论文部分内容阅读
遥感技术的发展为人们观测宇宙和探知地球发挥了重要的作用。卫星遥感图像为地表观测提供了丰富的观测数据,为了有效地利用遥感数据,将遥感图像的光谱信息转化为用户的类别信息,需要有效地对遥感图像进行分析和解译。如今分类制图仍然大规模地使用人工的方法,这种方法不仅需要大量的人力物力,而且消耗大量的时间。基于计算机技术的遥感图像分类方法是对传统方法的重大改进。遥感图像分类方式主要有两种,即监督分类和非监督分类。非监督的遥感图像分类技术已经成为遥感图像分类领域的主要方法之一。本文重点探讨了基于模糊理论的非监督分类算法,完成的工作有以下几点：1.阐述了遥感图像分类的基本原理,介绍了遥感图像分类精度评价的原理及方法,总结了几种常用的遥感图像分类方法。2.给出了一种非监督分类方法：模糊C均值聚类(FCM)算法。针对该算法在分类过程中对噪声比较敏感这个缺点,本文给出了一种基于空间信息的模糊C均值聚类(SFCM)算法。该算法能有效利用图像的空间信息从而达到对含有噪声的遥感图像准确分类的目的。实验结果证明了该算法的有效性。3.FCM算法的非线性处理能力有限,然而遥感图像分类多数是非线性问题。针对该问题,本文给出了一种基于核函数的模糊C均值聚类算法：核模糊C均值聚类(KFCM)算法。通过把核函数引入到FCM算法中,KFCM算法使原来在低维空间非线性不可分的模式变成在高维空间线性可分,从而提高遥感图像的分类精度。4.针对FCM算法对噪声敏感以及非线性处理能力有限这两点不足,本文提出了一种改进的算法：空间信息核模糊C均值聚类(SKFCM)算法。用KFCM、SFCM以及SKFCM算法对含有噪声的遥感图像做了分类对比实验,实验结果表明：SKFCM算法不仅具有较好的抗噪性,而且具有较高的分类精度。