基本信息
- 項目名稱：
- 一種利用K均值和SOM進行遙感圖像分類的方法
- 小類：
- 數(shù)理
- 大類：
- 自然科學類學術論文
- 簡介：
- 本文探討了一種將K均值算法和SOM神經(jīng)網(wǎng)絡算法相結合的方法，并將其應用于多光譜遙感圖像分類，通過與K均值算法、ISODATA算法和SOM算法的對比實驗，驗證了該方法的有效性。
- 詳細介紹：
- 遙感技術已經(jīng)廣泛應用于很多領域，遙感影像分類是遙感技術應用的關鍵問題。本文在前人的研究基礎上，探討了一種將K均值和SOM相結合進行多光譜遙感圖像分類的方法。首先用K均值算法對遙感影像進行粗聚類，以減少SOM聚類模式的輸入量，然后將K均值的聚類結果作為SOM的網(wǎng)絡輸入值進行自組織學習訓練，每一個像素點對應的獲勝神經(jīng)元作為它的判別類別，并在輸出層設置一個迭代閾值，將聚類數(shù)目小于該閾值的神經(jīng)元所分的類別劃分到最近的神經(jīng)元中，實現(xiàn)類別合并，最終實現(xiàn)遙感影像分類。將本文的分類方法與K均值算法和ISODATA算法以及SOM算法進行遙感圖像分類的對比試驗，本文的分類方法取得了較好的分類效果，實驗結果驗證了該方法的有效性。
作品圖片
作品專業(yè)信息
撰寫目的和基本思路
- 遙感圖像分類是遙感技術應用的關鍵問題。將SOM神經(jīng)網(wǎng)絡與傳統(tǒng)的K均值聚類方法結合起來進行遙感圖像的分類，既可以發(fā)揮K均值算法在對相對較小數(shù)據(jù)量進行聚類時效率較高的特點，又能保持SOM算法自組織的特點，提高分類的精度和效率。
科學性、先進性及獨特之處
- 傳統(tǒng)的分類方法并不完全適用于遙感圖像分類。神經(jīng)網(wǎng)絡方法有許多種，每一種方法都涉及到許多參數(shù)，用傳統(tǒng)的分類方法對遙感圖像進行粗聚類，用神經(jīng)網(wǎng)絡進行二次聚類，可以改善神經(jīng)網(wǎng)絡中的輸入?yún)?shù)，在提高效率的同時，優(yōu)化了神經(jīng)網(wǎng)絡分類的效果。
應用價值和現(xiàn)實意義
- 遙感技術的一個中心任務就是識別出各種地面物體，讓我們對地球表面了如指掌。遙感圖像分類能夠將不同種類的地面物體區(qū)別開來，同時可以用于地面專題信息提取，土地動態(tài)變化監(jiān)測，專題地圖制作，遙感數(shù)據(jù)庫的建立等，是GIS空間分析和輔助決策的一種有效的數(shù)據(jù)預處理方法。
學術論文摘要
- 本文探討了一種將K均值算法和SOM算法結合進行多光譜遙感影像分類的方法。首先用K均值算法對遙感影像進行粗聚類，以減少SOM聚類模式的輸入量，然后將K均值的聚類結果作為SOM的網(wǎng)絡輸入值進行自組織學習訓練，每一個像素點對應的獲勝神經(jīng)元作為它的判別類別，并在輸出層設置一個迭代閾值，將聚類數(shù)目小于該閾值的神經(jīng)元所分的類別劃分到最近的神經(jīng)元中，實現(xiàn)類別合并，最終實現(xiàn)遙感影像分類。 該方法既發(fā)揮了K均值算法在對相對較小數(shù)據(jù)量進行聚類時效率較高的特點，又保持了SOM算法自組織的特點，并且將二者結合的方法在分類性能上也得到了提高。通過實驗表明，該方法具有比傳統(tǒng)K均值算法和ISODATA算法更好的分類精度，比傳統(tǒng)的SOM算法更高的聚類效率和更好的聚類性能。
獲獎情況
- 已在《地理空間信息》 2011年2月 第1期 Vol.9 No.1發(fā)表?！兜乩砜臻g信息》雜志是全國優(yōu)秀測繪期刊、湖北省優(yōu)秀期刊、中國科技論文統(tǒng)計源期刊（中國科技核心期刊），并被《中國核心期刊（遴選）數(shù)據(jù)庫》收錄、《CNKI中國期刊全文數(shù)據(jù)庫》收錄，是中國學術期刊綜合評價數(shù)據(jù)庫來源期刊和CEPS中文電子期刊服務收錄期刊。
