土地资源管理毕业设计（论文）-基于高维聚类的土地利用影像分类中的区域合并算法.doc

《土地资源管理毕业设计（论文）-基于高维聚类的土地利用影像分类中的区域合并算法.doc》由会员分享，可在线阅读，更多相关《土地资源管理毕业设计（论文）-基于高维聚类的土地利用影像分类中的区域合并算法.doc（41页珍藏版）》请在三一文库上搜索。

1、1 学号_200632450004 密级_ 武汉大学本科毕业论文 基于高维聚类的土地利用影像分类中的区 域合并算法 院（系）名 称：资源与环境科学学院 专 业 名 称 ：土地资源管理 学 生 姓 名 ： 指 导 教 师 ： 二一年六月 2 BACHELORS DEGREE THESIS OF WUHAN UNIVERSITY Research on interest rate risk of commercial banks College ：Whuhan University Subject ：Land Resource Management Name ： YangXiaoyu Direct

2、ed by ： JiaoLimin Professor June 2010 3 郑郑 重重 声声 明明 本人呈交的学位论文，是在导师的指导下，独立进行研究工作所 取得的成果，所有数据、图片资料真实可靠。尽我所知，除文中已经 注明引用的内容外，本学位论文的研究成果不包含他人享有著作权的 内容。对本论文所涉及的研究工作做出贡献的其他个人和集体，均已 在文中以明确的方式标明。本学位论文的知识产权归属于培养单位。 本人签名： 日期： 4 摘 要 影像分割是面向对像遥感图像处理方法中的重要一环，分割的好坏也将直 接影响到后续分析、识别和解译等的精度，它是进行图像分析的关键技术。 影像分割时，可能特征会被

3、错分，也有可能一个特征被分成很多小部分。 通常不管用什么分割方法这个问题都很难避免，此时则必须通过合并 （Merging）,改善对地物界线的描绘，并通过合并来解决过度分割问题。 本文结合遥感图像的空间拓扑关系、光谱以及纹理，提出一种新的区域合 并算法用来解决遥感图像过度分割的问题。围绕这一问题，本文进行了如下研 究： 首先介绍了面向对象分类技术以及空间聚类技术，然后分析了遥感图像分割后 各分块的光谱，纹理和形状特征，提出了综合这三者的区域合并算法。最后以 一副分割遥感图像为实例，进行区域合并，并对合并后的结果进行了评价。 该方法采用一种基本的图像分割方法得到初始分割结果，扫描分割区域建 立分割

4、块之间的邻接关系，继而在此基础上先后加入光谱、纹理、形状等特征 进行合并调整，形成另一个分割较大尺度的区域结构。该过程可以迭代进行， 直到无法再进行合并为止。 关键词关键词：面向对象； 双重聚类； 区域合并 5 ABSTRACT Image segmentation is oriented to the remote sensing image processing methods as an important part of the division, or will directly affect the subsequent analysis, identification and i

5、nterpretation of precision, it is a key technology of image analysis. Image segmentation, may feature will be wrong points and may also have a characteristic is divided into many small. Usually use whatever segmentation method is hard to avoid this problem, it must be through merger of Merging (, im

6、proved the boundaries of ground, and through the merger to solve the excessive segmentation problem. Based on the remote sensing image space topology relation, and texture, and presents a new algorithm for solving regional merger too remote sensing image segmentation problem. Around this problem, th

7、is paper studied the following: First introduced the object-oriented classification technology and spatial clustering techniques is analyzed, and then the remote sensing image segmentation after the spectrum, texture and partitioned shape characteristic, the proposed algorithm of merging. Finally, t

8、aking a deputy remote sensing image segmentation, for example, are merged, and after the merger of the evaluation results. This method USES a basic image segmentation method, scanning the initial segmented regions divided between adjacent to establish relations division block, then based on the spec

9、trum, texture, successively joining combined adjustment characteristics such as shape, form another division bigger scale regional structure. This process can iteration until cannot merger. Key words: Object-oriented;Dual cluster;region merging 6 目目 录录 摘 要4 ABSTRACT5 第 1 章 绪论.7 1.1 研究背景 7 1.2 研究目的和意

