模糊C均值聚类遥感影像分类.pdf

《模糊C均值聚类遥感影像分类.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第3期矿山测量No．32011年6月MINESURVEYINGJun．20l1doi：10．3969／j．issn．1001—358X．2011．03．009模糊C均值聚类遥感影像分类回晓娜，董静(1．沈阳沈西燃气有限公司，辽宁沈阳110013；2．辽宁工程技术大学测绘与地理科学学院，辽宁阜新123000)摘要：模糊c均值聚类算法可有效的解决遥感信息的不确定性和混合像元的划分。文中基于matlab平台、采用模糊C均值聚类对遥感影像进行分类，并运用混淆矩阵对分类结果进行了精度评定。实验结果表明，基于模糊C均

2、值聚类使得分类后的图像很好地区分了地物类别，取得了较好效果。关键词：遥感；影像分类；C均值聚类；精度评定中图分类号：P237文献标识码：B文章编号：1001—358X(2011)03—0032—03所谓遥感影像分类就是根据遥感影像的光谱特糊聚类的优点在于能适应那些分离性不是很好的数征、纹理特征、空间特征等按照某种判断规则对目标据，这允许了数据性质的模糊性，为数据结构的描述逐步探测、识别和鉴定的过程。提供了详细的信息。传统的硬划分具有非此即彼的性质，而由于卫1．1模糊C均值聚类数学基础星遥感数据具有多光谱波

3、段、多空间分辨率和多时模糊c均值聚类算法用模糊集理论对K均值算问分辨率的特点，其数据量庞大，并且由于各种地物法进行改进，并用隶属度来衡量像元属于各个类别波谱辐射的复杂性以及干扰因素的多样性等原因，的程度。模糊c均值聚类算法改变了均值分类中从而使获取的遥感数据具有模糊、不确定性等特征非此即彼的特性。其基本思想为：设要进行聚类分且数据分布复杂，遥感信息的这种不确定性和混合析的影像像元数为n，影像像元集合X={，，像元问题使部分像元很难进行非此即彼的划分。实⋯}，其中={，，⋯，P为特征向量数。际上遥感数据所反

4、映的大多数地物并没有严格的类设把影像像元分为C个类别，每个类别的聚类中心，属性和隶属关系，具有“亦此亦彼”的性质。因此考=(，⋯?)，聚类中心集合V：{．，，⋯}。用虑各个像元属于各个类别的隶属度，进行软划分才表示像元隶属于以为中心i的隶属度，定义能更好地区分不同地物类别。隶属度矩阵如下：模糊C均值聚类(FuzzyCMeansClustering，U=l／tj⋯(1)FCM)就是结合模糊集理论和K均值聚类而提出来的矩阵U中每一列的元素表明所对应的像元隶属适合进行软化分的模糊聚类分析方法。所以采用模于C个类

5、别中各个类的隶属度。满足如下约束条件：糊聚类的方法可较好处理遥感数据的分类问题。>0，：1，0≤≤1本文基于matlab平台，采用模糊c均值聚类(i=1，2，⋯，n)(2)算法对遥感影像进行分类并运用混淆矩阵对分类结对隶属度进行了模糊化，可取0到1之间果进行了精度评定。的任意实数，但其隶属度的总和总是等于1，这符合1模糊C均值聚类遥感像元的实际情况。而属于硬聚类的均值聚类其隶属度具有非此即彼的性质，隶属度只能取0FCM算法是基于对目标函数的优化基础上的一或1。定义目标函数I，：种数据聚类方法。聚类结果是每

6、一个数据点对聚类I，(，)=[()(d)](3)中心的隶属程度，该隶属程度用一个数值来表示。．使得每个给定数据点用值在0，1间的隶属度来确定其中，d：ll一lI为Euclidean距离；D2∈其属于各个组的程度。与引入模糊划分，不过，加上[1，。。)为模糊加权指数。在模糊聚类目标函数中归一化规定，一个数据集的隶属度的和总等于l。模{J：1

7、就是使目标函数达到局部最小值的分类。对目标函数进行最优化计算时，由于目标函数包含两个参数(，)，故按拉普拉斯乘数法进行优化计算时，对(，)进行交替迭代优化计算。1．2模糊c均值聚类算法流程FCM算法的流程如下：(1)提取样本纹理特征值，求其均值，可得到初始聚类中心。图1实验数据(2)初始化：设置初始聚类中心，聚类数c，隶聚类中心，然后用模糊C均值分类器对待分类影像属度矩阵和加权指数m，终止误差e和最大置迭进行分类，然后输出分类后影像，并进行精度评价。代次数LOOP。其处理的流程如图2。(3)开始循环，当迭

8、代次数为，(IT=0，1，2，⋯)时，根据¨计算c均值向量：俐模佩对输样建始本初糊原出特始聚影始分：=()Xk／r()))，i=1，2，⋯，c，^I=l类像—影—类征提聚类分特像(4)后类征分影(4)对k=1，2，⋯，n，按以下公式更新¨为取lf提器类像心取(：若≠(i：1，2，⋯，C)满足，则对此计算图2分类系统流程一2．2．1样本选取ttik=生1'2，⋯，c(5)对经过预处理的图像，通过人工目视判读，按照dJjk类别从影