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。     

融合增强型模糊聚类遗传算法与ISODATA算法的遥感影像分类

针对ISODATA算法预设参数较多,其聚类中心与最优迭代数目很难预先准确设定,且在聚类时没有将影像自身特点充分考虑,对个体适应度函数重视不够的问题,本文提出一种融合增强型模糊聚类GA与ISODATA的聚类方法,对聚类原型矩阵进行编码,构造隶属度矩阵,解求个体适应度函数值,在影像特征空间中搜索得到样本全局收敛极值点。通过试验证明,该方法能避开随机初选值的敏感问题,避免聚类过程的随机性,使分类结果与实际情况更为接近,该算法精度优于传统的ISODATA算法与模糊聚类GA算法,提高了分类的精度,整体效果较好。     

空间数据模糊聚类的有效性评价

基于模糊划分中存在的分类不确定性因素和空间数据的空间位置特征,提出了一种新的空间数据模糊聚类有效性函数。实验结果表明,这种新的有效性函数能够对模糊聚类结果的有效性进行正确的评价,特别是对于空间数据模糊聚类有效性评价,其分类效果较理想,同其他有效性指标相比,能得到较优的分类数。     

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。     

空间层次聚类显著性判别的重排检验方法

同时顾及空间邻近与专题属性相似的空间层次聚类是挖掘空间分布模式的一种有效手段。空间层次聚类方法虽然可以获得多层次的聚集结构,但聚类结果显著性的统计判别依然是一个尚未解决的难题。为此,本文提出了一种空间层次聚类结果显著性的统计判别方法,用于确定空间层次聚类的停止准则,减少聚类过程对参数设置的依赖。通过试验分析与比较发现,该方法能够有效判别空间层次聚类结果的显著性和确定层次聚类合并过程的停止条件,同时具有很好的抗噪性,避免随机结构的干扰。     

基于马尔可夫随机场的模糊c-均值遥感影像分类

针对模糊c-均值聚类方法对初始值敏感,且在聚类时忽略空间相关信息的不足提出一种基于马尔可夫随机场的模糊c-均值聚类方法,该方法用马尔可夫随机场来描述像元的空间相关性,形成顾及空间相关的模糊c-均值分类方法。初始值依据第一主成分的密度函数确定,既克服对初始值的依赖性,又在聚类的时候考虑空间相关信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊c-均值模型。     

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。     

综合聚类和上下文特征的高光谱影像分类

常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法（最小噪声分离、独立成分分析和主成分分析）下,使用不同聚类方法（k-均值、迭代自组织分析算法和模糊c-均值算法）借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。     

改进相似性测度的高光谱影像FCM聚类分析

高光谱遥感将反映目标辐射属性的光谱信息与反映目标空间几何关系的图像信息有机地结合在一起,能够实现地面目标的精细分类识别。FCM是一种有效的聚类算法,但存在相似性测度模型单一、分类精度的提高受到限制等问题。文中结合高光谱影像的技术特点,综合考虑光谱曲线的形状、地物辐射亮度及其权重,提出可以更好描述光谱向量之间的相似性的距离测度,并将其引入到FCM聚类模型中。聚类分析试验结果表明：通过改进和优化相似性测度的FCM,可以显著提高高光谱影像聚类精度。     

具有鲁棒性的彩色图像检索方法

提出了一种鲁棒的图像检索方法，它能够在检索大规模图像库时实现基于内容的快速匹配。匹配的索引来源于重量化HSV颜色空间得到的灰度图（Z值图）的区域特征。由于Z值图由反映色彩的聚类区域组成，并且使用矩方法来表达特征，因此该检索方法是鲁棒的，具有2维平移、尺度、旋转不变性，同时可以避免逐点匹配产生的时间耗费。     

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。     

基于改进的模糊c-均值聚类方法遥感影像分类研究(英文)

Classification is always the key point in the field of remote sensing. Fuzzy c-Means is a traditional clustering algorithm that has been widely used in fuzzy clustering. However, this algorithm usually has some weaknesses, such as the problems of falling into a local minimum, and it needs much time to accomplish the classification for a large number of data. In order to overcome these shortcomings and increase the classification accuracy, Gustafson-Kessel （GK） and Gath-Geva （GG） algorithms are proposed to improve the traditional FCM algorithm which adopts Euclidean distance norm in this paper. The experimental result shows that these two methods are able to detect clusters of varying shapes, sizes and densities which FCM cannot do. Moreover, they can improve the classification accuracy of remote sensing images.     

