一种高光谱遥感图像快速谱聚类算法

为获得分类效果更优良的遥感图像分类方式并解决高光谱遥感图像分类运算速度缓慢的问题,集成Lanczos算法与谱聚类算法,探讨了高光谱遥感图像谱聚类算法应用于遥感图像分类的可行性,提出了一种面向高光谱遥感图像的快速谱聚类算法;通过对比美国圣地亚哥机场高光谱遥感图像K-均值算法与谱聚类算法的分类结果,发现面向高光谱遥感图像的谱聚类算法易于识别线性地物,且分类的速度能得到较大提升。     

基于粗糙集的K--均值聚类算法在遥感影像分割中的应用

结合粗糙集理论和K——均值聚类算法，提出一种遥感影像的粗糙聚类分割方法。根据遥感影像中特征属性的相互依赖关系，应用粗糙集理论的等价关系。求出K——均值聚类所需要的初始类的个数和均值。然后采用聚类算法对图像进行分割。实验结果表明该方法比随机选取聚类的中心点和个数减少了运算量．提高了分类精度和准确性。     

基于均值-标准差的K均值初始聚类中心选取算法

遥感图像分类是遥感图像处理中长期存在的一个难题，针对不同的传感器图像，不同的应用需求，选择合适的分类算法非常重要。在分类中不仅要考虑分类的精度，而且要考虑分类效率。本文研究了K均值算法的初始聚类中心的选择对算法本身聚类精度及效率的影响，提出了一种高效高精度的初始聚类中心选取方案，实验结果表明。利用该算法进行地表分类，效率比ENVI的K-Means（K均值）模块高。     

基于粗糙集的K-均值聚类算法在图像分割中的应用

结合粗糙集理论和K-均值聚类算法,提出了一种图像的粗糙聚类分割方法,试验结果表明,其比随机选取聚类的中心点和个数减少了运算量,提高了分类精度和准确性。     

超谱遥感图像快速聚类无损压缩算法

K-means聚类要求每个像素要和所有聚类中心求欧氏距离，当聚类数很多时，这是一个相当耗时的工作。改进的K—meam聚类算法根据历史聚类结果进行初始类分割，即节约初始聚类时间，又能使历史聚类过程中形成的类间稳定关系得以保持；类内像素只和相邻的聚类中心计算距离进行聚类，随着算法的迭代进行，大量类的状态基本固定，使得聚类速度不断加快。基于改进K-means聚类的无损压缩算法具有充分利用历史聚类成果和收敛速度快的特点，通过提高类内像素冗余度，最大限度消除谱间冗余和空间冗余。采用多次聚类压缩的结果预测最佳聚类数的方法，可实现最小熵无损压缩。通过和DPCM算法概率模型的熵值比较及实验数据的分析，验证了基于聚类无损压缩效率比不聚类无损压缩效果更优。     

应用于遥感图像分割的原型提取谱聚类集成算法

针对遥感图像数据量大、类别归属复杂的特点,提出了一种用于遥感图像分割的原型提取谱聚类算法。该算法首先采用广义模糊c-均值聚类算法对遥感图像进行过分割,将得到的聚类中心作为每个分割区域的代表点;然后,通过构造代表点之间的相似性矩阵,利用谱图划分方法对代表点进行聚类;最后,根据代表点的聚类结果对图像像素点进行重新归类来获得遥感图像的最终分割结果。此算法涉及到3个参数,为了克服算法对于参数的敏感性和内在的随机性,进一步引入集成策略,给出了原型提取谱聚类的集成算法。     

一种K-均值聚类的改进算法及其应用

由于传统的K-均值聚类算法固有的特性,如对初始聚类中心的依赖性和对噪声点的敏感性,导致了其聚类结果的不稳定。文中基于k-dist图提出一种改进算法,算法首先去除数据集中的噪声点,然后从数据集中选取靠近点聚集区域、相距最远的k′个数据点作为初始簇中心。实验结果证明,文中算法能够很好地消除K-均值聚类算法对初始簇中心的依赖性,并能有效去除噪声点。     

分带K-均值聚类的平面标靶定位

提出了一种分带K-均值聚类的平面标靶定位方法。根据标靶与测站距离的限制条件,推导了较大噪声点的剔除公式,在整体最小二乘拟合平面的基础上增加了噪声点二次剔除的方法,对经过噪声点剔除的点云数据进行分带、聚类处理。同时,对每一带的聚类中心进行均值化处理,得到每一带的中心点,通过求取不同带中心的均值来确定标靶中心点。实验结果表明,分带K-均值聚类的平面标靶定位模型较适合于平面标靶同名点确定。     

改进的模糊聚类遥感影像分割

聚类是数据挖掘的重要分支之一,引入模糊理论的模糊聚类分析为显示数据提供了模糊处理能力,在许多领域被广泛应用。本文应用考虑邻域关系的约束模糊C均值(Fuzzy C-Means with Constrains,FCM_S)算法,将邻域像素引入到目标函数中,进而有效地利用邻域像素信息,提高分割精度。本文应用FCM_S算法对模拟彩色纹理图像进行分割,计算其混淆矩阵,定性定量地与FCM算法进行对比分析,证明了该算法的鲁棒性。     

