基于模糊聚類算法的遙感圖像變化檢測的研究.pdf

1、遙感圖像變化檢測是通過對同一地區(qū)不同時期的兩幅或多幅遙感圖像的比較分析，以及圖像之間的差異得到所需的地物變化信息。模糊C均值聚類算法(FCM, fuzzy c-means)是一種不需要任何先驗(yàn)信息的無監(jiān)督分類，在遙感圖像變化檢測中被廣泛應(yīng)用。
　　由于FCM算法具有對初始值敏感、容易陷入局部最優(yōu)等缺點(diǎn)，而人工蜂群算法(ABC, artificial bee colony)具有全局收斂性，且計算簡潔、易于實(shí)現(xiàn)。因此，本文利用人工蜂群

2、算法的全局尋優(yōu)能力來代替模糊聚類算法的聚類中心迭代過程，從而提高模糊聚類算法的精確度，并將新算法利用到遙感圖像的變化檢測中，本文主要的工作和內(nèi)容如下：
　　(1)得到效果較好的差異圖像是變化檢測的關(guān)鍵，為了克服傳統(tǒng)方法得到差異圖利用圖像信息單一的缺點(diǎn)，本文針對不同的遙感圖像分別選用了圖像對數(shù)比、像素差值與比值相融合的方法得到差異圖像，仿真實(shí)驗(yàn)表明，新方法不僅對噪聲的抵抗能力強(qiáng)，而且簡單直觀。
　　(2) FCM算法僅適用于球

3、面幾何結(jié)構(gòu)聚類且對初始值敏感， GKC(Gustafson-Kessel clustering)算法采用自適應(yīng)距離范數(shù)能夠自動適應(yīng)聚類的形狀，文中將這兩種模糊聚類算法運(yùn)用到合成孔徑雷達(dá)(SRA)圖像變化檢測中，仿真實(shí)驗(yàn)結(jié)果比較表明，GKC算法分類較準(zhǔn)確，效果更好。
　　(3)將FCM算法與ABC算法相結(jié)合，利用ABC算法代替模糊聚類算法中聚類中心的迭代尋優(yōu)過程，給出了基于人工蜂群優(yōu)化模糊聚類的新算法(ABC-FCM)。仿真實(shí)驗(yàn)結(jié)果