10、义 9 1.3 研究思路 .10 第 2 章 理论技术基础11 2.1 面向对象分类方法 .11 2.1.1 遥感影像分割技术12 2.1.2 面向对象分类技术16 2.2 空间聚类算法介绍 .17 2.2.1 空间聚类算法简介17 2.2.2 高维空间聚类方法18 第 3 章 区域合并算法研究19 3.1 影像特征描述 .19 3.1.1 光谱特征20 3.1.2 形状特征21 3.1.3 纹理特征23 3.2 影像分割后区域合并属性距离 .24 3.3 区域空间关系 .26 3.4 处理步骤 .27 第 4 章 实例分析30 4.1 数据选择 .30 4.2 初始分割影像 .31 4.3

11、利用新算法进行区域合并 .34 结论.37 7 参考文献.38 8 第第 1 1 章章 绪论绪论 1.11.1 研究背景研究背景 遥感（Remote Sensing）被称为一种远离目标，通过非直接接触而判定和 分析目标性质的技术，即从远处通过传感器探测和接收来自目标物体的信息 （如电场、磁场、电磁波、地震波等） ，经过信息的传输及其处理分析，识别物 体的属性及其分布等特征的技术。在20世纪60年代一经提出后，由于其能够动 态、快速、准确的提供多种对地观测资料而得到了迅猛的发展。也正是由于它 的科学性和实用性，使它在国民经济建设和国防建设的各个领域承担起了越来 越重要的角色。今天的遥感技术已从最

12、开始的利用普通的、不精确的摄影手段 获取被测目标的方法，发展到了利用专业的、精密的、准确的现代化的仪器和 设备获取被测目标的新阶段。新型传感器的不断出现，已从过去的摄影型传感 器发展到现在的扫描型、雷达型等多种类型的传感器，并能搭载到地面、航空、 航天等遥感平台上获取不同类型、不同空间分辨率、不同时间分辨率、不同光 谱分辨率的遥感影像。 土地利用与土地覆盖变化是全球变化研究的重要内容，而土地利用与土地 覆盖数据的获取是其重要的基础工作。随着遥感平台的多样化和图像分辨率的 提高，以及计算机技术的迅速发展，遥感技术已成为土地利用与土地覆盖信息 获取的重要手段。 如今，面向对象的遥感图像处理方法已经

13、逐步替代了面向像元的遥感图像 处理方法。面向对象的遥感图像处理方法是一种融合了图像的光谱特征、几何 信息和结构信息等的综合处理方法。这种方法的基本处理单元不是单个的像素， 而是影像分割后提取的影像对象。通过提取对象的多种特征，可以建立对象与 对象和对象与图像之间的逻辑联系，并从局部和全局两个层面对图像进行分析， 最终完成对图像的理解。相对于单个像素，影响对象可以提供除光谱特征外的 纹理、拓扑、形状、尺度相关特征和上下文等信息。利用这些信息，目标分类 识别将更加详细、准确。最重要的是，面向对象的影像分析方法使得在图像解 译过程中加入所必需的语义信息成为可能，增强了计算机解译的空间分析能力。 而遥

14、感影像分割是面向对象的遥感影像分析方法的基础和关键，在遥感影 9 像工程中处于影像处理与影像理解的中间环节，是面向对象的影像分析理论研 究的突破。按照一般的影像分割定义，分割出的影像对象区域需同时满足相似 性和不连续性两个基本特性；其中相似性指该影像对象内的所有像元点都满足 基于灰度、色彩、纹理等特征的某种相似性准则，不连续性是指影像对象的特 征在区域边界处的不连续性。迄今为止，将计算机视觉领域的图像分割算法应 用于图像分割过程中，已开展了较多的研究，并提出了大量的算法；但针对遥 感影像尤其是高分影像的分割方法较少，仍不成熟。这是由于与其他类型图像 的分割相比，高分影像分割难度更大，也更具挑战

15、性。具体体现在高分影像其 空间分辨率高、纹理信息丰富而光谱信息相对不足，影响分割的主要因素是数 据量大、空间变异性高，再加上对高分影像的分析与理解需要从不同的尺度着 手，因此分割的语义、尺度、效率、精度和可重复性是需要解决的问题，另外 分割结果的客观评价也是尚未解决的问题之一。 本文就分割后遥感图像过度分割的问题，提出了一种新的区域合并算法， 将小的分块合并到大的分块里，例如树、道路或者田地等，用来解决过度分割 的问题，从而使遥感图像的分割更加精确，方便各类面状地物及其特征的提取。 1.21.2 研究研究目的和意义目的和意义 现有的遥感处理软件对遥感图像进行分类，大都采用传统的基于像素的分 类

