遥感影像的主分量和模糊聚类村镇专题信息提取方法

摘要

本发明属于遥感技术领域，具体涉及一种遥感影像的主分量和模糊聚类村镇专题信息提取方法。本发明通过主分量和模糊聚类来进行遥感图像村镇专题信息提取，包括四个步骤：向量编码：遥感数据按不同特征属性将其按位置编码成向量，主分量变换：向量采用主分量前向变换到主分量维，通过粗糙集的β值保留主分量维中的前几维占大部分信息，特别情况若三波段图像就直接用三维；模糊聚类：对约简维的(若三波段图像就是三维)特征集进行类别的划分；人机交互：聚类结果通过人机交互选定图块就能得到提取的专题信息；基于形态学的专题提取信息后处理：对得到的专题信息图象数据，进行滤波，跟踪生成满足通用GIS软件要求的专题信息矢量数据。本发明受噪声和误差影响较少，鲁棒性强，能处理的数据广泛，耗时少。

说明书

技术领域

本发明属于遥感技术领域，具体涉及一种遥感影像的主分量和模糊聚类村镇专题信息提取方法。

背景技术

村镇专题信息主要指村镇居民区(建筑区)、水体、道路、农田林地等专题信息，它是村镇信息系统建设、管理以及监测的重要依据，村镇专题信息提取的目的是为了利用高分辨率遥感影像快速高效地获取符合村镇信息化建设要求的大比例尺的专题信息。目前利用遥感影像提取村镇专题信息的实用方法有：人工方法、半自动获取方法；这些方法中人工方法需要大量的人工操作、效率低，而利用多光谱信息进行自动、半自动分类识别方法是一种重要的方法，但现有的方法主要针对一般分辨率(空间分辨率20m，或更差)的遥感影像。对于村镇地区，其地理范围较小，一般数平方公里至数十平方公里；但对提取得到的基础空间信息精度要求较高，比例尺大，一般要求1∶2000以上，因此涉及的的遥感图像都是高分辨率图像(空间分辨率一般高于10m、达到1m的情况)。目前利用高分辨遥感影像提取专题信息的现状，德国的eCognition系统的分类方法是比较好的一种，其基于多尺度分割，分类时需要有分类协议，每一次分类的分类协议用于其它分类时需经过修改，最终实现分类过程的自动化，这里的分类协议类似于知识支持。其特点是分类的细化，但对分类协议有较大依赖(有协议库支持较好)，并且也不是专门针对村镇专题信息提取的系统，应用于村镇专题信息提取效率不高。由于村镇专题信息提取涉及的遥感影像分辨率高，地物表现复杂，因此提升了信息提取难度，使得提取效果受到影响。针对现有的利用遥感影像进行村镇专题信息提取方法存在的受各种信息干扰严重、提取效率低效果差、提取方法也并非专门针对高分辨率遥感影像的村镇专题信息提取等缺点，提出快速、有效的遥感影像村镇专题信息提取方法是本领域人员的研究目标之一。

发明内容

本发明的目的在于提供一种遥感影像的主分量和模糊聚类村镇专题信息提取方法。

本发明提出的遥感影像的主分量和模糊聚类村镇专题信息提取方法，通过基于粗糙集的主分量变换(Rough PCA，RgPCA)得到进行模糊聚类所依靠的数据，然后利用改进的模糊c_均值聚类方法对图像进行聚类得到各聚类信息，在此基础上进行基于人机协同的聚类结果专题类别判断，实现专题信息的分类，并经过基于形态学的专题提取信息后处理，得到满足通用GIS软件格式要求的专题信息矢量数据(ArcGIS软件支持的形文件，即.shp文件)。具体步骤如下：

