本文關鍵詞：非等權距離改進的FCM多波段遙感影像監(jiān)督分類算法　出處：《測繪地理信息》2016年04期 　論文類型：期刊論文

  更多相關文章： 模糊C均值聚類算法 遙感影像 非等權距離

【摘要】：現(xiàn)實地理世界是一個極其龐大而復雜的多元系統(tǒng),其間的眾多的自然和半自然現(xiàn)象很難明確地劃分為某種類別,在遙感影像中表現(xiàn)為混合像元的問題。因此,更符合遙感影像中地物特點的模糊聚類方法成為目前遙感分類領域的一個熱點,用于有效解決混合像元分類的問題。但是,傳統(tǒng)的模糊C均值聚類(FCM)算法仍然存在一定的局限性,例如,缺乏先驗信息以及隨機確定初始聚類中心等導致了分類結果精度不高。針對這些問題,提出一種改進的FCM算法,通過提取訓練區(qū)并以訓練區(qū)的光譜特性為基礎改進FCM算法,以確定聚類中心,并實現(xiàn)各波段的非等權輸入。最后以具有典型土地覆被狀態(tài)的武漢市中心城區(qū)局部TM影像為例進行分類,研究表明,改進的FCM方法的分類精度顯著高于經(jīng)典的FCM算法,同時與傳統(tǒng)硬劃分方法迭代自組織數(shù)據(jù)分析技術ISODAT相比亦有顯著優(yōu)勢;在效率方面,由于改進的FCM算法未采用自迭代方式,因此與經(jīng)典的FCM算法相比,亦有明顯提高。
[Abstract]:The real geographical world is an extremely large and complex multivariate system, in which a large number of natural and semi-natural phenomena are difficult to be clearly classified into a certain category, which is the problem of mixed pixels in remote sensing images. The fuzzy clustering method, which is more suitable to the features of ground objects in remote sensing images, has become a hot spot in the field of remote sensing classification, which is used to effectively solve the problem of mixed pixel classification. The traditional fuzzy C-means clustering algorithm still has some limitations, for example, the lack of prior information and random determination of the initial clustering center lead to the low accuracy of classification results. An improved FCM algorithm is proposed to determine the clustering center by extracting the training area and improving the FCM algorithm based on the spectral characteristics of the training area. Finally, the local TM image with typical land cover state is used as an example to classify the local TM image. The classification accuracy of the improved FCM method is significantly higher than that of the classical FCM algorithm, and it also has significant advantages compared with the traditional hard partitioning method, the iterative self-organizing data analysis technique ISODAT. In terms of efficiency, the improved FCM algorithm is not self-iterative, so compared with the classical FCM algorithm, it is also significantly improved.
【作者單位】： 武漢大學資源與環(huán)境科學學院;中國人民大學公共管理學院;華中農(nóng)業(yè)大學資源與環(huán)境學院;中南財經(jīng)政法大學公共管理學院;香港中文大學地理與資源管理學系;
【基金】：國家基礎科學人才培養(yǎng)基金“武漢大學地理科學理科基地”科研能力訓練資助項目(J1103409)~~
【分類號】：P237
【正文快照】：

【參考文獻】

相關期刊論文 前4條

1 紀則軒;陳強;孫權森;夏德深;;各向異性權重的模糊C均值聚類圖像分割[J];計算機輔助設計與圖形學學報;2009年10期

2 齊淼;張化祥;;改進的模糊C-均值聚類算法研究[J];計算機工程與應用;2009年20期

3 張文君;顧行發(fā);陳良富;余濤;許華;;基于均值-標準差的K均值初始聚類中心選取算法[J];遙感學報;2006年05期

4 哈斯巴干,馬建文,李啟青,劉志麗,韓秀珍;模糊c-均值算法改進及其對衛(wèi)星遙感數(shù)據(jù)聚類的對比[J];計算機工程;2004年11期

【共引文獻】

相關期刊論文 前10條

1 張怡然;陳銳;張文婷;賀三維;何青青;王海軍;;非等權距離改進的FCM多波段遙感影像監(jiān)督分類算法[J];測繪地理信息;2016年04期

2 肖雪平;倪建成;曹博;;基于Map-Reduce模型的BCkmeans并行聚類算法[J];電子技術;2016年05期

3 趙雪梅;李玉;趙泉華;;結合馬爾可夫高斯模型的雙鄰域模糊聚類分割算法[J];計算機輔助設計與圖形學學報;2016年04期

4 沈德勝;朱良寬;宋佳音;李克新;;基于改進k均值聚類方法的林木冠層孔隙度提取[J];森林工程;2016年02期

5 楊婉;王t，

本文編號：1359214