16、方法。基于像素方法主要是根据地物的光谱信息特征进行的，即同类地物像 元的特征向量将集群在同一特征空阈区域，丽不同的地物其光谱信息特征或空 间信息特征将不同。基于像素的遥感图像处理方法都是基于遥感图像光谱信息 极其丰富，地物间光谱差异较为明显的基础上进行的。这种方法更适合于多光 谱和高光谱分辨率的遥感图像，对于分析低分辨率遥感图像中的大面积区域变 化，或多光谱、高光谱遥感图像地物层次结构可能会取得较好的结果。 相对于多光谱遥感图像来说，高分辨率遥感数据具有丰富的空间信息，地 物几何结构和纹理信息更加明显，更便于认知地物目标的属性特征，如地物的 光谱值、形状、纹理、层次和专题属性等。但其通常只包含

17、较少波段，光谱特 征不如空间特征丰富。对于高分辨率的遥感图像来说，基于像素的处理方法不 考虑图像的空间特征和对象的拓扑关系，只考虑光谱信息，造成了图像处理定 10 性分析的困难。而且其处理的结果常常是椒盐图像，很难识别。基于像素的方 法还造成了不同传感器、不同时间图像融合的困难。因此高分辨率遥感图像再 利用传统的分类方法处理，就会使得分类精度降低、空间数据冗余，造成资源 的浪费。 为了更好地解决以上问题，面向对象的遥感图像处理方法应运而生。面向 对象的遥感图像处理方法是一种融合了图像的光谱特征、几何信息和结构信息 等的综合处理方法。这种方法使用对象作为处理的最小单元，通过提取对象的 多种特征，

18、建立对象与对象和对象与图像之间的逻辑联系，并从局部和全局两 个层面对图像进行分析，最终完成对图像的理解。该方法在分类时不仅依靠地 物的光谱特征，更多的是要利用其几何信息和结构信息，图像的最小单元不再 是单个的像素，而是一个个对象，后续的图像分析和处理也都基于对象进行， 结果图像更符合人的视觉习惯。面向对象的方法最重要的是加入了图像解译所 必需的语义信息，图像分析主要是用图像对象的本质特征和邻近对象之间的拓 扑关系，增强了计算机解译的空间分析能力. 遥感影像分割是面向对象的遥感影像分析方法的基础和关键，在遥感影像 工程中处于影像处理与影像理解的中间环节，是面向对象的影像分析理论研究 的突破。它将

19、遥感图像分割成利于分析的同质图像区域。关于图像分割的算法 有几千种，但基本上没有一种算法能够精度高、速度快、可重复性好、可控制 过程地得到令人信服的结果。 针对以上问题，本文仅就分割后图像进行加工处理，通过基于异质性最小 的原理，提出一种算法，将过度分割的小的分块合并到大的分块里，用来解决 过度分割的问题。 1.31.3 研究思路研究思路 本论文一共分为四章，各章节内容安排如下： 第 1 章为序论部分，主要说明了本文的研究背景现状，研究的目的意义以 及研究思路和结构安排。 第 2 章介绍了本文的理论基础，分为两个部分。第一是面向对象的遥感处 理方法，第二则是基于双重距离的空间聚类方法。 11

20、第 3 章分析了遥感图像分割后各区块的特征，将其特征分为光谱，纹理以 及空间形状三类。本文利用 ENVI ZOOM 软件进行遥感影像的分割，将光谱，纹 理和形状分为如下几类，进行区域合并时则根据需要进行选择。光谱包含了最 小波段值，最大波段值，平均波段值和标准差；形状特征包含面积、边长、紧 凑度、凸性等 14 个指数；纹理则包含了均值(Mean)、变化量(Variance)、熵 (Entropy)以及相关(Correlation)4 个指数。 第 4 章选取了一副遥感图像进行了实例分析。本文首先利用 ENVI ZOOM 软 件自带的合并分块模块将分割后的图像进行区域合并，然后采用本文的新算法

21、进行区域合并，并将两者结果进行了比较分析，并对合并后的分割图像进行精 读评定，最后得出结论。 初始分割 结果 合并准则 区域合并 生成新的分割图像 遥感图像简化图像 利用 ENVI ZOOM 软件初始分割图像 12 第第 2 2 章章 理论技术基础理论技术基础 2.12.1 面向对象分类方法面向对象分类方法 当面向象素的分类已经无法适应遥感影像分类要求时，学者便把图像分割 算法引入遥感图像分类方法中，寻求另一种分类方法面向对象的分类，分 类的最小单元不再是单个的象素而是对象，分类的特征除了光谱特征外更多的 利用对象的几何特征、纹理特征、拓扑或邻接关系特征，并把地理位置信息加 入进去，利用对象之