(1)遥感多波段影像的RgPCA特征降维，包括向量编码和主分量变换：

①向量编码采用离散化编码，根据光谱段的个数确定向量的维数，向量排列按位对齐，求得所有向量的均值向量将所有向量按位编码，形成向量编码；

②主分量变换，由${\overrightarrow{C}}_x=\frac{1}{m\times n}\underset{i=1}{\overset{m\times n}{\Sigma }}{\overrightarrow{x}}_i·{{\overrightarrow{x}}_i}^T-{\overrightarrow{m}}_x·{{\overrightarrow{m}}_x}^T,$式中为编码向量的协方差矩阵，为单元向量，为单元均值向量，m×n为总单元数，以此式计算出编码向量的协方差阵，由高斯消去法计算的特征值与特征向量，构造矩阵数组为由的特征向量组成行的矩阵，并进行从大到小排序，使的第一行对应于特征值向量的最大值，最后一行对应特征值向量最小值，然后利用$\overrightarrow{y}=\overrightarrow{A}(\overrightarrow{x}-\overrightarrow{m_x}),$进行前向变换，最后按每维对应的特征值占特征值总和多少计算百分比，特征值斜率的绝对值小于0.25(粗糙β值)的后几维舍去，达到降维目的，只有三波段的图像直接运用三维；

(2)村镇专题信息的模糊c_均值聚类；

对主成份向量依据欧氏距离的模糊聚类，第一次分类采用均分，算出每个聚类中心，再计算每个主成份向量到聚类中心的距离；按距离将初次分类重新划分，重新计算每个聚类中心，再计算每个主成份向量到聚类中心的距离；循环进行上述过程，对于主成份向量到两个聚类中心向量距离相近，即两距离比约等于1，采用通用模糊隶属度函数判断归属；

(3)基于人、机协同的聚类结果专题类别判断；

系统将聚类结果以不同颜色叠合在多波段原始遥感影像上，两者交互显示，根据已知专题信息的兴趣区的聚类情况，对整幅遥感影像聚类的专题信息情况进行目视判读确定，得到村镇居民区或建筑区、水体、道路、农田林地、其它这5类专题信息；

(4)基于形态学的专题提取信息后处理，得到满足通用GIS软件要求的专题信息矢量数据；

通过形态开、闭运算，对步骤(3)的专题图像进行滤波，除去比结构元素小的特定图像细节，保证不产生全局的集合失真，在形态学滤波的基础上对提取的矢量进行长度及面积统计，对提取出的矢量长度及所围面积小于阈值的进行剔除，最后对结果进行矢量跟踪，生成满足通用GIS软件要求的专题信息矢量数据，如果图像已具有地理编码则生成的矢量信息为实际地理坐标数据。

本发明中，遥感多波段影像的RgPCA特征降维，为了减少聚类所用的特征维数，减少各特征之间的相关性，首先要将原始遥感多波段影像进行特征变换，一般常规的PCA要求其处理数据为线性关系，而实际遥感多波段数据不一定满足此条件，在本方法中基于粗糙集理论进行处理，此方法相比之下有四点好处：

1)考虑专题潜在模式更充分；

2)克服野值干扰点的影响；

3)很大简化了主成份的表达式

4)某些维上与类内其它点相同维上数值偏差较大的值对分类的影响得到抑制。

本发明中，常规的模糊c-均值聚类中对隶属度函数μ_j(x_i)(第i个元素对于第j类)的约束为$\underset{j=1}{\overset{c}{\Sigma }}{\mu }_j\left(x_i\right)=1$，根据隶属度函数定义的聚类损失函数为$J_f=\underset{j=1}{\overset{c}{\Sigma }}\underset{i=1}{\overset{m}{\Sigma }}[{\mu }_j\left(x_i\right){]}^b{\left|\right|x_i-m_j\left|\right|}^2,$在聚类损失函数取极小值的条件下，确定各类的聚类中心和各个样本对于各类的隶属度。由于专题聚类中存在的某些野值点(严重偏离大部分数据所呈现变化趋势的一小部分数据点)，它们远离各类的聚类中心，本来它们严格属于各类的隶属度都很小，但按这种约束的要求，使得它对各类都有较大的隶属度，因此将严重影响聚类迭代的最终结果。为此本发明采用的隶属度函数μ_j(x_i)(第i个元素对于第j类)约束为$\underset{j=1}{\overset{c}{\Sigma }}\underset{i=1}{\overset{c}{\Sigma }}{\mu }_j\left(x_i\right)=n,$在此约束下根据所述聚类损失函数确定各类的聚类中心和各个样本对于各类的隶属度，此时得到的隶属度值有的大于1，因此并不是通常意义上的隶属度函数，这种方法可以有效地避免存在的野值点对专题聚类的影响。

