[发明专利]一种基于元胞自动机的遥感影像非监督分类方法

说明书

技术领域

本发明属于遥感影像分类方法，尤其涉及一种基于云胞自动机的遥感影像非监督分类方法。

背景技术

非监督分类算法正是为解决难以获取先验样本这一问题而产生的，主要有K-均值(K-Means)、迭代自组织数据分析技术方法(ISODATA)和模糊c均值三种方法。K-均值是以各类中元素到其类中心距离平方和最小为聚类准则，并根据这一准则将待分元素分到各类的一种较典型的逐点修改迭代的动态聚类算法[1-4]。迭代自组织数据分析技术方法是K-均值的改进版本，它在迭代过程中能动态修改类别数^[5，6]，而K-均值法的类别数从始至终是固定的。这两种算法都将待分元素绝对的分到某一类中，而模糊c均值^[7-10]采用模糊集代替了这种非“黑”即“白”的绝对划分，多采用样本点与聚类中心间的距离并用隶属度的平方加权表示，把类内误差平方和目标函数变成带加权的误差平方和目标函数，可在一定程度上改善K-均值和迭代自组织数据分析技术方法的精度度^[11，12]。

地物之间是相互影响的，而基于上述三种方法的遥感影像分类方法仅根据待分元素与各类中心的距离来判断其归属问题，并没有考虑这种地物之间的相互作用。元胞自动机是一时间、空间和状态都离散的动力系统，它根据元胞及其邻居的当前状态确定该元胞下时刻的状态^[13]，能够考虑相邻地物之间的影响。自冯诺依曼于1947-1955年的早期研究和后来的在图像处理和模式识别等等方面的研究工作^[14]，元胞自动机可用在研究包括通信、信息传递、计算、构造、生长、复制、竞争与进化等一般现象^[15，16]，广泛应用于社会、经济、军事和科学研究的各个领域，元胞自动机在图像分类方面的改进，多是利用其进行边缘检测或对分类后的结果图进行去噪声处理、增强等^{[17，18，19]}，鲜少有人利用二维元胞自动机根据非监督分类的原理直接进行多波段遥感影像的分类。

而且根据地理学第一定律，地物之间存在着越相邻的地物相似程度越大。因而距离中心元胞距离不同的邻居，应该对其有不同的影响。但现今常用的二维元胞邻居(冯诺依曼型、摩尔型和扩展的摩尔型)虽然定义简单，容易实现，却会随着扩散步数的增加存在各向异性的缺陷，而且邻居元胞对中心元胞的影响也存在着“影响”和“不影响”、非0即1这种以绝对的衡量标准处理问题的不足。

本文涉及的参考文献主要如下：

[1]SHOKRI Z.SELM and M.A.ISMAIL. K-Means-Type Algorithms：A Generalized Convergence Theorem and Characterization of Local Optimality.IEEE TRANSACTIONS ON PATTFRN ANALYSIS AND MACHINE INTELLIGENCE，，1984，6(1)：81-87.

[2]HUANG ZX.Extensions to the k-Means Algorithm for ClusteringLarge Data Sets with Categorical Values.Data Mining and Knowledge Discovery.1998(2)：283-304.

[3]Anderberg，M.R.Cluster  Analysis for Applications.USA：Academic Press.1973.

[4]D.Hall and G. Ball.“Isodata：A novel method of data analysis and patternclassification，”Stanford Res.Inst.，Stanford，CA，Tech.Rep.，1965

[5]J.MacQueen.“Some  methods for  classification and analysis of multivariateobservations，”in Proc.5th Berkeley Symp.Mathematics，Statisticsand Probability，1967，pp.281-296.

[6]Duda，R.O.，Hart，P.E.Pattern Classification and SceneAnalysis.Wiley Interscience，New York.1973.