高分辨率遥感影像聚类分割:模糊熵与RPCCL算法结合
需积分: 0 145 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
2020-02-29 上传
点击了解资源详情
点击了解资源详情
点击了解资源详情
2021-05-30 上传
点击了解资源详情
点击了解资源详情
点击了解资源详情
weixin_38704284
- 粉丝: 3
- 资源: 987
最新资源
- NASM中文手册.......
- PIC8位单片机汇编语言常用指令的识读.doc
- 车牌识别系统算法的研究与实现
- 从MySpace的六次重构经历,来认识分布式系统到底该如何创建
- 软件测试面试题(白盒、黑盒测试)
- 从LiveJournal后台发展看大规模网站性能优化方法
- 2009年上半年网络工程师下午题
- 2009年网络工程师上午题
- 嵌入式c c++集锦
- ajax技术资料 PDF
- ofdm_carrier_sync\A consistent OFDM carrier frequency offset estimator based on distinctively spaced pilot tones.pdf
- jsp+源码+学生成绩管理系统 jsp源代码
- 9F概论(第四版)课后习题的参考答案[1].doc
- linux内核情景分析
- 基于VB的参数化绘图.pdf
- Java设计模式中文版