高分辨率遥感影像聚类分割:模糊熵与RPCCL算法结合
需积分: 0 20 浏览量
更新于2024-09-07
收藏 548KB PDF 举报
"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。
点击了解资源详情
点击了解资源详情
245 浏览量
2021-09-20 上传
264 浏览量
2021-05-30 上传
290 浏览量
218 浏览量
115 浏览量

weixin_38704284
- 粉丝: 3
最新资源
- Python编程基础视频课件精讲
- FairyGUI-unreal:掌握Unreal Engine的高效UI设计
- C++实现Excel基本操作教程
- 实时聊天小部件的Python实现与Pusher Channels集成
- Android版本比较工具库:轻量级字符串比较方法
- OpenGL基础教程:编译顶点着色器与片段着色器
- 单片机实现的24小时制电子定时器设计
- ThinkPHP 3.1.2框架中文开发手册全解
- 离散数学第七版习题解答:奇偶数题答案解析
- 制造行业素材资源压缩包分享
- C#编程实现打印与测试程序详解
- Konveyor:快速生成Android随机数据类库
- 掌握Symfony集合:使用Vanilla JS实现高效表单管理
- Spring Boot MVC模板项目:快速启动Spring MVC与嵌入式Jetty
- 最新metro风格VB在线升级程序源码分享
- Android开发入门实践:新手指南与实践技巧