發(fā)布時(shí)間：2018-06-06 10:37

  本文選題：模糊C均值算法 + 緊致聚類度　； 參考：《南京信息工程大學(xué)》2017年碩士論文

【摘要】：隨著衛(wèi)星數(shù)量不斷地增加且遙感圖像分辨率不斷地提高,我國已獲得了巨大數(shù)據(jù)量的遙感圖像。傳統(tǒng)的人工處理遙感圖像方法有許多弊端,如工作量大、效率低、穩(wěn)定性差、不利于遙感圖像信息的充分提取與最大利用。由于智能圖像處理技術(shù)具有處理速度快、穩(wěn)定性好等優(yōu)點(diǎn),該技術(shù)在人工智能領(lǐng)域得到了廣泛的重視與發(fā)展。本文主要以氣象衛(wèi)星遙感圖像為研究對(duì)象,開展了基于遙感圖像聚類算法的研究及應(yīng)用,主要完成的工作如下:1提出了一種基于反饋多尺度指數(shù)模糊C均值(FMEFFCM)算法。由于不同類型云系在遙感圖像中分布灰度區(qū)間長短不一,本文利用數(shù)據(jù)對(duì)象隸屬度,提出了一種基于反饋多尺度指數(shù)模糊C均值算法,該算法通過數(shù)據(jù)隸屬度確定反饋因子,該因子通過改變相關(guān)類簇的聚類范圍,從而使模糊聚類算法關(guān)于遙感圖像云系聚類精度更高。2針對(duì)氣象衛(wèi)星遙感圖像聚類結(jié)果中每類簇含有大量非云系數(shù)據(jù),本文基于云系物理信息與分布特征,提出了基于Radon變換的密度分類算法。該算法首先通過Radon變換確定云系相對(duì)中心;然后計(jì)算數(shù)據(jù)對(duì)象的密度;最后通過數(shù)據(jù)密度判斷在該中心一定范圍內(nèi)數(shù)據(jù)是否為云系數(shù)據(jù)。3將模糊-密度算法與基于反饋多尺度指數(shù)模糊C均值遙感圖像聚類算法進(jìn)行整合,并利用MATLAB語言開發(fā)了一個(gè)遙感圖像聚類系統(tǒng)。軟件主要分為密度模塊、模糊聚類模塊、云系分類模塊及輸出模塊。本文對(duì)各個(gè)模塊進(jìn)行了簡要說明并對(duì)遙感圖像聚類實(shí)驗(yàn)進(jìn)行了操作展示。
[Abstract]:With the increasing number of satellites and the improvement of the resolution of remote sensing images, China has obtained a huge amount of remote sensing images. Traditional manual processing of remote sensing images has many disadvantages, such as heavy workload, low efficiency and poor stability, which is not conducive to the full extraction and maximum utilization of remote sensing image information. Due to the advantages of fast processing and good stability, intelligent image processing technology has been widely paid attention to and developed in the field of artificial intelligence. In this paper, the research and application of remote sensing image clustering algorithm based on remote sensing image are studied. The main work is as follows: 1 proposes a fuzzy C-means FMEFCM-based multi-scale index algorithm based on feedback. Because different types of cloud systems are distributed in remote sensing images with different gray intervals, a fuzzy C-means algorithm based on feedback multi-scale exponent is proposed by using the membership degree of data objects. The feedback factor is determined by the data membership degree of the algorithm. By changing the clustering range of related clusters, this factor makes the fuzzy clustering algorithm more accurate about cloud system of remote sensing image. 2. In view of the clustering results of meteorological satellite remote sensing images, each cluster contains a large number of non-cloud data. In this paper, a density classification algorithm based on Radon transform is proposed based on the physical information and distribution features of cloud system. Firstly, the relative center of cloud system is determined by Radon transform, then the density of data object is calculated. Finally, the fuzzy-density algorithm is integrated with the multi-scale index fuzzy C-means remote sensing image clustering algorithm based on feedback. A remote sensing image clustering system is developed by using MATLAB language. The software is mainly divided into density module, fuzzy clustering module, cloud classification module and output module. In this paper, each module is briefly explained and the clustering experiment of remote sensing image is demonstrated.
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP751