本发明中，为了提高效率，充分发挥人与机器的特长，采用人、机协同方法进行聚类结果专题类别判断，具体为：系统将聚类结果以不同颜色叠合在多波段原始遥感影像上，两者可以交互显示，根据已知专题信息的兴趣区的聚类情况，来对整幅遥感影像聚类的专题信息情况进行目视判读确定，得到村镇居民区(建筑区)、水体、道路、农田林地、其他这5类专题信息。

与现有技术相比，本发明采用了基于粗糙集的PCA方法避免了对原始多波段影像数据的线性要求，对所处理的高分辨率遥感影像更加适应；采用$\underset{j=1}{\overset{c}{\Sigma }}\underset{i=1}{\overset{c}{\Sigma }}{\mu }_j\left(x_i\right)=n$作为隶属度函数μ_j(x_i)(第i个元素对于第j类)的约束，来进行模糊c-均值聚类方法，避免了某些远离各类的聚类中心，严重偏离大部分数据所呈现变化趋势的一小部分数据点对聚类迭代结果的影响，提高了对遥感影像复杂性的适用，改善了整个聚类结果的效果，也提高了聚类的速度。

本发明可以应用于高分辨率多波段遥感影像的村镇专题信息快速提取，在村镇专题信息获取与变化检测方面发挥作用。

本发明在保留利用高分辨率多波段遥感影像进行专题信息提取现势性强、重复性高等优点的同时，专门针对利用高分辨率遥感影像提取村镇专题信息的问题，提高专题信息提取方法对多种遥感影像特别是对高分辨率遥感影像的适应性、其受噪声等影响小，并能够利用本方法快速提取村镇专题信息(指居民区、水体、道路、农田林地等)，满足村镇管理、监测及信息更新等使用的要求。

附图说明

图1为本发明实施例1中TM(专题成像仪)图像数据除热红外波段以外的其它谱段1、2、3、4、5、7。其中：(a)为1波段谱段，(b)为2波段谱段，(c)为3波段谱段，(d)为4波段谱段，(e)为5波段谱段，(f)为7波段谱段。

具体实施方式

实施例1：以下结合一个实施例子对具体实现方法进行说明，即要对一幅村镇地区多波段遥感影像进行专题信息识别，获得满足通用GIS软件要求的专题信息矢量数据(.shp文件)。其实现过程如下：

1、遥感多波段影像的RgPCA特征降维，

具体包括向量编码、主分量变换。分别为：

1)遥感光谱向量编码其特征是，所述的离散化编码，具体为：根据遥感影像数据，这里取某一TM(专题成像仪)数据——图象大小为2516×2395像素，含7个波段，其已具有地理编码信息——图象左上角点坐标为(285950，3475350)，像素分辨率为25米)图1显示的是除热红外波段以外的其它谱段1、2、3、4、5、7。由于数据量极大，这里的向量编码、主分量变换以及例子中后面2、3显示的是该图象局部自图象像素坐标(1398，806)位置起始的20×20大小的图像块的处理，以每个波段为一维，波段个数确定向量的维数，选取除热红外波段以外的数据组成向量，并且向量排列严格按位对齐，该图象局部构成的向量如表1所示，然后求所有向量的均值向量${\overrightarrow{m}}_x=(\mathrm{105.4375,59.115,65.4225,93.5175},\mathrm{106.495,50.575}),$所有向量按位编码。

