论文部分内容阅读
森林是人类文明的摇篮,是人类生存和发展的重要保障,森林与人类活动息息相关,所以实时掌握森林资源乃至生态环境的动态变化情况,是现代科学最重要的任务之一。传统的林地监测方法以地面测量为主,需要专人到达实地进行测量,造成了工作量大、成本高、周期长等问题,而遥感技术的迅速发展使这些问题得到解决。目前常用遥感影像来监测林地变化,监测过程中最主要的问题是林地面积估测,因此分割出遥感影像中的林地区域成为了首要解决的问题。分割遥感图像中林地区域的方法有很多种,其中基于聚类的方法由于其具有模糊性(同一像素可以隶属于不同的类别),而被广泛应用于分割遥感图像这种地物数据结构复杂的图像。本文以模糊聚类算法为主线,提出两种分割遥感图像中林地区域的方法。论文的主要工作如下:(1)详细分析了传统模糊C-均值聚类(Fuzzy C-means,FCM)算法以及几种针对FCM算法本身忽略图像空间信息造成算法对噪声敏感的问题而提出的改进算法:FCM_S1、FCM_S2、FLICM、NWFCM和KWFLICM,并对这几种算法做了仿真实验,客观分析了各算法的优缺点。(2)针对加强模糊C-均值聚类(Enhanced Fuzzy C-means,En FCM)算法忽略空间信息,导致该算法对椒盐噪声敏感,以至于用其分割噪声含量较高的遥感图像时分割效果较差的问题,提出了一种基于欧氏空间距离的加强模糊C-均值聚类方法。该方法通过引入欧氏空间距离到En FCM算法的线性加权和滤波图像中,兼顾了邻域信息和空间信息。实验证明,改进后的方法在保证运行时间未明显增加的情况下,提高了算法抑制噪声的能力和分割精度,利于遥感图像中林地区域地准确分割。(3)针对快速广义模糊C-均值(FGFCM)聚类算法空间邻域信息贡献强度难以控制,需人为设定,且该强度值为全局变量以及未充分考虑噪声分布情况的问题,提出了一种基于自适应滤波的模糊聚类算法。该算法根据非局部噪声强弱来确定局部平衡参数因子,与中值滤波图像有效组合成新的、更为合理的滤波图像。实验结果表明,改进后的算法有效平衡了遥感图像中的非林地区域,提高了算法的分割精度。(4)利用本文方法分割遥感图像中林地区域,主要过程为:增强遥感图像(直方图均衡化和Retinex增强方法)、利用两种方法将遥感图像聚为林地区域和非林地区域两类、计算代表林地区域像素占原始图像像素总数的百分比、该百分比和原图比例尺结合即可计算出实际林地面积。以专家手绘图为标准,采用本文方法分割出遥感图像中的林地区域,准确度可以达到99%以上。