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。     

自适应区间二型模糊聚类的遥感影像变化检测

由于遥感影像变化检测面临"同物异谱"、"同谱异物"等诸多不确定的问题,传统一型模糊聚类算法不能描述其高阶不确定性,难以对差异影像进行准确建模分割出变化信息。针对上述问题,在引入区间二型模糊聚类的基础上,提出了一种自适应区间二型模糊聚类的遥感影像变化检测算法。通过构造自适应邻域加权距离度量的方式更新隶属度,不仅降低了传统区间二型模糊分析算法对参数的依赖,还可以有效利用邻域信息,最后通过迭代更新隶属度实现地物变化信息的提取。利用两组遥感影像数据验证了该方法的有效性。     

自适应蚁群和模糊聚类的SAR图像分割

针对传统蚁群算法及模糊C-均值聚类算法在合成孔径雷达遥感图像分割中精度低下和收敛速度较慢的问题,该文提出了一种改进的自适应阈值的蚁群及模糊C-均值聚类算法,实现对复杂合成孔径雷达图像进行分割。针对不同的合成孔径雷达图像,首先利用最大类间方差法获取最优阈值,通过最优阈值干预避免蚁群算法陷入局部最优解;再将自适应阈值蚁群算法得到的聚类中心和聚类类别数输入模糊C-均值聚类算法中,最终实现图像分割。实验结果证明,该算法在时间和误分率上较传统方法有显著的改进。     

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Voronoi划分的区域化模糊聚类遥感影像分割

正随着遥感传感器分辨率的不断提高,高分辨率遥感影像在提供更多丰富地物细节信息的同时,也使影像中同质区域内像素光谱相似性减弱、同质区域间像素光谱相似性增强,从而增加了影像分割的不确定性。与此同时,影像中几何噪声更加明显,极易造成误分割。这些特点将导致传统影像分割方法无法实现高分辨率遥感影像的有效分割。为此,本文提出在影像域几何划分基础上的区域化模糊聚类遥感影像分割方法。该方法摒弃传统以像素为基本操作单元的方式,代之以Voronoi多边形为基本操作单元,在模糊聚类框架下实现区域化影像建模,进而定义区域化模糊聚类目标函数,以解决高分辨率遥感影像分割问题。论文的内容如下。     

高分辨率遥感影像超像素的模糊聚类分割法

传统模糊C均值聚类在影像分割中只考虑影像的灰度特征,导致该算法用于高空间分辨率遥感影像分割时分割结果不理想。针对该问题,本文提出了一种高分辨率遥感影像超像素的模糊聚类分割方法。该方法首先利用分水岭变换算法产生多个超像素子区域;然后比较各个子区域间光谱特征的相似性;最后利用融合光谱特征的模糊C均值聚类对这些超像素子区域进行合并。试验选用4组不同场景的遥感影像,采用定性和定量相结合的方法评价试验结果。试验结果表明,该方法有效提高了分割区域的分割精度,并取得了较好的分割视觉效果。     

自适应差分进化的遥感影像自动模糊聚类方法

遥感影像模糊聚类方法可以在无需样本分布信息的情况下获取比硬聚类方法更高的分类精度,但其仍依赖先验知识来确定影像地物的类别数。本文提出了一种基于自适应差分进化的遥感影像自动模糊聚类方法,该方法利用差分进化搜索速度快、计算简单、稳定性高的优点,以Xie-Beni指数为优化的适应度函数,在无需先验类别信息的情况下自动判定图像的类别数,并结合局部搜索算子对遥感影像进行最优化聚类。通过模拟影像以及两幅真实遥感图像的分类实验表明,本文方法不仅可以正确地自动获取地物类别数,而且能够获得比K均值、ISODATA以及模糊K均值方法更高的分类精度。     

一种融合超像素与最小生成树的高分辨率遥感影像分割方法

影像分割是面向对象高分辨率遥感影像分析的基础与关键。针对传统影像分割方法易受噪声影响,且难以确定合适的影像分割尺度的问题,本文提出了一种融合超像素与最小生成树的高分辨率遥感影像分割方法。首先用简单线性迭代聚类算法对影像进行过分割生成超像素;然后初始设定影像分割数,采用区域动态约束聚类算法对超像素进行合并,获得分割数-方差和、分割数-局部方差、分割数-局部方差变化率指标图,依据3个指标图确定合适的影像分割数;最后根据确定的合适影像分割数,采用区域动态约束聚类算法对超像素重新合并得到分割结果。定性对比试验和定量评价结果表明,本文方法可以有效地克服影像噪声对分割结果的影响,获得良好的影像分割结果。     

利用改进的FCM方法分割高分辨率遥感影像

传统的模糊C均值聚类算法进行图像分割时只考虑了图像的灰度特征,而忽略了图像中丰富的空间邻域信息,从而导致该算法对噪声很敏感,并得到错误的分割结果。提出两种利用空间信息改进的模糊C均值聚类算法分割高分辨率遥感影像,并通过大量试验验证其有效性,该算法可减少错误分类像素的数目,降低噪声的影响,提高分割结果的精度。     

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。