一种多目标遥感影像模糊聚类方法

高 博

(中国电子科技集团公司第二十研究所，陕西 西安 710068)

遥感影像被广泛应用于环境监测[1], 地表覆盖观测[2-3]，变化检测[4-5]和气候研究[6]等领域。对于远程遥感应用，遥感影像聚类是一种重要的技术，它是将给定的遥感影像划分为几个同质的区域，每个区域往往表示一种特定地物类型[7]。一般地，聚类通过相似度度量，将给定遥感影像划分为K个区域。同时，一般聚类在遥感影像中的表现可能会受到噪声或者混叠像素的影响。模糊聚类对噪声或者异常值具有较好的鲁棒性，往往能够取得更好的聚类结果。实际上，聚类是一个优化问题，可以通过最小化特定的目标函数来实现[8]。

梳理相关文献，可以发现，遥感影像聚类方法可以归为两类，即有监督聚类和无监督聚类[9]。有监督聚类需要一个训练集用于训练分类器，而无监督聚类则通过分析给定数据来实现像素的分类，无需训练样本。聚类将一幅图像划分为非重叠连续的区域，每个区域关于特定的特征是一致的，比如关于像素强度，纹理或者上下文信息。模糊C均值(FCM)是最著名的聚类方法之一，它成功地将模糊逻辑引入到聚类中。与传统的硬聚类方法相比，尽管FCM能够保留更多的信息，但它依然对噪声和异常值很敏感，这是因为它没有考虑到空间和上下文信息。后来，许多研究者成功地把局部空间信息引入到标准的FCM中，以提高聚类表现[10-11]。文献[11]提出一种广义的模糊C 均值聚类算法(FGFCM)，它对噪声和异常值不敏感，可以弥补标准FCM的劣势。……