模糊聚類在遙感圖像分割中的應用研究.pdf

1、遙感圖像分割是指對遙感圖像進行處理和分析，從中提取目標特征的技術和過程。模糊聚類算法應用在遙感圖像分割上是近年來研究的熱點，本研究以安徽省東至縣梅城林場2006年同期LandsatETM+遙感圖像為主要數據源，在RS與GIS的支持下，利用Erdas9.0對遙感圖像進行波段組合、幾何校正、圖像融合等預處理，使用一些改進的模糊聚類算法對圖像進行分割，實驗結果表明，文中所提出的模糊聚類的新算法都取得了良好的效果。并根據項目的實際需要對算法進行

2、了實現(xiàn)，設計完成了遙感圖像分割演示系統(tǒng)。
　　 歸納起來，本文的創(chuàng)新性研究成果主要體現(xiàn)在以下幾個方面：
　　 (1)提出兩種基于核的改進模糊聚類算法：基于核的模糊聚類中心分離算法(KFCCS)和基于核的簇間分離聚類算法(KICS)。KFCCS是通過一種模糊聚類中心分離(FCCS)算法的改進。KFCCS能映射輸入數據集到一個高維特征空間，在此空間中KFCCS能執(zhí)行聚類未標記數據。通過使用核方，KFCCS能比模糊C-均值聚類

3、(FCM)和FCCS更好處理線性非分離問題，實驗表明KFCCS有很好的特性；KICS是由一種簇間分離聚類(ICS)的改進算法。KICS能映射輸入數據點到一個高維特征空間，在此空間中KICS能執(zhí)行聚類未標記數據，使用KICS能比FCM和ICS更好地處理線性非分離問題。實驗表明了KICS有更好的特性。
　　 (2)提出兩種基于參數優(yōu)化的模糊聚類算法：基于參數優(yōu)化的改進型可能聚類算法(IPCAOP)和非參數化的廣義噪聲聚類(GNCIP

4、)算法。IPCAOP算法是由可能聚類算法(PCA)和可能C-均值聚類算法(PCM)相結合提出的一種改進算法，由于PCA和PCM對初始值非常敏感，容易產生一致性聚類。改進型可能C-均值聚類算法(IPCM)能解決PCM的問題。然而，IPCM的執(zhí)行更依賴于參數。IPCM必須計算參數兩次，因此聚類時間長。為了克服PCA和IPCM的缺點，將PCA和IPCM相結合提出IPCAOP。通過實驗表明，IPCAOP在處理遙感圖像分割方面明顯優(yōu)于模糊C-均值

5、聚類(FCM)和IPCM。GNCIP算法是由廣義噪聲聚類(GNC)和PCA結合提出的一種改進算法，為解決GNC算法非常依賴參數和在運行GNC算法前必須運行FCM算法以便計算參數的缺點。在GNC的目標函數和PCA基礎上，提出GNCIP算法。GNCIP通過一種非參數化方法計算GNC目標函數中的參數，因而GNCIP不依賴參數并且聚類速度快于GNC。通過對人工含噪聲數據集和兩個實際數據集做仿真實驗，實驗結果表明了GNCIP具有很好地處理含噪聲數