基于模糊聚类的高分辨率遥感影像分类算法研究

发布时间：2020-07-22 01:36

【摘要】：遥感技术是一门涉及到多种领域的综合性探测技术,能把接收到的地物所辐射的电磁波信息进行不同方式的处理,从而观测和识别各类地物和相关现象。该技术在很多领域都有应用,已经成为测绘和规划、地球环境资源调查领域应用过程中不可缺少的有效手段。遥感影像的分类与制图为制作或更新地图和专题图提供了重要的技术手段,为各行业的发展提供了真实、可靠的信息,是地理监测、生态保护等工作的基础。本文着重研究了模糊聚类算法和特征选择算法在遥感影像分类中的应用问题。首先,分析了影像分类的发展背景、研究方向、国内外研究现状及存在的问题,对其中涉及到的分割、分类方法及模糊聚类算法进行了详细的介绍。其次,针对模糊C均值(fuzzy c-means,FCM)聚类算法在操作过程中体现出的不足之处,对算法做了进一步的改进。最后,为解决影像分类实验过程中,特征提取环节所提取特征之间相关性大、冗余度高,影响分类效率的问题,提出最小冗余度最大相关性(minimum Redundancy Maximum Relevance,mRMR)算法与改进FCM聚类算法结合的遥感影像分类算法,来提高影像分类效率。本文的主要研究内容如下:1.针对影像地物种类繁多,地物特征混杂,现有FCM算法稳定性差、空间信息利用不充分的问题,提出改进FCM聚类算法与加权多核SVM分类器结合的遥感影像分类算法。在聚类分割目标函数计算阶段,考虑单像素对聚类结果产生影响的同时,邻域像元的影响采用吸引力模型进行度量;特征提取阶段使用空间像素模板法提取像斑特征点,并基于加权多核SVM分类器实现影像分类操作,以获取地物类别信息。2.为解决影像特征间相关性大、冗余度高带来的分类问题,提出一种基于mRMR选择和改进FCM聚类的影像分类算法。首先基于对象置信度指标(OC)进行影像分割,后利用mRMR算法实现特征选择,解决特征冗余问题;并将提取的特征通过改进FCM算法聚类,得到最终分类结果。实验结果表明,该算法能降低信息冗余、减小特征间的相关性,并有效提高影像的分类效率。
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751
【图文】：

示意图,多尺度,示意图,分割方法

第 2 章高分辨率遥感影像分类与评价体系的目的。该方法能够降低错误边界合并的概率，并且计算开销很小。多尺度分割方法尺度分割方法[41]是以对象间的异质性大小和对象内的异质性大小作为标准来分割图像，再对在特征上十分相似的对象进行自底向上的合并的的原理可以参照下图 2.1 加以理解。

示意图,非线性数据,示意图,线性空间

10, 0, 1,2, ,i i ii y i m SMO 算法可得 w 和 b 为：1 mi i iiw y x 1Ts i i i ss S i Sb y y x xS | 0, 1,2, , i i i K m是支持向量下标的集合。与之对应的分类 1sgn sgnmi i iig x f x y x x b 引入核函数来解决线性空间中存在的样本不可分问题，其作用是据投影到更高维的用矢量表示的空间中，进而可以使用该原理在据，如图 2.2 所示。对于多分类问题，可以通过优化最优分类面

影像,影像,放大图

图 3.1 原始航拍影像图 3.2 FCM 算法分割效果图(a) (b) (c) (d)图 3.3 部分地物放大图(a)裸地放大图；(b)道路放大图；(c)广场放大图；(d)植被放大图。从结果图中可以看出，影像整体的分割效果不理想，如裸地和广场等。通过具体地物的放大图像，如图 3.3 所示，可以看出几种地物均存在过分割现象，不利于图像的分类。在与图3.2 影像分割结果对比可以发现，本章提出的改进F类算法对图像做分割的效果比较好，分割后的结果如图 3.4 所示，图 3.5 为局部部分地物放大图。

【相似文献】