表1波段数据向量编码

92    47    45    107    86    28

92    45    44    103    84    27

93    47    44    108    89    29

93    49    44    111    94    30

93    49    44    119    90    27

95    48    46    115    97    33

94    47    47    72     63    19

96    50    48    48     37    11

106    57    59    75    74     36

114    65    78    90    131    68

118    67    76    98    129    66

121    63    70    103   128    58

134    78    91    114   135    64

148    96    113   120   151    79

150    99    110   118   165    86

147    92    109   115   157    87

138    88    101   109   157    83

124    74    84    102   133    64

110    66    74    105   120    58

113    69    80    108   135    70

90     48    45    142   106    35

92     47    44    136   107    31

91     48    47    130   114    39

93     49    47    138   121    42

95     50    47    131   126    42

97     50    49    112   117    41

94     51    48    71    80     26

96     50    47    47    40     12

108    53    56    70    78     42

117    60    70    80    131    81

118    64    73    84    117    70

121    63    67    77    109    59

157    93    117   102   138    77

205    135   180   143   191    119

213    149   193   150   222    148

210    140   184   149   218    149

193    134   175   132   228    152

149    94    114   113   166    101

103    62    62    107   110    53

109    61    72    104   113    50

90     45    41    135   112    31

90     46    41    136   112    25

90     47    45    134   112    33

91     48    46    149   118    35

93     49    47    128   118    35

93     51    49    71    101    34

92     48    49    49    67     23

95     49    50    56    40     16

102    52    58    71    67     30

107    53    60    67    108    60

107    51    62    63    102    61

110    59    63    67    87     41

140    81    104   93    131    82

182    111   155   129   204    141

192    134   172   136   228    163

201    134   178   141   210    149

189    123   172   127   203    143

135    85    104   115   151    93

91     53    45    111   105    42

103   53    57    105    105   37

89    44    40    128    103   27

88    45    40    127    107   30

89    46    42    128    109   32

90    48    43    136    115   30

91    49    46    127    112   32

93    50    47    77     69    22

92    47    47    45     35    12

92    49    50    65     55    22

96    52    58    78     78    35

96    51    51    58     83    43

106   50    56    50     82    52

123   71    81    70     103   65

133   78    103   80     147   99

133   79    100   85     185   130

146   89    115   93     210   147

147   92    116   99     210   145

135   80    102   95     196   139

110   63    75    105    129   79

95    54    55    112    114   43

105   54    59    102    115   41

89    45    39    132    104   27

88    45    41    134    107   28

89    46    42    140    114   32

93    47    43    140    116   30

92    48    47    123    120   38

92    48    46    68     68    18

93    48    45    41     29    8

96    51    50    64     59    31

100   52    57    78     90    50

99    54    55    66     69    35

110   62    68    65     78    52

125   73    92    79     138   106

126   73    93    75     162   124

115   65    77    60     144   106

124   68    92    71     179   139

120   71    88    80     193   136

106   60    69    98     140   88

101   57    59    117    117   54

101   56    58    105    122   48

105   57    65    87     118   49

89    45    38    136    105   26

92    46    40    141    106   26

89    47    42    143    110   31

91    47    43    136    113   33

95    48    47    119    117   39

94    47    48    70     66    20

94    49    44    40     31    11

107   54    55    56     65    38

108   55    63    69     95    59

99    50    57    61     78    37

105    54    59    62    75    40

118    67    83    78    140   102

120    70    88    81    183   136

117    66    80    71    148   114

122    71    91    83    180   137

127    78    96    84    172   119

112    63    74    97    118   63

105    59    58    114   128   53

111    60    65    98    114   51

108    61    70    78    100   50

88     45    39    132   104   25

89     45    40    139   98    23

89     49    43    141   100   30

91     48    47    128   110   35

95     50    49    105   112   32

94     47    49    66    72    22

90     47    42    43    30    10

116    56    57    61    71    44

115    56    60    84    110   62

97     53    52    79    83    35

105    55    61    76    86    40

110    62    74    77    109   64

110    62    76    84    129   82

108    61    70    84    131   80

111    60    72    91    142   90

112    67    77    91    152   93

114    69    85    92    138   85

