光谱影像特征提取与端元提取分析,实验结果表明,所提出算法的性能高于已有的类似算法。     

应用于遥感图像分割的原型提取谱聚类集成算法

针对遥感图像数据量大、类别归属复杂的特点,提出了一种用于遥感图像分割的原型提取谱聚类算法。该算法首先采用广义模糊c-均值聚类算法对遥感图像进行过分割,将得到的聚类中心作为每个分割区域的代表点;然后,通过构造代表点之间的相似性矩阵,利用谱图划分方法对代表点进行聚类;最后,根据代表点的聚类结果对图像像素点进行重新归类来获得遥感图像的最终分割结果。此算法涉及到3个参数,为了克服算法对于参数的敏感性和内在的随机性,进一步引入集成策略,给出了原型提取谱聚类的集成算法。     

FCM聚类算法协同Canny算子的遥感影像边缘检测方法

提出一种FCM聚类算法协同Canny算子的遥感影像边缘检测方法,算法采用中值滤波消除原始遥感影像中的非高斯噪声;采用FCM(Fuzzy C-mean)聚类算法将滤波处理后的遥感影像中的像素分为两类:边缘类像素和非边缘类像素,并得到聚类影像;最后采用Canny算子对聚类影像进行边缘检测得到遥感影像地物边缘信息。实验结果表明,文中提出的方法能有效消除遥感影像中的混合噪声并准确地检测出地物目标的边缘,是一种有效的遥感影像边缘检测方法。     

一种模糊聚类的遥感影像分析方法研究

针对传统模糊聚类的遥感影像分析方法的不足,重点研究基于模糊ISODATA聚类的遥感影像分析。通过Matlab软件编程实现基于迭代自组织数据分析技术、模糊C均值聚类、模糊ISODATA算法对合成图像、纹理图像及真实遥感影像的分类,并对其分类结果进行讨论。通过实验数据对比,评价FISODATA算法的优越性。实验结果表明:ISODATA算法及FISODATA算法都能够实现变类,而FCM算法只能在固定聚类数下进行分类,但是,ISODATA算法分类机制不稳定,不能每次都确定正确聚类数。在迭代过程中,将FISODATA算法引入模糊集理论,便能够快速准确的实现聚类数的确定。     

基于密度的加权K-Means算法

K-Means算法是比较流行的局域聚类算法,但由于其存在需要输入聚类数目以及对初始聚类中心敏感等缺陷,本文提出了一种基于密度的加权K-Means聚类算法来初始化聚类中心。该算法定义了点的密度函数和聚类中心函数,通过一定评价函数获取聚类中心。该方法获取的聚类中心不仅周围密度比较大,而且各个聚类中心之间相关性比较小,从而有效的减少了聚类时间,提高算法效率。     

数据质量聚类算法

在聚类算法中,聚类中心决定聚类的最终结果,而传统的分割聚类算法不能准确定位聚类中心。根据数据场提出了数据质量聚类中心的新概念,给出数据质量聚类算法,能够一次定位聚类中心,无需迭代,也无需预置聚类个数。7组对比实验表明,提出的方法能够准确定位聚类中心,获得良好的聚类结果和稳定性,优于传统的分割聚类算法和峰值密度聚类算法。     

条件随机场模型约束下的遥感影像模糊C-均值聚类算法

遥感影像具有丰富的空间相关信息,而传统的基于像元光谱的聚类算法并不能将空间信息融入聚类,聚类结果往往不好。针对这一问题,本文提出了一种条件随机场模型约束下的模糊C-均值聚类算法,通过邻域像元的分类先验信息对中心像元的类别进行约束从而提取空间相关信息,基于二阶条件随机场将光谱信息和空间相关信息同时融入聚类,并使用环形置信度迭代算法得到像元分类后验概率的全局最优推测。试验证明,本文算法能够有效地保持地物的形状特征,分类精度相比传统算法有所提高。     

一种新的融合空间信息的半监督变化监测方法

基于改进的半监督FCM算法和马尔科夫随机场,提出了一种新的融合空间信息的半监督变化监测方法。首先将两幅遥感图像相减得到差值图像,并通过第4波段的差值给出了一种新的样本标记方法;然后,通过标记样本对差值图像利用半监督FCM算法进行聚类;最后,为了提高监测精度和去除聚类噪音点,利用像元点之间的空间邻接关系和马尔科夫随机场,通过更新后的隶属度矩阵得到了监测结果。为了验证本文方法的有效性,选取了两组TM遥感图像,监测了森林的变化。试验结果表明,改进的半监督FCM算法可以减少监测的漏检率,马尔科夫随机场方法可以很好地去除聚类过程中形成的噪声点,减少监测的虚检率。     

基于色彩空间转换及模糊约束聚类的地形图自动分色

针对彩色地形图的自动分色问题，提出了一种新的模糊聚类算法。该方法首先对地图的色彩空间进行转换，使其支方图的峰谷特性更加明显，然后对模糊C—均值(FCM)聚类算法进行模糊约束，并把此算法扩展到2维空间，从而较好地解决了地图的自动分色问题。此算法已编程实现，效果比较理想。     

中心均匀化密度峰值聚类的激光点云分割

针对常规的密度峰值聚类算法在确定数据聚类中存在聚类中心的重复性、聚类不稳定、不适用于三维点云分割等问题,提出了中心均匀化聚类群融合算法.该算法对局部密度和距离函数进行归一化处理,较好地解决了这两种函数尺度不一的问题;基于局部密度和距离函数乘积的变化率来确定聚类中心,并对重复或距离很近的聚类中心进行了消除,避免了聚类中心非均匀分布对聚类的影响;利用数据点到聚类中心距离逐个确定每个数据的聚类归属,依据邻近聚类数据群之间的距离来判断邻近聚类之间的融合,实现对点云数据的有效分割.基于二维离散数据聚类及不同分辨率点云数据分割的实验结果表明:所提算法不仅适用于二维离散数据的聚类,也适用于三维点云数据的分割,且分割精度和稳定度要优于常规的CFDP、K-means、DBSCAN、DPC聚类算法和深度学习方法.     

