遥感影像分割：云模型与EM聚类算法结合的新方法

"本文介绍了一种结合云模型和期望最大(EM)聚类的遥感影像分割新算法，旨在解决遥感影像分割的不确定性问题以及传统层次聚类算法的效率和可再分性问题。该算法首先利用峰值法进行云变换，从遥感影像中提取底层概念，接着运用EM算法对这些概念进行快速聚类，最后通过极大判别法实现影像分割。实验证实，EM算法在概念聚类中的应用能有效分类并估计高阶云概念的数学特性，对比传统的基于云模型的分割方法，其分割效果更优。" 在遥感影像处理领域，分割是至关重要的一步，它涉及到将影像像素按照特定规则划分为不同的区域，以便分析和识别地物。然而，由于遥感影像的成像条件复杂，如传感器噪声、大气影响等，导致地物间的边界模糊，出现了同谱异物和异物同谱的现象，即不确定性问题。为了应对这一挑战，科研人员提出多种方法，其中概率统计方法是处理随机性不确定性的常见手段。 云模型是一种处理不确定性的理论框架，它将模糊集理论与概率论相结合，用以描述和量化不确定性。在本文提出的算法中，云模型被用于从遥感影像中提取底层概念，这一步骤通常涉及将像素值转换为云滴，以体现像素值的不确定性和模糊性。 期望最大(EM)聚类算法是一种在概率模型中寻找参数的最大似然估计的迭代方法，特别适合处理含有隐变量的数据。在遥感影像分割中，EM算法可以高效地将底层概念归类到预设的类别中，同时估算出高阶云概念的数学特征，如均值、熵等。这种方法提高了聚类的速度和准确性，增强了算法的可再分性，即在需要时可以进一步细化分割结果。 最后，通过极大判别法进行影像分割，这是基于统计分类理论的一种方法，它可以找出最佳的分类边界，以最大化不同类别之间的差异，最小化类别内部的差异，从而实现准确的影像分割。 实验结果表明，这种结合云模型和EM聚类的分割方法相比传统方法有显著优势，能更有效地处理遥感影像的不确定性，提高分割质量，对于遥感数据的分析和应用具有重要价值。这种方法可能适用于各种遥感应用场景，如城市规划、环境监测、灾害评估等，有助于提升遥感数据的解析能力和科学价值。