119    69    83    97    127   71

120    68    78    91    124   66

111    63    73    78    97    54

89     47    39    135   103   27

89     48    44    137   96    24

90     48    45    138   108   31

92     49    49    117   112   37

94     51    50    80    87    26

91     48    46    49    53    14

87     48    44    48    25    6

121    58    61    76    81    52

121    63    66    90    126   64

104    58    62    85    89    50

110    61    71    89    112   69

110    63    71    79    117   71

105    58    62    83    111   61

102    56    62    83    100   45

108    59    69    75    93    49

114    65    75    76    106   61

114    69    85    94    128   71

114    68    86    99    132   70

116    67    82    87    117   61

111    63    72    78    101   53

90    50    48     135   106   29

89    48    46    124   99    29

91    47    44    132   110   30

92    49    47    105   98    28

95    48    48    68    63    19

92    48    45    49    39    9

93    47    47    52    32    9

115   57    61    76    83    48

120   68    77    79    119   68

111   61    73    80    98    57

109   61    70    94    119   67

113   66    77    93    122   65

108   60    69    92    116   58

102   52    55    72    94    45

110   60    70    68    86    50

114   65    77    87    107   64

102   59    64    102   123   55

100   55    61    105   117   51

109   61    72    85    101   50

112   64    75    68    99    50

89    48    45    120   101   26

87    46    41    112   96    26

89    46    40    122   102   26

87    48    45    96    84    23

92    49    47    59    55    16

91    49    46    46    39    11

92    46    46    54    37    16

101   53    56    76    79    42

110   63    73    72    119   72

105   59    69    81    111   62

98    53    58    99    96    40

97    53    55    98    93    33

98    54    55    98    101   39

102   52    57    81    101   43

106   57    66    76    88    42

103   57    65    98    90    40

96    53    50    97    83    28

101   54    57    88    98    37

109   61    71    76    99    48

111   64    75    76    98    51

92    50    45    106   98    27

91    49    43    112   100   29

91    48    45    117   104   34

89    49    47    103   91    34

93    50    46    65    55    21

93    50    48    46    34    12

92    49    50    56    38    16

96    50    53    73    60    24

99    51    56    70    82    43

94    49    52    65    91    44

95    48    44    77    79    29

92    48    42    93    73    24

94     52    51    102   73     30

106    58    66    103   99     50

103    57    62    78    98     47

100    53    56    91    97     40

96     53    50    130   102    38

99     57    54    124   115    46

111    64    73    85    109    54

110    64    72    87    105    54

103    58    65    99    109    44

103    58    62    100   110    46

104    57    63    99    114    50

105    60    67    89    115    50

107    61    65    69    83     38

105    59    64    56    61     33

103    58    64    56    63     37

102    55    62    66    69     35

102    56    61    80    72     34

101    56    62    84    81     38

101    56    58    85    98     42

100    55    57    90    110    44

103    58    64    98    109    51

113    64    75    105   121    62

114    67    80    105   118    59

114    65    78    105   129    63

114    66    76    115   151    67

112    67    76    108   138    60

114    67    79    80    113    61

113    64    74    85    108    59

109    62    75    101   116    56

106    63    74    98    114    57

107    61    73    95    113    57

110    62    75    87    113    56

112    64    76    70    96     53

112    64    75    62    84     46

113    65    77    75    95     56

112    64    77    84    113    68

109    64    77    87    122    68

110    66    81    93    113    60

112    67    82    97    113    58

112    66    81    93    118    59

113    66    80    86    125    63

114    64    79    85    132    68

114    64    80    87    134    70

114    67    82    90    126    70

122    72    92    88    120    69

122    74    91    79    117    63

117    68    84    71    103    58

119    67    84    80    104    60

101    60    67    85    109    50

104    61    73    94    116    53

101    56    65    108   120    52

100   55    60    95    105    43

98    53    54    57    76     30

98    51    53    45    59     29

103   57    66    62    90     54

115   69    87    84    132    78

120   73    96    87    132    79

120   74    94    88    126    74

119   73    92    95    129    72

115   72    88    101   134    77

117   72    91    102   135    75

119   72    92    99    135    72

116   71    89    95    133    74

115   70    88    91    138    77

115   69    84    94    136    79

