SVMeFC - SVM Ensemble Fuzzy Clustering for Satellite Image S

卫星图像分类中的支持向量机法系统模糊聚类

【引言】

将卫星图像通过非监督分类生成大量均质区域的问题在于完成亮度空间中的像素 聚

类这一任务。本文介绍了一种利用最近提出的模糊聚类技术和支持向量机法分类器的方 法，

从而得到改进后的解决方案。

所有模糊聚类技术首先都被用 来生成一组聚类方案。

每个这样

的方案都被基于支持向量机法分 类器的新技术而改良。

然后，

基于集群的相似度分区算法会

被用来从所有的改良方案中创造出最终的聚类方案。

证明该方法有效 性的结果会通过数字遥

感数据的特征向量展现出来。

此外，

笔者还运用该技术对加尔各答市的一副遥感影像进行了

分类以证明其 效用。该论文的更多信息请参阅网站……

【索引】模糊分类，遥感影像，支持向量机法分类器

一、介绍

有很多遥感卫星影像的重要应用涉及到诸如气候研究、

森林资源评估、

< br>海洋环境检测等

各个领域。

其中一个重要的任务就是将像 素分类成多个均质区域，

每种区域对应特定的土地

覆盖类型。< /p>

通常地，

这一问题被建模为非监督分类技术或聚类问题①。

此外，在遥感卫星影

像中，

一个像素对应地面 的一块区域，

而不一定属于某一单一的覆盖类型。

这就说明卫星 影

像中的像素有大量的不准确性和不确定性。

基于模糊集合论原 则的应用在这些领域似乎更加

自然和适当。因此，在①中，自动模糊聚类技术被提出。然 而，在不同分区内的数据点分布

仍不令人满意，但这些可以通过最近提出的各种模糊聚类 技术（②

~

⑥）来改进，其中集群

K< /p>

的数量是先验的已知的。

最新研究表明 这些模糊聚类方法能在不同的应用中得到很好的效果，

但没有某种单一的

方法能在所有应用中都效果甚佳。模糊

C

均值（

FCM

）算法⑥运用模糊集原理得到分类矩阵

U(X)

，

同时得到目标函数最小值

J

m

，

该方法的主要缺点在于它过于依靠 聚类中心的最初选择，

且其易陷入局部最优解。然而，最新提出的元启发式方法——基于 差异演化的模糊聚类法

（

MODEFC)

②和运用改进差异演化的模糊聚类法（

FCIDE

）③使用的 是

Xie-Beni

指标，基于

基因演 算法的模糊聚类法

（

GAFC

）使用的 是

PBM

指标⑤，

以得到最优化的分类 结果。我们注

意到，由于算法和代码的高效设计，

MoDEFC

比其它两种技术效果更好。然而，在处理不一

定凸的匀称数据集 时，上述方法都不理想。这样，基于模糊点对称的基因演算法聚类技术

（

GAFPSC)

得到发展。所有这些算法都有着不同的框架和目标函数，这一事 实激发我们整合

所有算法到一个平台上以得到一致的聚类结果。

因此我们提出了一个新颖的技术——支持向

量机法系统模糊聚类（

SVMeFC

）

，这一方法使用了上述所有算法以及支持向量 机法分类器。

每种模糊聚类算法的结果会被分类器采用并得到改进后的结果。

根据与聚类

中心的距离，

会从数据点中选取一小部分提供给

SVM

作为训 练样本。

剩余点的聚类任务由训

练后的分类器来完成，

并通过基于集群的相似度分区算法

（

CSPA< /p>

）

⑨得到最终的分类方案。

分别由两份以 特征向量展现的数字遥感数据和加尔各答市的遥感影像来体现该方法量化和

直观的效果。

二、提出的技术

这一章描述

SVMeFC

的主要框架。

在这一方法中，

著名的模糊聚类技术，

诸如

MoDEFC< /p>

，

GAFPSC

，

FCIDE

，

GAFC

和

会被用来得到不同的分类结果。每种结果被分配同等的

权以通过分类机得到更好的方案。

然后运用

CSPA

得到系统聚类方案。在这里，

我们充分利

用该优点，

根据与聚类中心的距离从数据点中选取一小部分

（ 高信任度点）

提供给

SVM

作为

训练样本，剩余的低信任度点会运用受训分类器进行分类。

SVMeF C

的步骤如下所述。该方

法的框图详见附件。

< br>