基于凝聚层次聚类的高分辨率遥感影像分割算法研究

论文摘要

遥感影像分割是遥感影像模式识别的基础,是实现从遥感影像上进行目标计算机自动提取的第一步工作,在遥感应用分析中具有重要意义。聚类分析作为一种非监督学习方法,广泛应用于遥感影像分割,在中低分辨率遥感影像分割中取得了不错的效果。但是随着遥感影像分辨率的提高,现有的常用聚类分割算法存在分割精度不高、分割结果杂点、碎斑过多等不足,已经不能满足高分辨率遥感影像的应用需求。基于此,本文研究了常用的遥感影像聚类分割算法,通过实验分析了它们在高分辨率影像分割时存在的问题和不足。并针对这些问题和不足,研究了基于凝聚层次聚类的高分辨率遥感影像分割算法。本文的主要研究工作如下:研究了数据挖掘的基本原理、功能和过程,总结了数据挖掘在各个领域的应用,并对聚类分析进行了深入研究,分析了各类聚类分析算法的优缺点。研究了遥感及遥感影像分割的相关概念,分析了各类遥感影像分割算法的优缺点,详细介绍了常用的遥感影像聚类分割算法K-Means和ISODATA,并利用高分辨率影像对这两个算法进行了实验分析。针对K-Means和ISODATA在高分辨率遥感影像分割中的不足,基于凝聚层次聚类算法的思想,结合高分辨率遥感影像特点,研究了基于凝聚层次聚类的高分辨率遥感影像分割算法。该算法以影像光谱特性和形状特性作为判定规则,通过加入了影像网格化、碎斑和噪声去除等功能,有效提高了影像分割结果的可用性和准确性。并利用SPOT-5影像数据对算法的有效性进行实验验证,分别进行了参数实验和网格化效率实验,以及与K-Means、ISODATA聚类分割算法比较实验,实验结果表明该算法能够较好地完成遥感影像的分割,较之K-Means和ISODATA有一定的优势。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题背景及研究意义
• 1.2 国内外研究进展
• 1.3 主要研究内容
• 1.4 论文组织结构
• 第二章 数据挖掘及聚类分析
• 2.1 数据挖掘
• 2.1.1 知识发现与数据挖掘
• 2.1.2 数据挖掘功能
• 2.1.3 数据挖掘过程
• 2.1.4 数据挖掘应用
• 2.2 聚类分析
• 2.2.1 聚类分析定义
• 2.2.2 聚类分析算法分类
• 2.3 小结
• 第三章 遥感及遥感影像分割
• 3.1 遥感概述
• 3.1.1 遥感及其发展
• 3.1.2 主要高分辨率光学卫星介绍
• 3.2 遥感影像分割
• 3.3 遥感影像分割方法
• 3.4 遥感影像聚类分割方法
• 3.4.1 K-Means算法
• 3.4.2 迭代自组织聚类算法（ISODATA）
• 3.4.3 遥感影像分割实验
• 3.5 小结
• 第四章 基于凝聚层次聚类的高分辨率遥感影像分割算法
• 4.1 算法的提出
• 4.1.1 算法相似度度量
• 4.1.2 算法流程
• 4.1.3 算法描述
• 4.2 算法实现
• 4.3 算法实验分析
• 4.3.1 算法参数实验分析
• 4.3.2 影像网格化效率实验分析
• 4.3.3 算法比较实验分析
• 4.4 小结
• 第五章 总结与展望
• 5.1 工作总结
• 5.2 研究展望
• 参考文献
• 攻读硕士期间的研究成果
• 致谢