论文部分内容阅读
遥感图像分割是指对遥感图像进行处理和分析,从中提取目标特征的技术和过程。模糊聚类算法应用在遥感图像分割上是近年来研究的热点,本研究以安徽省东至县梅城林场2006年同期LandsatETM+遥感图像为主要数据源,在RS与GIS的支持下,利用Erdas9.0对遥感图像进行波段组合、几何校正、图像融合等预处理,使用一些改进的模糊聚类算法对图像进行分割,实验结果表明,文中所提出的模糊聚类的新算法都取得了良好的效果。并根据项目的实际需要对算法进行了实现,设计完成了遥感图像分割演示系统。归纳起来,本文的创新性研究成果主要体现在以下几个方面：(1)提出两种基于核的改进模糊聚类算法：基于核的模糊聚类中心分离算法(KFCCS)和基于核的簇间分离聚类算法(KICS)。KFCCS是通过一种模糊聚类中心分离(FCCS)算法的改进。KFCCS能映射输入数据集到一个高维特征空间,在此空间中KFCCS能执行聚类未标记数据。通过使用核方,KFCCS能比模糊C-均值聚类(FCM)和FCCS更好处理线性非分离问题,实验表明KFCCS有很好的特性；KICS是由一种簇间分离聚类(ICS)的改进算法。KICS能映射输入数据点到一个高维特征空间,在此空间中KICS能执行聚类未标记数据,使用KICS能比FCM和ICS更好地处理线性非分离问题。实验表明了KICS有更好的特性。(2)提出两种基于参数优化的模糊聚类算法：基于参数优化的改进型可能聚类算法(IPCAOP)和非参数化的广义噪声聚类(GNCIP)算法。IPCAOP算法是由可能聚类算法(PCA)和可能C-均值聚类算法(PCM)相结合提出的一种改进算法,由于PCA和PCM对初始值非常敏感,容易产生一致性聚类。改进型可能C-均值聚类算法(IPCM)能解决PCM的问题。然而,IPCM的执行更依赖于参数。IPCM必须计算参数两次,因此聚类时间长。为了克服PCA和IPCM的缺点,将PCA和IPCM相结合提出IPCAOP。通过实验表明,IPCAOP在处理遥感图像分割方面明显优于模糊C-均值聚类(FCM)和IPCM。GNCIP算法是由广义噪声聚类(GNC)和PCA结合提出的一种改进算法,为解决GNC算法非常依赖参数和在运行GNC算法前必须运行FCM算法以便计算参数的缺点。在GNC的目标函数和PCA基础上,提出GNCIP算法。GNCIP通过一种非参数化方法计算GNC目标函数中的参数,因而(?)3NCIP不依赖参数并且聚类速度快于GNC。通过对人工含噪声数据集和两个实际数据集做仿真实验,实验结果表明了GNCIP具有很好地处理含噪声数据,聚类中心更接近真实聚类中心,聚类准确性高,聚类时间少的优良性能。(3)使用四种改进的算法对梅城林场遥感图像进行分割,然后对分割的结果提出有效评价,最后,选择一种效率最高的算法进行分割。(4)设计实现了基于模糊聚类算法的遥感图像分割系统。本文根据实际项目中的需要,对所改进的算法进行系统的实现,采用面向对象的编程思想,使用跨平台的vxWidgets图形界面库,开发和设计完成了遥感图像分割演示系统。