120   69    86    84    118    68

115   67    82    75    103    56

107   60    72    86    106    57

103   60    72    68    94     55

107   62    75    86    116    65

102   60    67    109   130    55

96    54    54    87    98     31

94    49    47    46    44     4

94    46    46    44    20     14

99    56    62    70    62     54

115   72    89    88    127    80

121   73    98    92    145    85

119   74    95    90    132    86

114   70    89    93    139    79

109   63    77    100   140    72

104   60    74    104   141    73

106   66    77    107   141    70

108   66    79    111   139    69

107   62    75    111   132    62

103   60    66    117   129    58

112   60    72    90    116    58

110   60    70    78    104    55

99    53    57    97    110    48

100   55    67    71    96     53

105   64    78    82    119    65

110   70    91    101   136    63

102   57    66    83    96     35

93    47    44    46    40     7

91    43    41    49    26     22

98    56    60    86    87     66

111   69    84    102   139    78

108   67    83    99    145    69

106   65    81    96    133    76

103   61    75    104   133    65

97    55    60    115   113    39

93    51    53    122   115    44

94    54    55    123   126    51

96    53    52    124   128    47

94    49    47    128   120    41

96    53    53    134   126    41

106   60    69    94    111    49

111   62    72    84    100    51

102   57    58    118   113    42

89    46    45    89    83     31

94    51    55    83    90     41

99    57    65    95    114    53

98    52    57    80    95     36

90    46    44    44    37     12

90    45    41    52    34     15

100   57    60    95    97     47

109   66    77    115   148    76

101   64    66    111   136    56

102   59    68    102   121    53

99    58    64    101   126    49

92    52    53    110   112    36

91    48    47    125   109    36

93    49    50    134   117    43

93    53    47    136   117    34

93    49    44    136   116    34

100   53    55    132   130    46

110   62    72    89    115    51

109   63    71    87    103    48

100   58    59    131   116    43

87    45    43    104   71     17

88    47    45    93    62     18

93    50    48    92    80     27

94    49    50    85    84     24

89    46    44    46    33     4

90    47    45    57    36     22

102   60    64    104   108    57

108   67    79    109   149    69

98    64    69    78    102    41

104   59    73    80    98     46

100   57    61    103   106    47

92    51    51    107   100    36

92    48    49    105   99     35

95    51    53    107   110    43

97    55    59    124   120    41

93    50    50    143   117    38

99    56    58    129   115    45

109   62    72    86    104    49

101   59    63    93    104    46

95    52    50    120   118    43

87    45    44    91    78     22

90    46    44    91    74     21

91    47    45    94    79     29

91    47    48    97    88     27

90    46    44    51    40     12

91     48    42    57    43     28

101    58    62    102   113    58

106    64    75    94    131    46

101    62    70    47    60     22

105    60    74    56    61     41

101    56    62    108   101    39

93     51    50    128   106    34

91     49    48    101   94     31

92     49    48    92    95     38

93     50    53    102   118    49

92     51    51    121   136    49

101    58    63    109   121    49

108    62    72    82    99     51

100    57    60    103   102    45

96     52    48    136   121    41

91     45    48    89    76     27

90     47    45    103   80     27

93     49    50    114   86     28

94     50    50    103   90     29

94     49    44    56    52     18

95     53    46    68    49     16

102    59    67    97    102    45

110    67    79    91    125    57

110    67    76    61    69     37

104    64    72    63    70     40

103    60    66    91    100    47

96     52    54    116   117    44

90     48    48    101   94     30

89     48    46    85    70     23

90     47    45    87    86     33

95     51    49    95    109    44

106    59    68    87    108    54

111    62    73    81    96     51

102    57    61    107   106    44

100    54    56    128   123    44

2)主分量变换的方法，由${\overrightarrow{C}}_x=\frac{1}{m\times n}\underset{i=1}{\overset{m\times n}{\Sigma }}{\overrightarrow{x}}_i·{{\overrightarrow{x}}_i}^T-{\overrightarrow{m}}_x·{{\overrightarrow{m}}_x}^T,$式中为编码向量的协方差矩阵，如表2所示，为单元向量，为单元均值向量，m×n为总单元数，计算出编码向量的协方差矩阵，由高斯消去法计算的特征值与特征向量，为表3所示，构造矩阵数组为由的特征向量组成行的矩阵，并进行从大到小排序，使的第一行对应于特征值向量的最大值，最后一行对应特征值向量最小值(表3)。然后利用$\overrightarrow{y}=\overrightarrow{A}(\overrightarrow{x}-\overrightarrow{m_x}),$进行前向变换，最后按每维对应的特征值占特征值总和多少计算百分比，特征值斜率的绝对值小于0.25(粗糙β值)的后几维舍去，如表4，这里为舍去后2维，达到降维目的。特别的，对只有三波段的图像直接运用三维，不做降维。

