模糊熵与RPCCL驱动的高解析遥感影像无监督聚类

本文主要探讨了"基于模糊熵和RPCCL的高分辨率遥感影像聚类分割"这一主题，发表于2009年第4卷第11期，由王超、童小华、谢欢和刘妙龙四位作者共同完成，他们来自同济大学测量与国土信息工程系。研究的核心内容是利用模糊熵阈值分割和受限制的次胜者受罚竞争学习(RPCCL)算法对高分辨率遥感影像进行无监督的聚类分割。 模糊熵是一种用于度量数据不确定性的统计量，它在图像处理中常用于选择阈值，帮助识别图像中的关键特征。在遥感影像分析中，通过对各波段的模糊熵曲线进行分析，可以找到可能的聚类中心，这些中心反映了不同地物类型的特征组合。这种方法的优势在于能够自动识别出不同类别间的界限，减少了人工设定阈值的需要。 RPCCL算法在此处被用来进一步优化聚类结果。这是一种竞争学习算法，通过模拟自然界的生存竞争规则，确保每个聚类中的样本尽可能接近其聚类中心，同时排除其他类别中的干扰。这种方法不仅确定了真实的聚类个数，还提供了每个聚类的确切中心位置。值得注意的是，与传统监督或半监督方法不同，这种算法不需要预先指定聚类数量或初始聚类中心，这对于大规模和复杂数据集的聚类分析具有显著优势。 实验结果显示，该方法在实际应用中表现出良好的性能，能够有效地实现高分辨率遥感影像的自动化分类，这对于环境监测、城市规划、土地利用变化分析等领域具有重要意义。这篇论文的关键词包括遥感影像、聚类、RPCCL和模糊熵，反映出研究的焦点集中在结合多种理论和技术手段提升遥感数据分析的准确性和效率。 这篇文章深入探讨了模糊熵与RPCCL在遥感影像处理中的融合应用，对于推动遥感科学和技术的发展，尤其是无监督聚类算法的优化，具有较高的学术价值。