学位论文 > 优秀研究生学位论文题录展示

粗集在遥感影像聚类处理中的应用

作　者: 邵锐
导　师: 巫兆聪
学　校: 武汉大学
专　业: 地图学与地理信息系统
关键词: 遥感影像粗集理论不可分辨关系不确定性 K-means聚类 DBSCAN
分类号: P237
类　型: 硕士论文
年　份: 2005年
下　载: 156次
引　用: 0次
阅　读: 论文下载

内容摘要

遥感影像是地表三维景物的二维平面成像,由于地球系统的复杂性和开放性,以及遥感信息传输过程的信息衰减,决定了遥感影像具有复杂、不确定、不精确和信息不完全的特性。智能遥感影像信息处理和分析的关键问题之一就是如何对于这些不精确、不完全信息进行分类分析和知识获取。常规的遥感信息处理的理论与方法——光谱和空间分析方法,基本遵循数理统计分析的理论模式,其统计方法的本质决定了它们的局限性,已经很难适应这一要求。近几年发展起来的粗集理论,为解决这一难题提供了新的途径。粗集理论是一种新的处理含糊和不确定性问题的数学工具。它作为一种新的软计算方法,特别适合于不完整、不确定知识和数据的表达、学习和归纳,是具有发展潜力的智能信息处理方法。国内外智能数据处理领域对该理论和应用有着广泛和深入的研究,并不乏成功应用实例的报道。应用不确定性理论和方法研究遥感信息的处理、分析和结果评估是当前遥感信息智能处理领域的主流研究趋势之一。本文拟应用粗集的理论和方法,将遥感影像表达的信息看成一个知识系统,研究基于粗集理论的遥感影像预处理方法;通过利用粗集理论的非确定性问题处理能力,避免或减少主观性假设和人工设置经验性参数的影响,提高系统处理非确定性问题的能力。论文从粗集理论的不可分辨关系(等价关系)、近似集合和分类概念出发,研究基于粗集理论的图像滤波、图像增强的算法,提出保护边缘的粗集滤波增强算法;应用粗集与聚类算法相结合的方法对遥感影像的进行处理。具体的研究工作和创新之处主要体现在: (1)通过对粗集理论的理论基础和遥感信息的不确定特性的初步分析,论述利用该理论来处理遥感信息的可行性以及优势。 (2)从粗集理论的不可分辨关系、近似集合和分类概念出发,研究图像滤波和图像增强的一些粗集算法,提出一种保护边缘的粗集均值滤波算法,实验证明其有效性。 (3)分析聚类初值对于K-means聚类结果的影响,通过应用粗集的等价关系概念来选取聚类所需要的初始类的个数和均值,从而提高聚类的效率和准确性。 (4)从DBSCAN算法入手,分析该算法的优势和面临的主要问题,通过应用粗集理论的分类概念,对算法进行改进,使改进后的DBSCAN算法适合对于大数据量的遥感影像进行聚类处理,降低算法对计算机主存的要求和对输入参数Eps的依赖。由此可见,良好的处理机制有助于提高遥感影像的处理效果和效率。在遥感影像处理过程中,粗集理论还有很多可以发挥效用的地方,如影像分类规则的提取;与神经网络相结合建立遥感影像分类模型等等。本文所做的工作还很有限的和很粗浅,

全文目录

摘要  4-6
ABSTRACT  6-8
目录  8-10
引言  10-12
1 绪论  12-16
  1.1 粗集理论应用现状  12-13
  1.2 粗集理论用于遥感影像处理  13-14
  1.3 本文研究的主要内容  14-16
    1.粗集理论及遥感信息的不确定性分析  14
    2.基于粗集理论的遥感影像滤波增强处理  14
    3.基于粗集理论的K-means聚类算法  14-15
    4.基于粗集理论的DBSCAN聚类算法  15-16
2 粗集理论应用分析  16-27
  2.1 粗集的理论基础  16-21
    2.1.1 集合论与等价关系  16-17
    2.1.2 知识与不可分辨关系  17-19
    2.1.3 粗集的近似分类  19-21
  2.2 遥感信息处理的新途径——粗集理论  21-24
    2.2.1 遥感信息的不确定性  21-22
    2.2.2 粗集处理不确定性数据的优势  22-24
  2.3 粗集与其它软计算理论的关系  24-25
  2.4 粗集应用系统  25-26
  本章小结  26-27
3 基于粗集的遥感影像滤波增强处理  27-36
  3.1 遥感影像的知识系统表达  27-29
    3.1.1 知识表达系统  27-28
    3.1.2 遥感影像的知识表达系统  28-29
  3.2 基于粗集概念下的均值滤波  29-31
  3.3 基于粗集理论的遥感影像增强  31-34
  本章小结  34-36
4 基于粗集理论的K—MEANS聚类算法  36-48
  4.1 K—MEANS聚类算法简介  37-40
    4.1.1 K—means算法  37-38
    4.1.2 加入聚类准则函数的K-means聚类算法  38-39
    4.1.3 算法的特点和面临的主要问题  39-40
  4.2 聚类结果对初值的依赖性  40-42
    4.2.1 初值对聚类结果的影响  40-42
    4.2.2 选取初始聚类中心点的方法  42
  4.3 以粗集的近似分类概念选取聚类中心点  42-43
  4.4 基于粗集理论遥感影像聚类处理  43-44
  4.5 实验结果分析  44-46
    4.5.1 初始聚类中心点的选择  44-45
    4.5.2 空间聚类  45-46
  本章小结  46-48
5 基于粗集理论的分区DBSCAN聚类算法  48-59
  5.1 DNSCAN介绍  48-50
    5.1.1 算法描述  48-49
    5.1.2 算法的特点和面临的主要问题  49-50
  5.2 已有的改进算法  50-53
    5.2.1 PDBSCAN算法  50-51
    5.2.2 FDBSCAN算法  51-52
    5.2.3 SDBSCAN算法  52-53
    5.2.4 其他改进方法  53
  5.3 改进的DBSCAN算法  53-56
    5.3.1 改进算法的思路  53-54
    5.3.2 算法的步骤  54-55
    5.3.3 算法的优越性及合理性  55-56
  5.4 实验结果分析  56-58
  本章小结  58-59
6 论文总结  59-61
  6.1 论文的主要工作  59
  6.2 进一步努力的方向  59-61
参考文献  61-66

粗集在遥感影像聚类处理中的应用

内容摘要

全文目录

相似论文