22、间的关系来反映地理实体之间的关系，与地理位置密切相 关，对遥感数据进行了更加深入的挖掘，实现了提取出的目标在形状和分类上 与真实情况相符合。 面向对象影像分类有两个独立的模块：对象生成与信息提取。对象生成是 采用分割技术生成属性值不同的影像对象的过程，成功的影像分割是面向对象 的影像分析的必要的前提。影像信息提取是基于模糊逻辑的分类系统，并不简 单地将每个对象简单地分到某一类，而是给出每个对象隶属于某一类的概率， 根据地物特征以及空间相关信息建立模糊逻辑的知识库，进行信息提取。 2.1.12.1.1 遥感影像分割技术遥感影像分割技术 2.1.1.22.1.1.2 概述概述 对象是采用影像分割技

23、术生成属性信息不同的影像对象。对每一种面向对 象的影像处理方法来说，成功的影像分割都是必要前提。图像分割就是按照一 定的原则将一幅影像分为若干个特定的、具有独特性质的部分或子集，并提取 感兴趣目标的技术和过程。图像分割的目的是把图像空间分成一些有意义的区 域，例如一幅卫星影像，可以分割成河流、森林、居民地、工业用地等。可以 以逐个象素为基础去研究图像分割，也可以利用在规定领域中的某些图像信息 去分割。 图像分割的方法多种多样，如小波变换边缘检测、分形图像分割、基于马 尔科夫随机场模型的纹理分割、模糊聚类与模糊边缘检测、基于人工神经网络 13 的图像分割方法等等。这些方法可以归为三大类：基于阈值

24、的分割方法、基于 边缘的分割方法和基于区域的分割方法。 1. 基于阈值的图像分割 阈值分割算法是区域分割算法中具有代表性的一类非常重要的分割算法。 由于图像阈值处理的直观性和易于实现的特点，以及阈值分割总能用封闭而且 连通的边界定义不交叠的区域，使得阈值化分割算法成为图像分割中应用数量 最多的一类。阈值分割的优点是计算简单。运算效率较高，速度快。另一方面， 这种方法只考虑象素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。 在实际应用中，阈值法通常与其他方法结合使用。 2. 基于边缘的分割方法 图像最基本的特征是边缘，它是图像局部特性不连续(或突变)的结果。基 于边缘的分割方法是将图像中所

25、要求分割的目标边缘提取出来，从而将目标分 割出来。 基于边界的分割方法是利用不同区域间像素灰度不连续的特点检测出区域 间的边缘，从而实现图像分割。边缘检测是所有基于边界分割方法的第一步， 根据处理的顺序，边缘检测可分为并行边缘检测和串行边缘检测。该方法受噪 声影响较大。 3. 基于区域的图像分割 区域分割的实质就是把具有某种相似性质的象素连通起来。从而构成最终 的分割区域。它利用了图像的局部空间信息，可有效的克服其它方法存在的图 像分割空间不连续的缺点，但它通常会造成图像的过度分割。比较早的基于区 域的分割方法有阈值法，区域生长、分裂合并方法、聚类分割等。 (1) 阈值法 阈值化分割已经有几十

26、年的历史，是图像分割领域中较早出现的一类方法， 也是最基本的方法，在灰度图像的分析和识别中起着重要的作用。其目的是按 照图像的灰度级，将图像空间划分成与现实景物相对应的一些有意义的区域。 这种方法基于对灰度图像的一种假设：目标或背景的相邻像素间的灰度值是相 似的，而不同目标或背景的像素在灰度上有差异，其间存在着边界，反映在直 方图上，不同目标和背景对应不同的峰，选取的阈值应位于两个峰之间的谷处。 14 阈值分割的优点是简单，对于直方图峰谷特性明显的图像具有较好的分割 效果。缺点是对于图像中不存在明显灰度差异(直方图为宽谷或单峰)或各物体 的灰度范围有较大重叠时难以得到准确的分割结果。另外，阈值