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 曹潔;曾慶紅;王進(jìn)花;;基于幾何主動(dòng)輪廓模型的粒子濾波跟蹤算法[J];計(jì)算機(jī)應(yīng)用;2011年05期

2 王駿;王士同;;基于混合距離學(xué)習(xí)的雙指數(shù)模糊C均值算法[J];軟件學(xué)報(bào);2010年08期

3 安志勇;崔江濤;曾智勇;周利華;;基于Radon和小波變換的圖像檢索[J];紅外與毫米波學(xué)報(bào);2008年02期

4 林萌;李翠華;黃劍航;;基于Radon變換的運(yùn)動(dòng)模糊圖像參數(shù)估計(jì)[J];計(jì)算機(jī)技術(shù)與發(fā)展;2008年01期

5 左平;馬駟良;馬捷;;近紅外光譜分析中人工神經(jīng)網(wǎng)絡(luò)法的應(yīng)用[J];吉林大學(xué)學(xué)報(bào)(理學(xué)版);2006年01期

6 陳剛毅,丁旭羲,趙麗妍;用模糊神經(jīng)網(wǎng)絡(luò)自動(dòng)識(shí)別云的技術(shù)研究[J];大氣科學(xué);2005年05期

7 楊澄,袁招洪,顧松山;用多譜閾值法進(jìn)行GMS-5衛(wèi)星云圖云型分類的研究[J];南京氣象學(xué)院學(xué)報(bào);2002年06期

8 薛俊韜,劉正光,劉還珠;小波變換在云圖邊緣處理中的應(yīng)用[J];天津大學(xué)學(xué)報(bào);2002年06期

9 戴青云,余英林;數(shù)學(xué)形態(tài)學(xué)在圖象處理中的應(yīng)用進(jìn)展[J];控制理論與應(yīng)用;2001年04期

10 師春香,吳蓉璋,項(xiàng)續(xù)康;多閾值和神經(jīng)網(wǎng)絡(luò)衛(wèi)星云圖云系自動(dòng)分割試驗(yàn)[J];應(yīng)用氣象學(xué)報(bào);2001年01期

相關(guān)博士學(xué)位論文 前3條

1 汪慶淼;基于目標(biāo)函數(shù)的模糊聚類新算法及其應(yīng)用研究[D];江蘇大學(xué);2014年

2 支曉斌;自適應(yīng)判別降維模糊聚類算法研究[D];西安電子科技大學(xué);2013年

3 來旭;基于內(nèi)容的衛(wèi)星云圖挖掘方法研究[D];國防科學(xué)技術(shù)大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 黃凌霄;基于機(jī)器視覺的零件尺寸檢測算法的研究及應(yīng)用[D];南京信息工程大學(xué);2016年

2 趙曉;高分辨率衛(wèi)星遙感圖像云檢測方法研究[D];哈爾濱工業(yè)大學(xué);2013年

3 秦連杰;基于近紅外圖片的人臉檢測識(shí)別算法的研究與應(yīng)用[D];西安電子科技大學(xué);2013年

4 李秀馨;基于內(nèi)容的衛(wèi)星云圖檢索技術(shù)研究[D];南京航空航天大學(xué);2013年

5 陳禹良;基于信息熵的氣象衛(wèi)星云圖臺(tái)風(fēng)分割方法研究[D];哈爾濱工程大學(xué);2013年

6 徐鐵城;基于分類多模型法的目標(biāo)跟蹤研究[D];武漢理工大學(xué);2011年

7 曹道友;基于改進(jìn)遺傳算法的應(yīng)用研究[D];安徽大學(xué);2010年

8 譚秋雷;基于Radon變換的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)[D];大連理工大學(xué);2009年

9 王夢(mèng)萍;模糊聚類算法在學(xué)科建設(shè)中的應(yīng)用[D];哈爾濱工程大學(xué);2009年

10 余建波;基于氣象衛(wèi)星云圖的云類識(shí)別及臺(tái)風(fēng)分割和中心定位研究[D];武漢理工大學(xué);2008年

，

本文編號(hào)：1986233