自适应模糊Kohonen聚类网络在遥感影像处理中的应用

"基于神经网络的遥感影像识别" 在遥感影像分析中，聚类是一项重要的任务，尤其在影像分类和识别中起着关键作用。本文着重探讨了一种改进的FKCN（模糊Kohonen聚类网络）在遥感影像聚类中的应用，以解决传统FKCN存在的问题。FKCN在遥感影像处理中面临的主要挑战包括：无法预设聚类数量、随机初始化权重导致的长时间收敛以及处理大量样本时的计算复杂度。为应对这些挑战，作者提出了一种自适应模糊Kohonen聚类网络（AFKCN）。 AFKCN模型创新性地根据图像的灰度分布特性自动确定网络结构，并且优化了网络权重的初始化，以提升聚类中心的质量。同时，通过采用"模糊增强"算子替代"模糊集中"算子，显著加快了网络的收敛速度。此外，通过将样本空间从像素空间转换到灰度值空间，减少了每次迭代的计算量，从而提高了处理效率。 在实现这一模型时，AFKCN网络采用了单向全连接的两层结构，输入层节点数等于样本矢量的维度，而输出层节点数则对应于所需的聚类数。为了自适应地确定聚类数，特别是在处理灰度遥感影像时，文章提出了一个基于灰度直方图的方法。这个方法包括三个步骤： 1. 使用高斯滤波器对灰度直方图进行平滑处理，消除噪声并提取特征。 2. 计算平滑后的直方图的一阶和二阶差分，这有助于识别图像的灰度变化点，即潜在的聚类边界。 3. 通过寻找差分曲线的峰值，确定灰度直方图的峰点，这些峰点代表了可能的灰度聚类数和初始聚类中心。 此方法不仅简化了网络结构的确定，还增强了聚类的准确性。论文作者刘宣江在导师陆传赉的指导下，进行了深入的实验和理论分析，验证了AFKCN在遥感影像分类中的优越性能。实验结果表明，AFKCN能有效提高分类质量和速度，特别是在处理大量数据时。 在实际应用中，遥感影像的识别和分类对于地理信息系统（GIS）的数据更新和专题图的编制至关重要。传统的分类方法如基于统计模式识别的算法，往往在面对复杂环境和多样性的遥感数据时表现不佳。神经网络，特别是模糊Kohonen网络，由于其自我组织和学习能力，能够更好地适应遥感影像的非线性和不确定性，从而在模式分类中展现出强大的潜力。 本研究不仅丰富了遥感影像处理的理论基础，也为实际应用提供了实用的工具。结合MATLAB等编程语言，可以进一步实现这些神经网络模型的自动化和高效化，提升遥感影像分析的效率和精度。