27、法对于光照不 均匀的图像难以用统一的门限进行分割。 (2) 区域生长 区域生长是一种串行区域分割方法。区域生长的基本思想是，将具有相似 性质的像素集中起来构成区域。具体为先对每个要分割的区域找一个种子像素 作为生长点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素 合并到种子像素所在的类中。 区域生长算法的研究主要集中在两个方面。一个是种子点的选择，不同的 种子会有不同的分割结果，最好的情况是每个关心区域有一个代表性的生长点， 但算法很难自动得到生长点。在没有先验知识的情况下，采用随机的种子点和 随机的相似性准则分割的结果可能会与实际情况相差甚远。另一个是区域生长 过程中的相似性准则

28、的设置，这两个都在很大程度上直接影响着分割的质量。 (3) 分裂合并方法 在区域合并方法中，输入图像往往先被分为多个相似的区域，然后类似的 区域根据某种准则进行迭代合并。在分裂合并算法中，整个图像先被看成一个 区域，然后分成任意大小且不重叠的区域，最后再按照一定的相似性准则合并 或分裂直到这些区域满足了同质性原则的要求。分裂合并方法一般需要根据图 像的统计特性设定图像区域属性的一致性测度判断准则。这个准则设定的好坏 直接影响着分割的质量，不好的准则可能会使分割区域的边界被破坏。常用的 分裂方法有：金字塔分割法、分水岭算法、FCM(fuzzy C-means)算法。 (4) 聚类分割 聚类分割算

29、法不需要训练样本，是一种无监督的统计方法。聚类算法迭代 的进行图像分类，并提取各类的特征值。典型的聚类分割算法有K均值算法、模 糊C均值算法。聚类算法不需要训练集，但是需要有一个初始分割提供初始参数， 初始参数对最终分类结果影响较大。另外，聚类也没有考虑空间关联信息，对 噪声和灰度不均匀较敏感。 2.1.1.22.1.1.2 多尺度分割技术多尺度分割技术 由于遥感影像的多波段多分辨率特征，使得分割技术进入遥感影像分析领 15 域中的时间还不长。其它领域的影像分割技术不能适用于遥感影像的分析，主 要是因为遥感影像的应用其独特之处。分割本身不是目的，影像分析的目的是 对感兴趣对象做提取。然而，在很

30、多情况下，我们感兴趣的对象是非均质的。 按照均质标准实施的分割往往不能直接提取最终我们感兴趣区域或对象。就影 像分析而言，由分割得到的影像对象只能称之为影像对象原型，作为信息载体 是进一步分类和其它分割过程的原材料，从这个意义上来说，最好的分割结果 是能提供用于进一步处理的最优信息。 客观现实世界中同类型的目标在不同分割尺度上的表现是不一样的反之， 分类任务和感兴趣的目标直接决定了一个兴趣尺度。不同类型的数据，不同分 类任务需要在不同的尺度下进行分析，多尺度分割为方便地调整特定影像分析 任务所需要的影像对象尺度提供了可能。尺度分割技术可以同时构造出在不同 空问分辨率下的表现影像信息的影像对象层

31、。 1. 多尺度分割概念 影像分割已成遥感专题信息提取中不可缺少的技术，如何根据专题应用尺 度将相邻的像元组成有意义的影像对象并融入对象的背景信息是影像分析成功 的关键。考虑到遥感影像的复杂性，为获取最佳的影像对象，在进行影像多尺 度分割之前，必需充分考虑以下几个要求： 分割应得到高度均质的斑块用于影像区域最优的分离和显示；由于影像分 析问题处理的是基于特定数据的一定空间尺度结构下的问题，因而影像对象的 大小能够根据所需要的尺度大小调整；影像对象几乎所有的属性-色调、纹 理、形状以及与相邻区域的关系等或多或少都与尺度有关系，因而只有相似尺 度的结构才能比较质量和属性，故相应的影像对象大小应该差

32、不多；分割方法 应该具有普遍性，适用于各种不同类型的数据和问题；分割结果应该具有重复 性，由于对地观测通常得到的数据量很大，因而分割过程应尽可能的快。 影像信息提取可以在多个尺度的图层中进行切换，不同的信息在相应尺度 的对象层上提取，如对空间尺度大的类别就可以在分割尺度较大的图层中建立 训练样区进行分析，相反对于地物类型复杂的区域，就考虑尺度较小的图层中 来进行各种处理，信息提取完成后的各种地类可以叠加合并为一个图层，这种 采用多尺度图层提取信息的方法，始终比在一个图层中操作更合理与高效。 将多尺度和面向对象的分割结合起来是获取遥感数据不同尺度信息的最有 16 效的方法，这种方法的优点是克服了

