基本信息
- 項目名稱:
- 一種利用K均值和SOM進(jìn)行遙感圖像分類的方法
- 小類:
- 數(shù)理
- 簡介:
- 本文探討了一種將K均值算法和SOM神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的方法,并將其應(yīng)用于多光譜遙感圖像分類,通過與K均值算法、ISODATA算法和SOM算法的對比實驗,驗證了該方法的有效性。
- 詳細(xì)介紹:
- 遙感技術(shù)已經(jīng)廣泛應(yīng)用于很多領(lǐng)域,遙感影像分類是遙感技術(shù)應(yīng)用的關(guān)鍵問題。本文在前人的研究基礎(chǔ)上,探討了一種將K均值和SOM相結(jié)合進(jìn)行多光譜遙感圖像分類的方法。首先用K均值算法對遙感影像進(jìn)行粗聚類,以減少SOM聚類模式的輸入量,然后將K均值的聚類結(jié)果作為SOM的網(wǎng)絡(luò)輸入值進(jìn)行自組織學(xué)習(xí)訓(xùn)練,每一個像素點對應(yīng)的獲勝神經(jīng)元作為它的判別類別,并在輸出層設(shè)置一個迭代閾值,將聚類數(shù)目小于該閾值的神經(jīng)元所分的類別劃分到最近的神經(jīng)元中,實現(xiàn)類別合并,最終實現(xiàn)遙感影像分類。將本文的分類方法與K均值算法和ISODATA算法以及SOM算法進(jìn)行遙感圖像分類的對比試驗,本文的分類方法取得了較好的分類效果,實驗結(jié)果驗證了該方法的有效性。
作品專業(yè)信息
撰寫目的和基本思路
- 遙感圖像分類是遙感技術(shù)應(yīng)用的關(guān)鍵問題。將SOM神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的K均值聚類方法結(jié)合起來進(jìn)行遙感圖像的分類,既可以發(fā)揮K均值算法在對相對較小數(shù)據(jù)量進(jìn)行聚類時效率較高的特點,又能保持SOM算法自組織的特點,提高分類的精度和效率。
科學(xué)性、先進(jìn)性及獨(dú)特之處
- 傳統(tǒng)的分類方法并不完全適用于遙感圖像分類。神經(jīng)網(wǎng)絡(luò)方法有許多種,每一種方法都涉及到許多參數(shù),用傳統(tǒng)的分類方法對遙感圖像進(jìn)行粗聚類,用神經(jīng)網(wǎng)絡(luò)進(jìn)行二次聚類,可以改善神經(jīng)網(wǎng)絡(luò)中的輸入?yún)?shù),在提高效率的同時,優(yōu)化了神經(jīng)網(wǎng)絡(luò)分類的效果。
應(yīng)用價值和現(xiàn)實意義
- 遙感技術(shù)的一個中心任務(wù)就是識別出各種地面物體,讓我們對地球表面了如指掌。遙感圖像分類能夠?qū)⒉煌N類的地面物體區(qū)別開來,同時可以用于地面專題信息提取,土地動態(tài)變化監(jiān)測,專題地圖制作,遙感數(shù)據(jù)庫的建立等,是GIS空間分析和輔助決策的一種有效的數(shù)據(jù)預(yù)處理方法。
學(xué)術(shù)論文摘要
- 本文探討了一種將K均值算法和SOM算法結(jié)合進(jìn)行多光譜遙感影像分類的方法。首先用K均值算法對遙感影像進(jìn)行粗聚類,以減少SOM聚類模式的輸入量,然后將K均值的聚類結(jié)果作為SOM的網(wǎng)絡(luò)輸入值進(jìn)行自組織學(xué)習(xí)訓(xùn)練,每一個像素點對應(yīng)的獲勝神經(jīng)元作為它的判別類別,并在輸出層設(shè)置一個迭代閾值,將聚類數(shù)目小于該閾值的神經(jīng)元所分的類別劃分到最近的神經(jīng)元中,實現(xiàn)類別合并,最終實現(xiàn)遙感影像分類。 該方法既發(fā)揮了K均值算法在對相對較小數(shù)據(jù)量進(jìn)行聚類時效率較高的特點,又保持了SOM算法自組織的特點,并且將二者結(jié)合的方法在分類性能上也得到了提高。通過實驗表明,該方法具有比傳統(tǒng)K均值算法和ISODATA算法更好的分類精度,比傳統(tǒng)的SOM算法更高的聚類效率和更好的聚類性能。
獲獎情況
- 已在《地理空間信息》 2011年2月 第1期 Vol.9 No.1發(fā)表?!兜乩砜臻g信息》雜志是全國優(yōu)秀測繪期刊、湖北省優(yōu)秀期刊、中國科技論文統(tǒng)計源期刊(中國科技核心期刊),并被《中國核心期刊(遴選)數(shù)據(jù)庫》收錄、《CNKI中國期刊全文數(shù)據(jù)庫》收錄,是中國學(xué)術(shù)期刊綜合評價數(shù)據(jù)庫來源期刊和CEPS中文電子期刊服務(wù)收錄期刊。