表2编码向量的协方差矩阵

325.632    253.481    402.807    49.9158    429.048    420.334

253.481    206.212    325.901    57.9679    357.153    335.693

402.807    325.901    531.032    59.445     576.913    559.105

49.9158    57.9679    59.445     601.91     480.818    122.095

429.048    357.153    576.913    480.818    1158.45    826.395

420.334    335.693    559.105    122.095    826.395    767.93

表3特征值向量表

4.4916

1.15305

0.290759

0.032547

0.022981

0.009067

表4特征值斜率向量

-3.33855

-0.86229

-0.25821

-0.00957

-0.01391

2、村镇专题信息的模糊c_均值聚类

模糊聚类，对1中得到的主成份向量进行依据欧氏距离的模糊聚类，第一次分类采用均分，然后计算每个聚类中心，再计算每个向量到聚类中心的距离，按距离将初次分类重新划分，迭代循环上述过程20次，对于向量到两类中心向量距离相近(两距离比约等于1)，采用通用模糊隶属度函数判断归属，将图象聚为7类，则1中20*20图像局部得到如下所示的聚类结果，其中一个单元格为一个像元，数字为所属的聚类。

3 3 3 3 3 3 1 1 2 5 5 5 5 6 6 6 6 5 5 5

3 3 3 3 4 4 2 1 2 5 5 5 6 7 7 7 7 6 4 4

3 3 3 3 3 2 1 1 2 2 2 2 6 7 7 7 7 6 3 4

3 3 3 3 3 2 1 1 2 2 2 5 6 6 6 6 6 5 4 4

3 3 3 3 3 1 1 1 2 2 2 6 6 6 6 6 5 4 4 5

3 3 3 3 4 1 1 2 2 2 2 6 6 6 6 6 5 4 4 2

3 3 3 3 4 2 1 2 5 2 2 5 5 5 5 6 5 5 5 2

3 3 3 3 2 1 1 2 5 2 5 5 5 2 2 5 5 5 5 2

3 3 3 3 1 1 1 2 5 2 5 5 5 2 2 5 4 4 2 2

3 3 3 3 1 1 1 2 5 5 4 2 4 2 2 2 2 2 2 2

3 3 3 3 1 1 1 1 2 2 2 2 2 4 2 2 3 4 5 5

4 4 4 5 2 2 2 2 2 2 2 4 4 5 5 5 5 5 5 5

5 5 5 5 2 2 2 5 5 5 5 5 5 5 5 5 5 5 5 5

2 5 4 4 2 1 2 5 5 5 5 5 5 5 5 5 5 5 5 5

2 5 4 2 1 1 2 5 6 5 5 5 5 5 5 5 4 5 2 4

2 5 5 2 1 1 2 5 5 5 5 4 4 4 4 4 4 4 2 4

2 2 4 2 1 1 2 5 4 4 4 4 3 3 3 3 4 5 2 4

3 1 2 2 1 1 4 5 2 2 4 3 3 4 4 3 4 2 4 4

2 2 2 3 1 1 4 5 1 2 4 3 3 2 4 4 4 2 4 3

2 3 3 3 1 1 4 5 2 2 2 4 3 2 2 4 5 2 4 4

3、基于人、机协同的聚类结果专题类别判断，聚类后每个像元单元赋予不同的类别数值，形成各种信息的图斑块，根据弹出专题对话框选择对应的专题，在上步结果中，人机协同选择1为水体；2为道路；3、4为农田林地；6、7为居民地6；5为其它类；表示为：水体——1，道路——2，农田林地——3，居民地——6，其它——5；则专题类别判断后的结果1中图像20*20局部区域如下所示。通过对话框给各类赋予需要的颜色，制成专题图。通过人工轻松选取图块避免了纯人工勾绘专题地块的过程。