33、数据源的固定尺度，考虑景观中格局或过 程的多层次，采用多尺度结够来揭示层次关系，这样就能充分利用对象信息、 类间信息。 2. 多尺度分割原理：基于异质性最小原则的区域合并 异质性标准包括两部分：色调标准和形状标准。光谱标准是合并两个影像 对象时产生的光谱异质性变化，用光谱值权重的加权标准差的改变来描述形 状标准是描述形状改变的一个值。它通过两个不同的描述理想形状的模型来实 现。 多尺度分割是一种从单像素对象开始的自上而下的区域合并技术。在接下 来的无数个步骤中，小的影像对象合并为大的对象，在两两聚类过程中，包含 的优化过程将影像对象的异质性权重最小化。在分割过程中最关键的是理解多 尺度这一过程

34、，多尺度分割并不能产生不同尺度的数据集，所有数据都来自于 同一地理参考下同一空闻分辨率的遥感影像数据源。在每一步中，相邻影像对 象如果符合规定的异质性的最小生长条件，则被合并。如果最小生长超过了由 尺度参数定义的阈值时，该过程就停止多尺度分割实质就是一个局部最优化 的过程。 具体步骤如下：首先设置分割参数，包括设定一个尺度阙值即停止像元合 并条件；根据影像信息纹理特征及所提取专题信息要求确定光谱因子与形状因 子的权重；在形状因子中，根据大多数地物类的结构属性确定光谱因子与形状 因子的权重。其次以影像中任意一个像元为中心开始分割，第一次分割时单个 像元被看作一个最小的多边形对象参与异质性值的计算

35、；第一次分割完成后， 以生成的多边形对象为基础进行第二次分割，同样计算异质性值，判断f与预定 的阚值之间的差异，若f小于阈值h则继续进行多次的分割，相反则停止影像的 分割工作，形成一个固定尺度值的影像对象层。 2.1.22.1.2 面向对象分类技术面向对象分类技术 面向对象的影像信息提取中以计算机自动分类的监督分类为主，手动分类 为辅；以模糊数学分类为主，以其它新的分类技术为辅。主要分为两个方面： 一种是基于样本的分类方法，即选择样本后再分类；另一种是基于规则的分类 方法，即通过图像的光谱，形状和纹理特征等信息，建立规则模型进行分类。 基于以上两种方法都需要建立隶属度函数，通过建立函数成员库对

36、影像对 17 象进行分类。在影像信息提取过程中自动分类与目视解译错分、漏分的影像对 象纠正，这样既有了自动分类的高效，又具有手动分类的精确阅。 2.1.2.22.1.2.2 模糊分类模糊分类 模糊分类法，其基本思想是用一个以0-1统一范围来取代二值的确定逻辑 状态“是”与“非” ，它给出对象对于所有定义类型的隶属度，最大的隶属度将 决定对象的类型归属，如果所有的隶属度均为0，那么这一对象将不进行分类。 模糊隶属度函数定义的对象特征的模糊集的结合，是通过概念及专家知识的知 识库来定义分类策略的方法。 隶属度函数，是用来定义对象特征的模糊集，即影像对象属于某一类的准 则，可以用对象特征和类间特征来

37、表述概念和专家知识并用于分类。隶属度函 数是一个以0-1统一范围来表达任意特征范围的简单方法，在分类体系的基础 上，建立每个类的隶属度函数。在每一个构成类型描述的单特征计算之后即 评估完形成每个类的每个特征，会由隶属度函数返回一个在0和l之间的隶属度 值这些值可以通过逻辑运算符组合起来进行类赋值的计算，为一个分配值。 隶属度函数提供了把大小和值域范围大为不同的特征结合在一起的可能性，把 这些特征结合为通常的赋值。隶属度函数提供了组合不同维数不同范围值的可 能性。 隶属度函数易于对每个特征进行编辑和调整，它提供了特征值和类隶属度 之间非常透明的关系并且可利用一些知识和概念，比较容易接受。若是一维