鑒定結(jié)果
- 暫無
參考文獻(xiàn)
- [1] 諶德榮, 陶鵬, 宮久路, 范寧軍. 一種基于SOFM神經(jīng)網(wǎng)絡(luò)的高光譜圖像快速分類方法[J]. 兵工學(xué)報, 2009, 30(2):165-169 [2] 吳柯, 方強(qiáng), 張俊玲, 翁濤. 基于改進(jìn)Kohonen神經(jīng)網(wǎng)絡(luò)的遙感影像分類[J]. 測繪信息與工程, 2007, 32(2):47-49 [3] 張釗,王鎖柱,張雨. 一種基于SOM和PAM的聚類算法[J],計算機(jī)應(yīng)用, 2007, 27(6):1400-1402 [4] 陳泯融, 鄧飛其. 一種基于自組織特征映射網(wǎng)絡(luò)的聚類方法[J]. 系統(tǒng)工程與電子技術(shù), 2004, 26(12): 1864-1866 [5] 許海洋,王萬森. 基于SOM神經(jīng)網(wǎng)和K-均值算法的圖像分割[J], 計算機(jī)工程與應(yīng)用, 2005, 41(21):38-40,57 [6] 楊占華,楊燕. 一種基于SOM和k-means的文檔聚類算法[J]. 計算機(jī)應(yīng)用研究, 2006, 23(5):73-79 [7] Kuo RJ, An YL, Wang HS, et al, “Integration of self-organizing feature maps neural network and genetic k-means algorithm for market segmentation”, Expert Systems with Applications, Vol.30, pp. 313-324, 2006 [8] Godin N, Huguet S, Gaertner R, “Integration of the Kohonen’s self-organising map and k-means algorithm for the segmentation of the AE data collected during tensile tests on cross-ply composites”,NDT&International, Vol. 38, pp. 299-309, 2005
同類課題研究水平概述
- 遙感技術(shù)已經(jīng)廣泛應(yīng)用于很多領(lǐng)域,遙感影像分類是遙感技術(shù)應(yīng)用的關(guān)鍵問題。傳統(tǒng)的遙感圖像非監(jiān)督分類方法過于依賴圖像數(shù)據(jù)的分布,人工神經(jīng)網(wǎng)絡(luò)不基于數(shù)據(jù)分布的特性,作為一種智能信息處理的重要方法,為實現(xiàn)圖像自動分類創(chuàng)造了條件。具有非監(jiān)督學(xué)習(xí)能力的自組織映射網(wǎng)絡(luò),結(jié)構(gòu)簡單、易于實現(xiàn),應(yīng)用于數(shù)據(jù)分類時能夠取得較好的效果。 在SOM的眾多分類改進(jìn)算法中,通常是對其自身網(wǎng)絡(luò)參數(shù)如初始化權(quán)值進(jìn)行改進(jìn),或?qū)OM與常規(guī)的聚類算法相結(jié)合。其中,將SOM和K均值進(jìn)行結(jié)合可以有兩種策略:一種是用SOM對K均值算法進(jìn)行改進(jìn),即用SOM神經(jīng)網(wǎng)絡(luò)改進(jìn)K均值聚類算法的初始化中心和確定聚類中心數(shù)目,并已應(yīng)用于圖像分割、文檔聚類、客戶分類和聲波數(shù)據(jù)分割等領(lǐng)域。另一種是用K均值改進(jìn)SOM算法,即先進(jìn)行K均值聚類,然后再進(jìn)行SOM聚類。該方法已被應(yīng)用于遙感圖像分類。蘇木春和張孝德用K均值算法改進(jìn)SOM網(wǎng)絡(luò)的初始權(quán)向量,即用K均值算法找到的N×N 個聚類中心作為SOM 網(wǎng)絡(luò)的初始化權(quán)值;但是遙感圖像的分類數(shù)目不一定能滿足N×N的條件。周智勝等將小波分解出的不同尺度下的遙感圖像進(jìn)行分步處理,即先用K均值算法對粗尺度的遙感圖像進(jìn)行分類,再在此基礎(chǔ)上用SOM算法進(jìn)行細(xì)尺度的分類,抗噪性強(qiáng),提高了分類精度和速度;但該方法也存在分類類別數(shù)需要預(yù)先確定問題。