粗糙集理论在遥感影像分割中的应用

结合粗糙集理论和K—均值聚类算法,提出一种遥感影像的粗糙聚类分割方法。根据遥感影像中特征属性的相互依赖关系,应用粗糙集理论的等价关系,求出K—均值聚类所需要的初始类的个数和均值,然后采用聚类算法对图像进行分割。实验结果表明该方法比随机选取聚类的中心点和个数减少了运算量,提高了分类精度和准确性。     

基于多分辨分析的滤波算法在SAR图像斑点噪声消除中的应用

合成孔径雷达 (SAR)图像一般都存在相干噪声 ,对地物信息的提取及 SAR图像应用的干扰非常严重 ,对此许多人提出了不少处理方法 ,并分析对比了多种滤波算法 ,认为改良 K -均值自适应滤波效果最佳。本文中分析了改良 K -均值自适应滤波法的数学基础的局限性 ,并采用了一种基于多分辨分析的滤波算法 ,该算法通过将噪声 (或较小的结构特征 )与较大的结构特征相分离 ,然后滤出噪声 (或较小的结构特征 ) ,从而达到消除斑点噪声的目的。实验结果证明 ,基于多分辨分析的滤波算法在消除 SAR图像的斑点噪声方面优于改良 K -均值自适应滤波法。     

基于粗糙集的K--均值聚类算法在遥感影像分割中的应用

结合粗糙集理论和K——均值聚类算法，提出一种遥感影像的粗糙聚类分割方法。根据遥感影像中特征属性的相互依赖关系，应用粗糙集理论的等价关系。求出K——均值聚类所需要的初始类的个数和均值。然后采用聚类算法对图像进行分割。实验结果表明该方法比随机选取聚类的中心点和个数减少了运算量．提高了分类精度和准确性。     

步态特征提取的K均值聚类自适应判别

针对微惯性零速修正算法中步态特征的准确提取,以及步态特征的无规律性成为制约行人导航系统中步态信息提取与辨识的问题,该文提出一种基于K均值聚类自适应的行人步态特征辨别方法。分析行人步态规律并通过设定角速率阈值法对步态特征进行初判后,采用K均值聚类自适应算法设定时间阈值并将误判的步态进行纠正。为验证该算法的普适性,分别针对不同测试个体和同一个体5组不同行走速度条件下的步态特征判别实验,结果表明,本文提出的步态自适应判别方法对不同个体具有良好的适应性;为进一步验证K均值自适应步态判别算法对人员位置解算的准确性,分别开展圆形及400m跑道闭合行走实验,对比不同行走路径对应的位置误差可看出,解算位置误差虽然随行走距离增大而增加,但其相对误差均不超过2%。     

核聚类改进的RBF神经网络遥感影像分类

为提高RBF神经网络遥感影像分类算法的分类效果,本文提出了一种基于核聚类的改进方法。文中采用武汉地区的SPOT影像为实验数据,比较了改进算法与传统基于K均值的RBF神经网络的分类结果,试验表明改进算法的总体精度和Kappa系数均高于传统算法。     

一种基于顶点聚类的线要素简化算法改进

首先介绍了一种利用SOM神经网络对顶点进行聚类的线要素简化算法,该算法以线要素各顶点x,y坐标为输入样本集,经过SOM神经网络的训练,形成对原有顶点的聚类,每个聚类保留一个顶点作为简化后的结果。然后分析该算法存在的一些问题,先假设加入角度和距离两维能改善原算法的效果。最后自主实现算法,并采用相关实验数据加以验证,证明增加SOM维数确实行之有效。     

K均值聚类算法的研究与并行化改进

K均值算法是一种常用的聚类分析方法,广泛应用于图像处理和机器学习等领域。但该算法具有较高的计算复杂度,导致了算法具有较大的局限性。为了提高算法的运行效率,本文在深入分析算法基本原理的基础上,利用CUDA架构提供的强大计算能力对该算法进行了并行化改进。实验结果表明,算法在取不同的聚类数时均取得了较高的加速比。     

基于均值-标准差的K均值初始聚类中心选取算法

遥感图像分类是遥感图像处理中长期存在的一个难题，针对不同的传感器图像，不同的应用需求，选择合适的分类算法非常重要。在分类中不仅要考虑分类的精度，而且要考虑分类效率。本文研究了K均值算法的初始聚类中心的选择对算法本身聚类精度及效率的影响，提出了一种高效高精度的初始聚类中心选取方案，实验结果表明。利用该算法进行地表分类，效率比ENVI的K-Means（K均值）模块高。     

基于K均值聚类的高光谱遥感影像分类研究

讨论了信息熵和均匀光谱间隔(USS)两种无监督高光谱影像波段选择方法,分析比较了基于K均值聚类的欧氏距离、相关系数以及光谱角3种相似性度量。实验表明,利用USS对高光谱影像降维,采用将欧氏距离作为相似性度量的K均值聚类方法进行影像分类,所得到的分类结果精度较高,计算时间较短。     

空间斜墨卡托投影及其在遥感图象处理中的应用

本文推导了球体、椭球体空间斜墨卡托(SOM)投影公式;指出了空间投影的特点和用途,给出了可实际应用的SOM投影正反解公式计算程序包;分析了真(垂直)卫星地面轨迹投影线附近的变形情况,提出了一种正形多项式快速算法,提高了SOM投影正反解计算速度;最后给出了SOM投影与传统地图投影(例如高斯、等角园锥投影)的转换程序包。     