3 3 3 3 3 3 1 1 2 5 5 5 5 6 6 6 6 5 5 5

3 3 3 3 3 3 2 1 2 5 5 5 6 6 6 6 6 6 3 3

3 3 3 3 3 2 1 1 2 2 2 2 6 6 6 6 6 6 3 3

3 3 3 3 3 2 1 1 2 2 2 5 6 6 6 6 6 5 3 3

3 3 3 3 3 1 1 1 2 2 2 6 6 6 6 6 5 3 3 5

3 3 3 3 3 1 1 2 2 2 2 6 6 6 6 6 5 3 3 2

3 3 3 3 3 2 1 2 5 2 2 5 5 5 5 6 5 5 5 2

3 3 3 3 2 1 1 2 5 2 5 5 5 2 2 5 5 5 5 2

3 3 3 3 1 1 1 2 5 2 5 5 5 2 2 5 3 3 2 2

3 3 3 3 1 1 1 2 5 5 3 2 3 2 2 2 2 2 2 2

3 3 3 3 1 1 1 1 2 2 2 2 2 3 2 2 3 3 5 5

3 3 3 5 2 2 2 2 2 2 2 3 3 5 5 5 5 5 5 5

5 5 5 5 2 2 2 5 5 5 5 5 5 5 5 5 5 5 5 5

2 5 3 3 2 1 2 5 5 5 5 5 5 5 5 5 5 5 5 5

2 5 3 2 1 1 2 5 6 5 5 5 5 5 5 5 3 5 2 3

2 5 5 2 1 1 2 5 5 5 5 3 3 3 3 3 3 3 2 3

2 2 3 2 1 1 2 5 3 3 3 3 3 3 3 3 3 5 2 3

3 1 2 2 1 1 3 5 2 2 3 3 3 3 3 3 3 2 3 3

2 2 2 3 1 1 3 5 1 2 3 3 3 2 3 3 3 2 3 3

2 3 3 3 1 1 3 5 2 2 2 3 3 2 2 3 5 2 3 3

这里：1——水体，2——道路，3——农田林地，6——居民地，5——其它类

4、基于形态学的专题提取信息后处理，得到满足通用GIS软件要求的专题信息矢量数据；在步骤(3)提取结果基础上，通过形态开、闭运算，对3的分类专题图像数据进行滤波(结构元素的大小选择3×3)，除去比结构元素小的特定图像细节，同时保证不产生全局的集合失真，在形态学滤波的基础上对提取的矢量进行长度及面积统计，对提取出的矢量长度及所围面积小于阈值的进行剔除。阈值可调整(对于高分辨率航空遥感影像一般长度阈值为25，面积阈值为500，)，最后通过矢量跟踪生成满足通用GIS软件要求的专题信息矢量数据(.shp文件)，这里的实施例子中因为原始图像已具有地理编码，因此生成的专题信息矢量数据为地理信息，其局部数据结果如表5，其中第一列数据为大地坐标X，第二列为大地坐标Y。

表5生成的某一地物专题矢量数据

REGION 1

       98

304125    3461000

304075    3460950

304075    3460850

304000    3460775

304000    3460700

303950    3460650

303950    3460525

303925    3460500

303925    3460450

303900    3460425

303875    3460425

303875    3460350

303900    3460325

303900    3460275

303875    3460250

303875    3460175

303850    3460150

303850    3460100

303825    3460075

303825    3459975

303850    3459950

303850    3459875

303875    3459850

303875    3459475

303900    3459475

303925    3459450

303925    3459400

303950    3459400

303975    3459375

304000    3459375

304025    3459350

304200    3459350

304225    3459325

304250    3459325

304275    3459300

304300    3459300

304350    3459250

304425    3459250

304475    3459200

304550    3459200

304700    3459050

304775    3459050

304800    3459075

304800    3459125

304825    3459150

304900    3459150

304950    3459100

305075    3459100

305075    3459150

305050    3459150

305025    3459175

305025    3459225

305075    3459275

305075    3459325

305050    3459350

305050    3459400

305075    3459425

305075    3459475

305100    3459500

305100    3459550

305125    3459575

305200    3459575

305225    3459600

305225    3459700

305200    3459725

305200    3459775

305225    3459800

305225    3459850

305200    3459875

305200    3459975

305225    3460000

305225    3460175

305200    3460200

305200    3460325

305175    3460350

305175    3460425

305200    3460450

305325    3460450

305325    3460525

305200    3460650

305200    3460675

305175    3460700

305150    3460700

305125    3460725

305125    3460750

305075    3460800

305000    3460800

304975    3460775

304925    3460775

304900    3460750

304650    3460750

304550    3460850

304550    3461000

304500    3461000

304475    3460975

304350    3460975

304325    3461000

304125    3461000