论文部分内容阅读
遥感图像的聚类分割是分析遥感图像中地貌特征与空间关系的重要步骤。由于遥感图像具有数据维度高、数据量大、数据结构复杂的特点,传统的模糊聚类方法在遥感图像分割中的应用并不能达到分割精度要求。人工鱼群算法(Artificial Fish School Algorithm, AFSA)设计灵感来源于仿生学中鱼群自发的觅食行为,是一种智能优化算法,具有良好的并行性、自组织性和自适应性,在分类领域的有着成功应用。相比于传统的模糊聚类(Fuzzy C-Means, FCM)方法,将人工鱼群算法引入模糊聚类中,利用人工鱼群算法的自组织性和自适应性来对初始聚类中心点进行选择,以克服模糊聚类对初始聚类中心点敏感和容易陷入局部最小值的缺点。本文尝试提出一种局部二值算子(Local Binary Pattern, LBP)的人工鱼群模糊聚类图像分割方法(CSIFWCM),引入描述LBP算子图像像素点的空间特征信息,利用空间像素点的关系特征提高图像的分割准确性,加快分割计算中寻找最优解的过程。把CSIFWCM引入到遥感图像聚类中后,实验结果表明该图像分割方法在大数据量的寻优计算过程中速度有着明显的提高,相比于经典聚类算法,提高了遥感图像的分割精度,取得了更好的分割效果。对于含有噪声的遥感图像,提出基于小波变换的AFWFCM算法,并且通过实验与AFWFCM算法分割作对比,实验结果表明基于小波变换的AFWFCM有较高的鲁棒性,对含有噪声的遥感图像分割有很好的指导作用。论文主要工作介绍：(1)介绍了模糊聚类算法和人工鱼群算法基本原理,并分析了算法的步骤、优缺点及适用范围。同时,对遥感领域中的聚类分割应用做了介绍。(2)将人工鱼群算法引入模糊聚类算法,提出一种改进的模糊聚类算法——基于人工鱼群算法的加权模糊聚类算法(AFWFCM),介绍了改进后算法的原理和具体算法步骤。在UCI数据集上进行实验,将AFWFCM算法与经典FCM聚类算法在聚类分割的准确性和收敛速度作比较,实验结果表明AFWFCM算法的聚类分割效果更好,能有效的克服对初始聚类中心点敏感的问题。(3)引入LBP算子描述图像像素点的空间特征信息,提出一种基于空间特征信息的模糊聚类图像分割方法(CSIFWCM),说明其设计思想和优缺点,并把该聚类分割应用于遥感图像聚类。真实的遥感数据上的分割实验显示,CSIFWCM能很好地利用图像的空间特征信息,针对遥感图像数据特点有效地提高了遥感图像分割精度和分割速度。(4)将小波变换引入AFWFCM中,改进AFWFCM算法,提高算法的抗噪性。对改进后的算法进行加噪遥感图像的实验对比,改进后的算法在加噪后的遥感图像中分割准确度要好于AFWFCM算法。