一种利用像素邻域信息的模糊聚类图像分割算法

本文提出一种结合空间信息的模糊C均值聚类图像分割算法。该方法是利用每个像素的邻域像素的隶属度来修正FCM算法的隶属度函数,从而引入图像的空间信息,对隶属函数做了改进;依据平方误差和最小准则,从而确定模糊分类矩阵及聚类中心;并依据最大隶属度原则,划分图像像素的类别归属。实验结果表明,该方法能快速有效地分割图像,并且具有较强的抗噪能力。     

基于纹理特征融合与核模糊聚类的道路提取

根据高分辨率遥感影像中道路方向上的纹理一致性,提出了一种基于纹理特征融合与核模糊C均值聚类的高分辨率遥感影像道路提取新算法。该算法改进了角度纹理特征的计算方式,首先与Gabor纹理特征进行融合;再利用结合空间信息的核模糊C均值聚类算法对融合特征进行聚类,从而提取高分辨率遥感影像中的道路。实验结果表明,该算法可较高精度地从高分辨率遥感影像中提取具有一定纹理的道路。     

基于NDWI与改进型FCM相结合的高分一号影像水域信息提取方法研究

鉴于采用传统方法在提取高分辨率影像水域信息存在不足,本文以高分辨率国产卫星高分一号宽幅16 m空间分辨率多光谱影像为数据源,以浙江省钱塘江流域为研究区域,通过预先对影像进行NDWI处理,在此基础上利用改进FCM聚类算法实现了水域信息的自动提取,并与传统的NDWI和ISODATA分类方法提取结果进行比较。结果表明,该方法在分类效果和精度方面均优于传统分类方法,作为国产高分一号影像水域信息自动提取方法是可行的。     

出租车载客热点精细提取的改进DBSCAN算法

随着城市化水平的提高和居民公共交通出行的需求增长,要求有更精细化的聚类方法提取出租车载客的热点区域。针对基于密度聚类在出租车数据聚类中存在的问题,设计一种基于路网约束的改进DBSCAN算法。该算法通过将行程距离引入DBSCAN算法中,改进原有DBSCAN算法在出租车数据聚类中存在的精细尺度聚类参数选择和设置困难问题,弥补现有聚类算法在出租车载客热点区域提取方面的不足。利用武汉市出租车GPS轨迹数据进行的实验结果表明,在加入道路约束后,算法在出租车载客热点区域的精确提取方面具有较好的效果。     

彩色扫描地形图的分色方法

本文提出了一种新的地形图分色方法。首先去除背景像素,然后根据灰度梯度值提取主色像素,利用直方图模糊c-均值(FCM)聚类方法对主色像素进行颜色聚类,对去背景后的图像进行Canny算子的边缘检测。最后,利用加壳变换和障碍距离变换工具对符号周围的过渡像素进行聚类,从而实现黑棕兰绿四个分版图的提取。该方法效率较高,受图纸扫描质量的影响不大,分色效果较理想。     

改进的区间二型模糊聚类遥感影像变化检测

遥感影像的复杂模糊性问题会干扰影像变化检测的结果,可引入区间二型模糊C均值聚类算法解决此问题,但算法参数的随机性导致检测结果不稳定。本文首先利用局部最优解优化萤火虫算法中的候选解,引入可变步长因子,以此自适应寻优区间二型模糊C均值聚类算法的模糊因子;然后结合寻优得到的模糊因子进行区间二型模糊C均值聚类,迭代更新隶属区间提取变化信息;最后通过基于复合梯形法则的加权Karnik-mendel算法降型和解模糊优化聚类中心,依据最大隶属度原则判断变化类型。通过试验验证,本文方法得到更优模糊因子和更精确的聚类中心,具有更好的稳健性,变化检测精度得到提高,检测得到的变化区域更加精细。     

超谱遥感图像快速聚类无损压缩算法

K-means聚类要求每个像素要和所有聚类中心求欧氏距离，当聚类数很多时，这是一个相当耗时的工作。改进的K—meam聚类算法根据历史聚类结果进行初始类分割，即节约初始聚类时间，又能使历史聚类过程中形成的类间稳定关系得以保持；类内像素只和相邻的聚类中心计算距离进行聚类，随着算法的迭代进行，大量类的状态基本固定，使得聚类速度不断加快。基于改进K-means聚类的无损压缩算法具有充分利用历史聚类成果和收敛速度快的特点，通过提高类内像素冗余度，最大限度消除谱间冗余和空间冗余。采用多次聚类压缩的结果预测最佳聚类数的方法，可实现最小熵无损压缩。通过和DPCM算法概率模型的熵值比较及实验数据的分析，验证了基于聚类无损压缩效率比不聚类无损压缩效果更优。