基于k-均值聚类算法的无人机雪域识别测绘

本文介绍了基于k-均值聚类算法无人机航测技术在雪域自动测绘中的应用,通过k-均值聚类算法完成正射影像中的雪域边界识别,区分无雪面域和雪覆盖面域。本文以JD项目中Riz、Piz-E、Piz-W三个实验区块为例,运用无人机在连续积雪和斑块积雪两种情况下进行了现场测绘实验。通过无人机正射影像与红-绿-蓝(RGB)影像、近红外-红-绿(NIRRG)影像、近红外-绿-蓝(NIRGB)影像分别对比分析,证实了在红、绿、蓝波段下均可以完成无人机航测影像雪域识别任务,也进一步说明了在任意波段下无人机均能完成雪域自动识别任务。     

自适应模糊聚类高分辨率遥感影像分类算法

为了实现高分辨率遥感影像分类数的自动确定,在传统模糊聚类算法的基础上引入分裂合并操作,提出自适应模糊聚类的高分辨率遥感影像分类算法。该算法提高分裂合并的准确性,并在每次分裂合并后利用模糊聚类分类算法优化其分割结果,而后将参数赋予相应阈值,以实现阈值的自适应确定。有效避免算法陷入局部极值,解决传统模糊聚类算法依赖初始聚类中心选择的问题。     

改进的K-means算法在遥感图像分类中的应用

遥感图像分类时,如果类别不明,K-means算法随机选取不同初值会导致分类结果有较大的差异.针对此问题,提出了一种改进的K-means算法.首先对遥感数据进行对数变换;然后采用主成分变换,依据主成分贡献率(≥85%)选择参与分类的主成分数;根据第一主成分的概率密度函数确定初始分类数和初始分类中心,并确定初始分类标签作为...     

一种利用K均值和SOM进行遥感图像分类的方法

探讨了一种将K均值算法和SOM神经网络算法相结合的方法,并将其应用于多光谱遥感图像分类,通过与K均值算法、ISODATA算法和SOM算法的对比实验,验证了该方法的有效性.     

一种基于改进模糊聚类算法的遥感影像变化检测

传统的基于像素的变化检测结果较为破碎,易产生较多"椒盐现象"。针对上述问题,提出一种改进的GKC模糊聚类算法对遥感影像进行变化检测。首先利用变化矢量分析法对配准好的遥感影像构造差异影像;然后再利用一种改进的GKC模糊聚类算法对差异影像进行分割,通过在目标函数中添加带有空间邻域信息的模糊因子进行迭代聚类;最后实现地物变化信息的提取。与传统方法进行对比,该方法能有效降低破碎像斑的数目,更好地保持变化地物的结构和形状,突出主要变化目标,提高变化检测精度。     

一种融合双聚类算法的高分辨率遥感影像分割方法

针对高分辨率遥感影像分割易受噪声干扰问题,提出一种简单线性迭代聚类与区域动态约束聚类相融合的双聚类算法.该法首先利用简单线性迭代聚类产生超像元,然后运用区域动态约束聚类算法对超像元进行聚类合并,结合聚类生成的方差和、局部方差和局部方差变化率,确定合理分割数,最终完成影像分割.实验表明,本文提出的影像分割方法抗噪声干扰能力较强,且分割结果精度较高,未出现欠分割和过分割现象,Kappa系数高达0.8312,OCE值低至0.4185,属于一种稳健的遥感影像分割方法.     

自适应差分进化的遥感影像自动模糊聚类方法

遥感影像模糊聚类方法可以在无需样本分布信息的情况下获取比硬聚类方法更高的分类精度,但其仍依赖先验知识来确定影像地物的类别数。本文提出了一种基于自适应差分进化的遥感影像自动模糊聚类方法,该方法利用差分进化搜索速度快、计算简单、稳定性高的优点,以Xie-Beni指数为优化的适应度函数,在无需先验类别信息的情况下自动判定图像的类别数,并结合局部搜索算子对遥感影像进行最优化聚类。通过模拟影像以及两幅真实遥感图像的分类实验表明,本文方法不仅可以正确地自动获取地物类别数,而且能够获得比K均值、ISODATA以及模糊K均值方法更高的分类精度。     

基于K均值聚类的高光谱遥感影像分类研究

讨论了信息熵和均匀光谱间隔(USS)两种无监督高光谱影像波段选择方法,分析比较了基于K均值聚类的欧氏距离、相关系数以及光谱角3种相似性度量。实验表明,利用USS对高光谱影像降维,采用将欧氏距离作为相似性度量的K均值聚类方法进行影像分类,所得到的分类结果精度较高,计算时间较短。