一种基于进化Agent的遥感影像亚像元定位方法

遥感影像中存在着昆合像元,软分类技术将这些像元按照一定的百分比划分为不同的地物类别,亚像元定位技术利用在每个混合像元中所获得的百分比信息,得到一个锐化后的分类影像.像元分解成不同的子像元,代表不同的地物类别成分.进化Agent技术结合一种空间邻域的假设关系,通过繁殖和扩散两种行为模式,分配给每一个亚像元一个确定的位置,从而达到定位的效果.利用合成影像和退化的真实影像进行实验,通过与传统的硬分类进行精度比较,证明进化Agent技术是一种简单易行的亚像元定位算法.     

基于马尔科夫随机场与模糊C均值的遥感影像分类

模糊C均值聚类是一种经典的非监督聚类模型,成功地应用于遥感影像分类。但是该方法对初始值敏感,容易陷入局部最优解;同时聚类时仅考虑光谱信息,忽略了空间信息。本文提出了一种新的基于马尔科夫随机场的模糊C均值聚类方法,该方法把马尔科夫随机场和模糊C均值结合在一起。初始值依据第一主成分的密度函数确定,这样克服了对初始值的依赖性,又在聚类的时候考虑了空间信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊C均值模型。     

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。     

改进的模糊聚类遥感影像分割

聚类是数据挖掘的重要分支之一,引入模糊理论的模糊聚类分析为显示数据提供了模糊处理能力,在许多领域被广泛应用。本文应用考虑邻域关系的约束模糊C均值(Fuzzy C-Means with Constrains,FCM_S)算法,将邻域像素引入到目标函数中,进而有效地利用邻域像素信息,提高分割精度。本文应用FCM_S算法对模拟彩色纹理图像进行分割,计算其混淆矩阵,定性定量地与FCM算法进行对比分析,证明了该算法的鲁棒性。     

基于PCM改进算法的遥感混合像元模拟分析

混合像元的存在是影响遥感图像分类精度的主要原因,模糊分类是进行混合像元分解的重要方法,其效果的好坏取决于各像元分类后对各类别的隶属度值能否准确地反映像元的类别组成。当非监督分类中的聚类数目与实际类别数目不符,或者监督分类中训练样本存在未训练类别时,常用的模糊c-均值(FCM)方法的效果将大大降低,而可能性c-均值(PCM)方法则可以解决这个问题。该文提出了基于PCM算法的遥感图像混合像元分解方法,并用监督分类方法实例说明PCM方法的优越性。     

ANFIS Based Land Cover/Land Use Mapping of LISS IV Imagery Using Optimized Wavelet Packet Features

Digital image classification is the process of sorting all the pixels in an image into a finite number of individual classes. But, it is difficult to classify satellite images since they include both pure pixels and boundary pixels. The boundary pixels are ‘mixed’ pixels, representing an area occupied by more than one ground cover. That is, class boundaries represented by pixels, are not sharp but fuzzy. This paper discuses the application of Adaptive Neuro-Fuzzy inference system (ANFIS) for classification of remotely sensed images that contains mixed pixels. Decision making was performed in two stages: feature extraction using the Wavelet Packet Transforms (WPT) and the ANFIS trained with the back propagation gradient descent method in combination with the least squares method for classification. Genetic Algorithms (GA) based approach is analysed for the selection of a subset from the combination of Wavelet Packet Statistical Features (WPSF) and Wavelet Packet Co-occurrence (WPC) textural feature set, which are used to classify the LISS IV images. GA has been employed to reduce the complexity and increase the accuracy of classification. Four indices—user’s accuracy, producer’s accuracy, overall accuracy and kappa co-efficient are used to assess the accuracy of the classified data. Experiments show that the proposed approach produces better results compared to the results obtained when classical classifiers are used.     

多维特征自适应MeanShift遥感图像分割方法

针对MeanShift算法分割遥感图像的自动化程度和精度不高的问题,提出一种多特征自适应Mean—Shift遥感图像分割方法。3组实验结果表明,本方法相比EDISON软件能得到更好的分割效果,且能在一定程度上提高遥感影像分割的自动化。