鑒定結果
- 暫無
參考文獻
- [1] 諶德榮, 陶鵬, 宮久路, 范寧軍. 一種基于SOFM神經(jīng)網(wǎng)絡的高光譜圖像快速分類方法[J]. 兵工學報, 2009, 30(2):165-169 [2] 吳柯, 方強, 張俊玲, 翁濤. 基于改進Kohonen神經(jīng)網(wǎng)絡的遙感影像分類[J]. 測繪信息與工程, 2007, 32(2):47-49 [3] 張釗，王鎖柱，張雨. 一種基于SOM和PAM的聚類算法[J]，計算機應用, 2007, 27(6):1400-1402 [4] 陳泯融, 鄧飛其. 一種基于自組織特征映射網(wǎng)絡的聚類方法[J]. 系統(tǒng)工程與電子技術, 2004, 26(12): 1864-1866 [5] 許海洋，王萬森. 基于SOM神經(jīng)網(wǎng)和K-均值算法的圖像分割[J], 計算機工程與應用, 2005, 41(21):38-40,57 [6] 楊占華，楊燕. 一種基于SOM和k-means的文檔聚類算法[J]. 計算機應用研究, 2006, 23(5):73-79 [7] Kuo RJ, An YL, Wang HS, et al, “Integration of self-organizing feature maps neural network and genetic k-means algorithm for market segmentation”, Expert Systems with Applications, Vol.30, pp. 313-324, 2006 [8] Godin N, Huguet S, Gaertner R, “Integration of the Kohonen’s self-organising map and k-means algorithm for the segmentation of the AE data collected during tensile tests on cross-ply composites”，NDT&International, Vol. 38, pp. 299-309, 2005
同類課題研究水平概述
- 遙感技術已經(jīng)廣泛應用于很多領域，遙感影像分類是遙感技術應用的關鍵問題。傳統(tǒng)的遙感圖像非監(jiān)督分類方法過于依賴圖像數(shù)據(jù)的分布，人工神經(jīng)網(wǎng)絡不基于數(shù)據(jù)分布的特性，作為一種智能信息處理的重要方法，為實現(xiàn)圖像自動分類創(chuàng)造了條件。具有非監(jiān)督學習能力的自組織映射網(wǎng)絡，結構簡單、易于實現(xiàn)，應用于數(shù)據(jù)分類時能夠取得較好的效果。 在SOM的眾多分類改進算法中，通常是對其自身網(wǎng)絡參數(shù)如初始化權值進行改進，或將SOM與常規(guī)的聚類算法相結合。其中，將SOM和K均值進行結合可以有兩種策略：一種是用SOM對K均值算法進行改進，即用SOM神經(jīng)網(wǎng)絡改進K均值聚類算法的初始化中心和確定聚類中心數(shù)目，并已應用于圖像分割、文檔聚類、客戶分類和聲波數(shù)據(jù)分割等領域。另一種是用K均值改進SOM算法，即先進行K均值聚類，然后再進行SOM聚類。該方法已被應用于遙感圖像分類。蘇木春和張孝德用K均值算法改進SOM網(wǎng)絡的初始權向量，即用K均值算法找到的N×N 個聚類中心作為SOM 網(wǎng)絡的初始化權值；但是遙感圖像的分類數(shù)目不一定能滿足N×N的條件。周智勝等將小波分解出的不同尺度下的遙感圖像進行分步處理，即先用K均值算法對粗尺度的遙感圖像進行分類，再在此基礎上用SOM算法進行細尺度的分類，抗噪性強，提高了分類精度和速度；但該方法也存在分類類別數(shù)需要預先確定問題。
