高分辨率遥感影像聚类分割:模糊熵与RPCCL算法结合
需积分: 0 186 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。
2021-09-20 上传
264 浏览量
点击了解资源详情
点击了解资源详情
245 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
- Swift实现渐变圆环动画的自定义与应用
- Android绘制日历教程与源码解析
- UCLA LONI管道集成Globus插件开发指南
- 81军事网触屏版自适应HTML5手机网站模板下载
- Bugzilla4.1.2+ActivePerl完整安装包
- Symfony SonataNewsBundle:3.x版本深度解析
- PB11分布式开发简明教程指南
- 掌握SVN代码管理器,提升开发效率与版本控制
- 解决VS2010中ActiveX控件未注册的4个关键ocx文件
- 斯特里尔·梅迪卡尔开发数据跟踪Android应用
- STM32直流无刷电机控制实例源码剖析
- 海豚系统模板:高效日内交易指南
- Symfony CMF路由自动化:routing-auto-bundle的介绍与使用
- 实现仿百度下拉列表框的源码解析
- Tomcat 9.0.4版本特性解析及运行环境介绍
- 冒泡排序小程序:VC6.0实现代码解析