基于改进的FCM遥感图像聚类算法的研究与应用

摘要

随着卫星数量不断地增加且遥感图像分辨率不断地提高，我国已获得了巨大数据量的遥感图像。传统的人工处理遥感图像方法有许多弊端，如工作量大、效率低、稳定性差、不利于遥感图像信息的充分提取与最大利用。由于智能图像处理技术具有处理速度快、稳定性好等优点，该技术在人工智能领域得到了广泛的重视与发展。
　　本文主要以气象卫星遥感图像为研究对象，开展了基于遥感图像聚类算法的研究及应用，主要完成的工作如下:
　　1、提出了一种基于反馈多尺度指数模糊C均值(FMEFFCM)算法。由于不同类型云系在遥感图像中分布灰度区间长短不一，本文利用数据对象隶属度，提出了一种基于反馈多尺度指数模糊C均值算法，该算法通过数据隶属度确定反馈因子，该因子通过改变相关类簇的聚类范围，从而使模糊聚类算法关于遥感图像云系聚类精度更高。
　　2、针对气象卫星遥感图像聚类结果中每类簇含有大量非云系数据，本文基于云系物理信息与分布特征，提出了基于Radon变换的密度分类算法。该算法首先通过Radon变换确定云系相对中心;然后计算数据对象的密度;最后通过数据密度判断在该中心一定范围内数据是否为云系数据。
　　3、将模糊-密度算法与基于反馈多尺度指数模糊C均值遥感图像聚类算法进行整合，并利用MATLAB语言开发了一个遥感图像聚类系统。软件主要分为密度模块、模糊聚类模块、云系分类模块及输出模块。本文对各个模块进行了简要说明并对遥感图像聚类实验进行了操作展示。

目录

声明

摘要

第一章 绪论

1．1 研究意义

1．1．1 研究背景

1．1．2 研究方向

1．2 图像分割方法研究现状

1．2．1 经典的图像分割方法

1．2．2 基于特定理论的图像分割方法

1．3 本文主要研究内容

1．4 论文组织结构

第二章 遥感图像及相关处理方法

2．1 不同探测通道的遥感图像

2．1．1 可见光图像(vrs)

2．1．2 红外云图(IR)

2．1．3 水汽图像(WV)

2．2 云系特征

2．3 FCM算法概述及评价方法

2．3．1 FCM算法介绍

2．3．2 相似度度量方法

2．3．3 聚类结果质量评价方法

2．4 数学形态学

2．4．1 膨胀与腐蚀

2．4．2 开运算与闭运算

2．5 本章小结

第三章 改进的模糊C均值算法

3．1 传统模糊C均值算法存在的缺点

3．2 改进的模糊C均值算法的实现

3．2．1 指数模糊C均值(EFFCM)算法的实现

3．2．2 基于反馈多尺度模糊C均值(FMFCM)算法的实现

3．2．3 基于反馈多尺度指数模糊c均值(FMEFFCM)算法的实现

3．3 实验与分析

3．3．1 指数模糊C均值算法实验与分析

3．3．2 基于反馈多尺度模糊C均值算法实验与分析

3．3．3 基于反馈多尺度指数模糊C均值算法实验与分析

3．4 本章小结

第四章 基于模糊原理的密度算法

4．1 引言

4．2 密度(DBSCAN3算法概述

4．3 改进的密度算法介绍

4．3．1 密度(DBSCAN)算法存在的缺陷

4．3．2 基于模糊原理的密度算法

4．3．3 算法描述

4．4 基于Radon变换的密度分类算法

4．5 实验与分析

4．5．1 模糊-密度算法实验与分析

4．5．2 基于Radon变换的密度分类算法实验与分析

4．6 本章小结

第五章 航拍遥感图像聚类实验与分析

5．1 航拍遥感图像简介

5．2 全色图像EFFCM聚类实验与分析

5．3 全色图像FMFCM聚类实验与分析

5．4 多光谱图像FMEFFCM聚类实验与分析

5．5 本章小结

第六章 遥感图像聚类软件设计

6．1 软件开发环境介绍

6．2 软件界面设计及运行结果

6．2．1 软件界面设计

6．2．2 运行结果

6．3 本章小结

第七章 总结

7．1 本文工作总结

7．2 展望

致谢

参考文献

作者简介