38、空 间，则可以交互的编辑隶属度函数，明确表达知识和概念。发展规则库形成多 维依赖就非常清楚并且容易调整。在模糊规则库中组合不同方法生成的条件， 这和定义条件的方法以及条件的复杂性无关。模糊系统只传递一个简单的值作 为满足条件的度。这个度决定了规则的结果。这样，在规则库中可以任意组合 条件，对于每个条件和每个类描述，都可以选择最合适的方法。这个模糊逻辑 规则库可以把知识和概念以不同的方式进行公式化表达。可手动或自动定义隶 属度函数。一些关于类描述的专家知识以及类间的关系可以进行继承。 2.22.2 空间聚类算法介绍空间聚类算法介绍 2.2.12.2.1 空间聚类算法简介空间聚类算法简介 18 所

39、谓聚类，是指将数据对象分组成为多个类或簇（cluster），在同一个类 中的对象之间具有较高的相似度，而不同类中的对象差别较大。聚类问题的一 般描述是： X=()是 N 个数据对象的集合,是 K 个数据 N21 ,XX,X K21 C,C,CC 对象集合或组:即通过聚KiCjiCX,CC.CC ijiK ,.,1, 21 类算法，N 个数据对象分别组成 K 个数据组，每个组至少包含一个对象，每个 对象必须属于且只属于一个组（在模糊聚类中，上述条件有所不同）。 聚类结果可以表示为： 其中,uU KNik 0/1，当值为 1 时，指 i 对象属于组 k，当值为 0 时，i 不属于组 k。 ik u

40、 K k ik ,.,K,.,N;k,iu 1 3213211 ,.,K,.,N;k,i,uik212110 聚类算法一般有四种： (1) 分割方法(partitioning method)。 给定要构建的划分数目（即分组的数 目）K，分割方法根据一定的规则对所有对象确定一个初始划分，然后采用一种 迭代的重定位技术，使数据对象在划分之间来回移动，以达到划分最优。k-平 均算法（k-means）和 k-中心点算法(k-medoid)是划分方法的两个代表。 (2) 层次方法（hierarchical method）层次聚类又可分为两个方向，一是 自底向上的凝聚方法，初始把所有对象看作单独的分组，然

41、后相继合并相近或 相似的对象或组，直到符合一个终止条件为止；一是自顶向下的分裂方法，初 始把所有对象看作一个分组，然后逐步把大簇分裂为小簇，直到划分为 K 个组 或符合其它终止条件为止。层次聚类方法同分割聚类方法的不同之处在于：对 于分割聚类方法，一般需要一种迭代控制策略，使得整个聚类逐步优化；层次 聚类方法并不是试图寻找最佳的聚类结果，而是按照一定的相似性判断标准， 合并最相似的部分，或者分割最不相似的两个部分。前者从每个对象作为一个 类开始，逐层向上进行聚结；后者从所有的对象归属在惟一的一个类中开始， 逐层向下分解。CURE 和 BIRCH 算法是层次方法的两个代表。 19 (3) 基于密

42、度的方法（density-based method）基于密度的聚类方法以局 部数据特征作为聚类的判断标准，其主要思想是，只要临近区域的密度（对象 或数据的数目）超过某个阈值，就继续聚类。类被看作是一个数据区域，在该 区域内对象是密集的，对象稀疏的区域将各个类分隔开来。多数基于密度的聚 类算法形成的聚类形状可以是任意的，并且一个类中对象的分布也可以是任意 的。 (4) 基于网格的方法(grid-base method)基于网格的方法把对象空间量化 为有限数目的单元，形成一个网格结构，把对数据对象的考察转化为对网格空 间的考察，使其独立于数据对象数目，处理速度很快。STING 是基于网络方法 的典

43、型例子。 2.2.22.2.2 高维空间聚类方法高维空间聚类方法 纵观分析已有的空间聚类方法可以发现,它们大都只采用空间位置或非空间 属性之间的距离作为相似性度量指标。前者仅依据空间要素的空间邻近特性进 行聚类,忽略了空间要素的非空间属性特征;而后者直接采用传统聚类分析方法, 即 根据非空间属性特征之间的相似性进行聚类,忽视了空间邻近性。由于空间属性 和非空间属性是空间数据固有的双重特性,这要求空间聚类时同类要素既要在空 间上毗邻,又要在非空间属性上具有最大的相似度。也就是说,只有兼顾二者的 特性进行空间聚类,才能更好地遥感图像分割后的地块进行区域与合并。 目前,综合考虑这两类特征的空间聚类方

