高分辨率遥感影像聚类分割：模糊熵与RPCCL算法结合

"基于模糊熵和RPCCL的高分辨率遥感影像聚类分割" 本文主要探讨了在高分辨率遥感影像处理中，如何利用模糊熵和受限制的次胜者受罚竞争学习算法（RPCCL）进行有效的聚类分割。王超、童小华等研究人员提出了一种新的方法，旨在解决遥感影像分割中的挑战，特别是对高维数据的处理和无需预先设定聚类数量的问题。 遥感影像的分割是地物识别和分析的关键步骤。传统的聚类方法因其直观性和稳定性，在遥感影像处理中被广泛应用。然而，面对多波段、大数据量和宽灰度范围的高分辨率遥感影像，需要更高效的聚类算法。RPCCL算法作为竞争学习算法的一种改进，能够自动识别实际的聚类数量并确定聚类中心，尤其在初始类个数过多时，能有效排除多余的类中心。 文章指出，RPCCL的性能和速度受到初始聚类中心选取的影响。以往的方法如基于空间格网的特征点密度选取初始聚类中心，虽然有效，但在灰度级别较大的影像中可能导致计算复杂度增加。因此，作者提出了结合模糊熵阈值分割与RPCCL的新策略。 模糊熵是一种衡量信息模糊程度的指标，常用于图像阈值分割。在遥感影像的各波段中，通过分析模糊熵曲线，可以找到可能的聚类中心分量。将各波段的这些分量组合，形成初步的聚类中心集合。接着，RPCCL算法介入，通过迭代学习过程，确定真实的聚类个数和聚类中心位置。这种方法的优点在于，它不需要预先设定聚类数量，且能实现非监督分类，适用于处理高分辨率遥感影像的复杂信息。 实验结果证明，这种结合模糊熵和RPCCL的聚类分割方法在不需额外先验知识的情况下，能有效地进行遥感影像的分割，并且提高了聚类的准确性和效率。这一研究成果对于遥感图像处理领域具有重要意义，为高分辨率遥感影像的地物识别和分析提供了新的工具和技术支持。 关键词：遥感影像；聚类；RPCCL；模糊熵 该研究得到了多项科研基金的支持，包括国家高技术研究发展计划（863计划）、高等学校博士学科点专项科研基金和上海市青年科技启明星计划（跟踪）项目。这些资金的投入，为该领域的深入研究和技术创新提供了保障。