本文關(guān)鍵詞：非等權(quán)距離改進(jìn)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(guān)文章： 模糊C均值聚類算法 遙感影像 非等權(quán)距離

【摘要】：現(xiàn)實(shí)地理世界是一個(gè)極其龐大而復(fù)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(diǎn)的模糊聚類方法成為目前遙感分類領(lǐng)域的一個(gè)熱點(diǎn),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(yàn)信息以及隨機(jī)確定初始聚類中心等導(dǎo)致了分類結(jié)果精度不高。針對這些問題,提出一種改進(jìn)的FCM算法,通過提取訓(xùn)練區(qū)并以訓(xùn)練區(qū)的光譜特性為基礎(chǔ)改進(jìn)FCM算法,以確定聚類中心,并實(shí)現(xiàn)各波段的非等權(quán)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(jìn)行分類,研究表明,改進(jìn)的FCM方法的分類精度顯著高于經(jīng)典的FCM算法,同時(shí)與傳統(tǒng)硬劃分方法迭代自組織數(shù)據(jù)分析技術(shù)ISODAT相比亦有顯著優(yōu)勢;在效率方面,由于改進(jìn)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(xué)資源與環(huán)境科學(xué)學(xué)院;中國人民大學(xué)公共管理學(xué)院;華中農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院;中南財(cái)經(jīng)政法大學(xué)公共管理學(xué)院;香港中文大學(xué)地理與資源管理學(xué)系;
【基金】：國家基礎(chǔ)科學(xué)人才培養(yǎng)基金“武漢大學(xué)地理科學(xué)理科基地”科研能力訓(xùn)練資助項(xiàng)目(J1103409)~~
【分類號】：P237
【正文快照】：

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 紀(jì)則軒;陳強(qiáng);孫權(quán)森;夏德深;;各向異性權(quán)重的模糊C均值聚類圖像分割[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2009年10期

2 齊淼;張化祥;;改進(jìn)的模糊C-均值聚類算法研究[J];計(jì)算機(jī)工程與應(yīng)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(biāo)準(zhǔn)差的K均值初始聚類中心選取算法[J];遙感學(xué)報(bào);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(jìn)及其對衛(wèi)星遙感數(shù)據(jù)聚類的對比[J];計(jì)算機(jī)工程;2004年11期

【共引文獻(xiàn)】

相關(guān)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(quán)距離改進(jìn)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(shù);2016年05期

3 趙雪梅;李玉;趙泉華;;結(jié)合馬爾可夫高斯模型的雙鄰域模糊聚類分割算法[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2016年04期

4 沈德勝;朱良寬;宋佳音;李克新;;基于改進(jìn)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