基于聚类分析的遥感图像分割技术研究

《基于聚类分析的遥感图像分割技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：密级：UDC：编号：河北工业大学硕士学位论文基于聚类分析的遥感图像分割技术研究论文作者：卢俏学生类别：全日制学科门类：工学硕士学科专业：电磁场与微波技术指导教师：赵红东职称：教授DissertationSubmittedtoHebeiUniversityofTechnologyforTheMasterDegreeofElectromagneticFieldandMicrowaveTechnologyRESEARCHREMOTESENSINGIMAGESEGMENTATIONBASEDONCLUSTERANALYSISByLuQiaoSupervisor:Pr

2、of.ZhaoHongdongOctober2015摘要遥感图像的聚类分析是遥感领域较为重要的一个研究方向，它能真实全面的反应地球表面的地物信息，在城市信息分类上具有重要意义，尤其对于城镇的发展规划、感兴趣的目标信息提取等方面提供了有效的参考标准，所以在分类的准确性和整体性上必须有更加严格的要求。本文主要以河北省张家口市阳原县城的遥感图像作为原始数据进行分析，针对灰度共生矩阵算法、主成分分析法和二维离散小波算法各自的特点分别结合k-means算法提出了三种分割模型对遥感图像进行聚类分析，最后对三种模型的聚类结果各自进行分析。本文的主要工作内容为：1、本文的数据来源为

3、张家口市阳原县城的多光谱图像和全色图像，在运用模型进行聚类前先对遥感图像进行了自定义坐标系处理、大气校正、数据定标、图像融合等一系列图像预处理工作。2、对k-means算法在遥感图像聚类中的基本原理进行深入研究，仔细分析了算法流程，掌握影响因素，随后分析灰度共生矩阵对张家口阳原县遥感图像空间纹理上的特征描述，对数学算法的理论基础深入探讨，在特征能量描述的遥感图像基础上用k均值聚类并得到结果。3、分析了主成分分析对遥感图像的作用，在去除噪声和降维上发挥了明显的优势，随后将阳原县遥感图像进行主成分波段的选取并进行k均值聚类，降维后的遥感图像能够减少离散点对聚类的影响，使

4、聚类结果更加准确。4、针对现有基于聚类的图像分割算法存在的不足，根据小波变换和k-means算法各自的优缺点提出了一种基于小波变换的遥感图像聚类分割算法。小波变换能够很好的区分开图像的近似分量和细节分量，通过很少的特征参数来描述图像的特性，由于这种独特的优点，在许多领域被广泛采用。深度研究小波变换特别是二维离散小波变换在空间和尺度上对遥感图像描述全面性的特性，把小波变换的优点运用到遥感图像的聚类上，以便能够准确有效的挖掘出遥感图像中我们感兴趣的数据信息。分别在整体和细节上将三种模型方法的聚类结果进行分析比较，根据聚类结果图及相关数据分析出三种模型在阳原遥感图像聚类中

5、各自的优缺点，对于优化算法模型以及对挖掘遥感图像更深层次的信息提供了参考依据。关键词：遥感图像小波变换k均值聚类灰度共生矩阵主成分分析IABSTRACTClusteranalysisofremotesensingimageismoreimportantinthefieldofremotesensingresearch,it'scomprehensiveresponsetotheEarth'ssurfacefeatureinformation,ithasangreatsignificancetotheclassificationofcityinformation,It

6、isaneffectivereferencestandardespeciallyforthedevelopmentplanofthetown,theextractofinterestinginformation,etc.Sostringentrequirementsareneededintheclassificationaccuracyandintegrity.ThispapermainlyusedremotesensingimageinYangyuanCountyofZhangjiakouastheprocessingdataforremotesensingima

7、gesegmentationclusteranalysis,focusingontheirowncharacteristicsofGLCMalgorithm,principalcomponentanalysisandtwo-dimensionaldiscretewaveletalgorithmcombinedwiththreemodelsproposedbyk-meansalgorithm,respectively.Thentheexperimentalresultsareanalyzedandobtainedconclusion.Themaincontents