44、法主要有分治法和一体化法。 分治法从空间位置和非空间属性两方面分别进行聚类,进而综合生成最终聚 类结果,主要有 DC(Dual Clustering)算法和 DCAD(Dual Cluster-ring Algorithm for Distributed Spatial Database)算法。DC 算法根据空间要素 的空间位置和非空间属性生成优选域(Optimization Do-mains)和约束域 (Constraint Domain)两类簇,并使用支持向量机分类器计算要素间的距离作为 聚类的相似度进行聚类。DCAD 算法首先在分散的服务器中分别计算空间属性和 非空间属性的本地类簇,然后

45、分散的服务器将空间、非空间类簇集发送到中心服 务器上,中心服务器利用显著性指标计算并构建全局型类簇,最后将全局型类簇 结果分发给各分散的服务器,再更新各空间要素的聚类结果。分析可以发现,分 20 治法空间聚类存在算法复杂,计算量大,需要输入的参数多,可扩展性不好等问题。 一体化法是将空间要素的位置(即坐标)和非空间属性数据都视为空间要素 的属性数据,并使用属性距离函数计算相似度,再结合 k-means 算法进行聚类的 方法。一体化法存在空间坐标和非空间属性同等看待,弱化了要素的空间特性; 在计算距离前,需要将坐标值和非空间属性数据进行无量纲化处理,计算开销巨 大;相似度计算时权重向量的确定困难

46、,且带有一定的主观性和随机性;由于 k-means 算法本身存在因随机选取初始聚类中心而产生的聚类不确定性,从而导 致一体化法也存在聚类不确定性。 第第 3 3 章章 区域合并算法研究区域合并算法研究 3.13.1 影像特征描述影像特征描述 要对遥感图像分割后的区域进行合并，首先要明确目标的定义和特性。面 状地物与航空影像中的其他类型地物在几何结构上有着很大的区别。我们可以 将面状地物表述为一定面积的、内联通、边界封闭的平面。在遥感影像中，常 见的面状地物如水域、植被、建筑群、居民地等。 对不同类型的地物进行描述时，需要联系其相关的几何、光谱、纹理等各 个方面的特征。分析和提取遥感图像的特征是

47、在遥感图像处理提取过程中的一 个必不可少的步骤。经过图像分割我们可获得比较完整的影像对象，这些对象 具有较好的完整性和单一性，它们的特征值有很强的代表性。这些特征的有效 区分，是实现合并的基础。以水域为例：可以将之描述为几何(Geometric)、光 谱(Spectrum)、拓扑(Topology)、纹理(Texture)等特征。 其中属性是在景物空间的知识，偏重于语义知识的描述；而光谱、拓扑、 几何特征则由景物域的特征投影到影像域，有着直接的对应关系。 3.1.13.1.1 光谱特征光谱特征 21 在遥感影像中，由于各种地物组成的物质成分、结构、理化性质的差异， 导致不同的地物对电磁波的反射

48、存在着差异，并且致使地物的热辐射性质也不 完全相同。同一地物在不同的波谱段，其反射的电磁波与热辐射也有差异。在 图像上就可以反应为，相同地物在不同波谱段的图像上色调会不同。这就是地 物的光谱效应。光谱特征是遥感影像研究领域中非常普遍和常用的描述地物的 特征。光谱特征的基本统计量包括：各波段的最小值、最大值，亮度，均值， 标准差，直方图，相关系数等。 1. 波段均值(Mean) 用来表示每个对象或者区域的各层，即各波段的均值。公式表示如下： yyx kv kkyxc n pcvc , , 1 其中，是对象v的像元集合，定义为:= v p v pvyxyx),(, k为波段层值; n为对象v内像元

49、的个数; 为像元在k波段层的灰度值。),(cyx k 2. 亮度(Brightness) 用每个对象各个波段均值的平均值来表示图像的亮度。公式表示如下： L n i i L c n b 1 1 其中，为层数，为对象在第I层的均值。 L n i c 3. 标准差(StdDev) 用来表示图像区域每个波段数据的集散状况。公式表示如下： vvv pyxpyx kk pyx kvkk yxcyxc n yxc n pv , 2 , 1 , 1 这里参数代表的意义和灰度值均值相同。 4. 波段比(Ration) 指对象某层的均值与所有层均值和之比。公式表示如下： L n i k k L vc vc r 1 22 5. 归一化植被指数(NDVI) 在植被遥感中，归一化植被指数应用最为广泛。研究表明，NDVI是植被生 长状态和植被覆盖度的最佳指示因子。NDVI被定义为近红外波段与红光波段数