K-means++分区法在密集型测站中的应用研究

GAMIT软件在解算大型密集测站时一般需要进行分区处理,分区解算对结果的精度具有一定的影响。为了解决一般分区方法中长短基线同时存在而导致整网解算精度降低的问题,引入了K-means++算法和Hash算法实现分区,简称为K-means++分区法。首先利用K-means++算法对测站进行聚类,再利用Hash算法进行排序组合,这样能得到分布均匀的子网。文中采用整网解算结果作为标准值,分析区域分区法和K-means++分区法的基线长度、基线精度及三维坐标差,然后再将K-means++分区方法与间距分区法进行对比分析。实验结果表明,该方法比区域分区法精度更高,与现有的间距分区方法精度相持,且比间距分区法要稳定高效。      

基于粗糙集的K-均值聚类算法在图像分割中的应用

结合粗糙集理论和K-均值聚类算法,提出了一种图像的粗糙聚类分割方法,试验结果表明,其比随机选取聚类的中心点和个数减少了运算量,提高了分类精度和准确性。     

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。     

Comparison of Geographically Weighted Regression and Regression Kriging for Estimating the Spatial Distribution of Soil Organic Matter

Soil organic matter (SOM) is an important component of soils, and knowing the spatial distribution and variation of SOM is the premise for sustainably utilizing soils. The objective of this study was to compare geographically weighted regression (GWR) with regression kriging (RK) for estimating the spatial distribution of SOM using field-sample data in SOM and auxiliary data in correlated environmental variables (e.g., elevation, slope, ferrous minerals index, and Normalized Difference Vegetation Index). Results showed that GWR was a relatively better method and could provide promising results for SOM prediction in comparison with RK. The map interpolated by GWR showed similar spatial patterns influenced by environmental variables and the nonapparent effect of data outliers, but with higher accuracies, compared to that interpolated by RK.     

Combining Geo‐SOM and Hierarchical Clustering to Explore Geospatial Data

Geo‐SOM is a useful geovisualization technique for revealing patterns in spatial data, but is ineffective in supporting interactive exploration of patterns hidden in different Geo‐SOM sizes. Based on the divide and group principle in geovisualization, the article proposes a new methodology that combines Geo‐SOM and hierarchical clustering to tackle this problem. Geo‐SOM was used to “divide” the dataset into several homogeneous subsets; hierarchical clustering was then used to “group” neighboring homogeneous subsets for pattern exploration in different levels of granularity, thus permitting exploration of patterns at multiple scales. An artificial dataset was used for validating the method's effectiveness. As a case study, the rush hour motorcycle flow data in Taipei City, Taiwan were analyzed. Compared with the best result generated solely by Geo‐SOM, the proposed method performed better in capturing the homogeneous zones in the artificial dataset. For the case study, the proposed method discovered six clusters with unique data and spatial patterns at different levels of granularity, while the original Geo‐SOM only identified two. Among the four hierarchical clustering methods, Ward's clustering performed the best in pattern discovery. The results demonstrated the effectiveness of the approach in visually and interactively exploring data and spatial patterns in geospatial data.     

基于SOM的高分辨率遥感影像道路网自动提取

本文研究基于SOM(Self-Organizing Feature Map)神经网络学习模型的高分辨率遥感影像道路网自动提取算法。首先利用数学形态学提取遥感图像道路的初始道路区域信息,自动对原始图像进行分区并确定神经元初始权值,用SOM网络学习模型对神经元进行训练学习,经迭代获取道路网中心点位置,最后运用"中心点四邻域跟踪判别法"跟踪连接形成道路中心线。实验表明,该方法在高分辨率遥感影像道路网的提取上有较好的效果,特别在主干道路网的提取上效果更佳,对噪声干扰具有良好的鲁棒性。     

星地多源数据的区域土壤有机质数字制图

土壤有机质(SOM)是全球碳循环、土壤养分的重要组成部分,精确估算土壤有机质含量具有重要意义。本文以中国东北—华北平原为研究区,收集了1078个土壤样本,以遥感数据(MODIS,TRMM和STRM数据)与土壤地面光谱数据为预测因子,运用基于树形结构的数据挖掘技术构建土壤有机质-环境预测因子模型进行数字土壤制图。通过不同建模样本数建模精度比较,选择300个样本数时的模型为最优模型。建模结果表明土壤光谱和气候因子是研究区SOM变异的主控因子,生物因子次之,而地形因子影响最小。预测结果经检验,RMSE为7.25,R2为0.69,RPD为1.53制图结果与基于第二次全国土壤普查数据的土壤有机质地图具有相似的分布规律,呈现SOM自东北向西南递减的趋势。通过比较分析发现,经过20年左右的土地开发与利用,研究区低SOM和高SOM含量土壤面积减少,而中等SOM含量土壤面积增加。     

高光谱遥感土壤有机质含量信息提取与分析

通过分析室外实测的土壤光谱与室内测定的土壤化学成分之间的关系,利用单相关分析和线性回归等统计学方法,结合光谱微分技术,建立了武汉地区土壤有机质含量预测模型。选取精度较高的反射率对数的一阶微分模型应用到Hyperion影像中,获得了研究区土壤有机质分类图。