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。     

可扩展的迭代自组织分析并行处理算法

随着遥感影像数据量的增加,传统非监督分类迭代自组织分析(ISODATA)算法的运算将十分耗时,应用并行计算技术能够有效解决该性能瓶颈。针对现有基于并行计算模型MapReduce的遥感迭代自组织分析并行算法存在的局限性,提出一种可扩展的基于MapReduce的迭代自组织分析并行处理算法。该算法通过其包含的全局子采样算法、聚类中心点集合过滤算法以及聚类映射算法,有效克服了现有并行算法中存在的不足。实验结果表明,在同等规模遥感计算中,该算法效率高于现有并行处理算法,具有良好的加速比,且在处理更大的影像块时具有更高的精度。     

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。     

影像增强对 ISODATA 遥感影像分类结果的影响

ISODATA算法是遥感影像非监督分类的典型算法之一。在进行非监督分类前,需要对遥感影像进行必要的处理,影像增强就是其中最为重要的步骤之一。本文通过对ISODATA算法和影像增强算法的阐述,分析了影像增强算法与非监督分类结合的方式和局限性。并通过实验分析了常用影像增强算法对非监督分类结果的影响,科学合理的选择适当的影像增强算法来提高非监督分类的可靠性。     

影像增强对ISODATA遥感影像分类结果的影响

ISODATA算法是遥感影像非监督分类的典型算法之一。在进行非监督分类前,需要对遥感影像进行必要的处理,影像增强就是其中最为重要的步骤之一。本文通过对ISODATA算法和影像增强算法的阐述,分析了影像增强算法与非监督分类结合的方式和局限性。并通过实验分析了常用影像增强算法对非监督分类结果的影响,科学合理的选择适当的影像增强算法来提高非监督分类的可靠性。     

自适应模糊聚类高分辨率遥感影像分类算法

为了实现高分辨率遥感影像分类数的自动确定,在传统模糊聚类算法的基础上引入分裂合并操作,提出自适应模糊聚类的高分辨率遥感影像分类算法。该算法提高分裂合并的准确性,并在每次分裂合并后利用模糊聚类分类算法优化其分割结果,而后将参数赋予相应阈值,以实现阈值的自适应确定。有效避免算法陷入局部极值,解决传统模糊聚类算法依赖初始聚类中心选择的问题。     

遥感影像分类中的模糊聚类有效性研究

通过不同遥感影像对常用的模糊聚类有效性指数进行测试,检验这些指数能否适用于遥感影像分类.实验结果证明,Xie-Beni系列指数能够有效地获得遥感影像最优分类数,相对于其他模糊聚类有效性指数更适用于遥感影像分类.     

一种改进的全极化SAR图像MCSM-Wishart非监督分类方法

针对H/Alpha/A-Wishart非监督分类算法存在的未充分提取SAR图像极化信息和分类精度低等问题,引入多分量散射模型(multiple-component scattering model,MCSM)分解,提出了一个适用于全极化SAR图像非监督分类的MCSM-Wishart算法。首先对全极化SAR图像进行MCSM分解,提取体散射、二次散射、螺旋体散射、表面散射和线散射极化信息,采用迭代自组织数据分析技术(iterative self-organizing data analysis technique,ISODATA)的非监督分类算法进行聚类;然后通过基于描述多视协方差矩阵的复Wishart分布的迭代分类得到分类结果。以南京溧水和盐城滨海湿地的ALOS PALSAR图像为研究数据,比较了H/Alpha-Wishart算法、H/Alpha/A-Wishart算法、MCSM-Wishart算法和监督-Wishart算法4种分类方法。研究结果表明,MCSM-Wishart分类算法在效率、总体准确率和Kappa系数等指标上均较原始分类器有一定的提高;将ISODATA聚类算法应用于复Wishart分布的迭代分类器中,可有效提高分类的精度。     

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。     

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.     

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。     

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。     

Robust Semi-supervised Kernel-FCM Algorithm Incorporating Local Spatial Information for Remote Sensing Image Classification

Fuzzy c-means (FCM) algorithm is a popular method in image segmentation and image classification. However, the traditional FCM algorithm cannot achieve satisfactory classification results because remote sensing image data are not subjected to Gaussian distribution, contain some types of noise, are nonlinear, and lack labeled data. This paper presents a robust semi-supervised kernel-FCM algorithm incorporating local spatial information (RSSKFCM_S) to solve the aforementioned problems. In the proposed algorithm, insensitivity to noise is enhanced by introducing contextual spatial information. The non-Euclidean structure and the problem in nonlinearity are resolved through kernel methods. Semi-supervised learning technique is utilized to supervise the iterative process to reduce step number and improve classification accuracy. Finally, the performance of the proposed RSSKFCM_S algorithm is tested and compared with several similar approaches. Experimental results for the multispectral remote sensing image show that the RSSKFCM_S algorithm is more effective and efficient.     

基于模糊小脑模型神经网络的遥感图像分类算法

针对遥感图像分类的特点，提出一种基于模糊小脑模型神经网络的遥感图像分类算法，首先阐述小脑模型神经网络的工作原理，然后将模糊理论引入小脑模型神经网络，提出一种能反映人脑认知的模糊性和连续性的模糊小脑模型神经网络，并将其应用于遥感图像分类，实验结果表明，这种基于模糊小脑模型神经网络的分类器经过训练后，可应用于遥感图像的分类，其分类精度明显高于传统的最大似然分类法。     

Segmentation and classification of high spatial resolution images based on Hölder exponents and variance

Pixel-based or texture-based classification technique individually does not yield an appropriate result in classifying the high spatial resolution remote sensing imagery since it comprises textured and non-textured regions. In this study, Hölder exponents (HE) and variance (VAR) are used together to transform the image for measuring texture. A threshold is derived to segment the transformed image into textured and non-textured regions. Subsequently, the original image is extracted into textured and non-textured regions using this segmented image mask. Afterward, extracted textured region is classified using ISODATA classification algorithm considering HE, VAR, and intensity values of individual pixel of textured region. And extracted non-textured region of the image is classified using ISODATA classification algorithm. In case of non-textured region, HE and VAR value of individual pixel is not considered for classification for significant textural variation is not found among different classes. Consequently, the classified outputs of non-textured and textured regions that are generated independently are merged together to get the final classified image. IKONOS 1 m PAN images are classified using the proposed algorithm, and the classification accuracy is more than 88%.     

一种顾及上下文的遥感影像模糊聚类

模糊聚类是非监督分类中的一类重要方法。传统的模糊聚类方法应用于遥感影像的非监督分类时，均未考虑到邻域像元间的统计依赖关系即上下文信息。针对这一缺陷，在Markov随机场模型框架下，引入了空间隶属度概念，提出了一种顾及上下文信息的模糊聚类算法，有效地提高了聚类精度和抗噪声能力。针对需要预先指定聚类个数的问题，采用了一种兼顾类别内部紧密程度和类别之间分离程度的评价指标，用以检验聚类结果的有效性。从而找出最优的聚类个数，在一定程度上提高了聚类结果的客观性。最后通过实验验证了本文算法的有效性。     

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。