K均值算法在高光譜遙感圖像分類中的應用

電氣自動化論文編號:ZD1008    論文字數:15577,頁數:53

目 錄
摘 要 II
Abstract III
1  前言 1
1.1 課題背景及其意義 1
1.2 高光譜遙感技術的發展 1
1.3 高光譜圖像的特點 2
1.4 分類算法選擇 2
1.5 設計規劃 4
2 高光譜遙感圖像的預處理 5
2.1 概述 5
2.2 遙感圖像的輻射校正 5
2.2.1 傳感器的輻射校正 5
2.2.2 大氣輻射校正 6
2.3 遙感圖像的幾何校正 6
2.4 遙感圖像輻值匹配法 7
3 高光譜遙感圖像格式 8
3.1 概述 8
3.2 BIP2----按像元波段交叉式 8
3.3 BIL-----按波段行交叉式 8
3.4 BSQ----按波段順序式 9
4 高光譜遙感圖像的分類算法 11
4.1 概述 11
4.2 監督分類 11
4.2.1 最小距離分類 11
4.2.2 費謝爾（Fisher）線性判別分類 11
4.2.4 神經網絡分類 12
4.2.5 最大似然判別法 13
4.3 監督分類的優缺點 13
4.4 非監督分類 14
4.4.1 Kmeans算法 14
4.4.2 ISODATA算法 15
4.5 非監督分類的優缺點 17
5 K均值算法實現遙感圖像分類 18
5.1 概述 18
5.2 優化的K均值算法 18
5.2.1 初始類別中心的選擇 18
5.2.2 分類 20
5.3 K均值算法實現分類的流程圖 22
6 實驗效果與結果分析 23
6.1 試驗效果 23
6.2 結果分析 24
6.2.1 原始圖像的合成 24
6.2.2 迭代次數對分類的影響 25
6.3 小節 27
7 總   結 29
致   謝 30
參考文獻 31
附錄   K均值算法主程序 32

摘 要
 
   遙感圖像在資源調查中有相當廣泛的應用。本文主要介紹了用K均值算法實現對高光譜遙感圖像的分類。首先介紹了遙感圖像技術在國內外的發展情況及趨勢，以及高光譜遙感圖像的特點。接著介紹了高光譜遙感圖像的幾種預處理的方法——對高光譜遙感圖像進行校正。
   在遙感圖像的分類方法中，介紹了多種高光譜遙感圖像的分類方法，主要可以分為監督分類算法和非監督分類算法。K均值算法就是其中常用的一種非監督分類算法。
   在K均值分類算法中，首先用最大最小選心法選擇初始類別中心，再根據最小距離法對所有的像素點進行分類。
   最后分析了不同的迭代次數對最后分類結果的影響。
   本次實驗在分類過程中采用了VC++ 2008作為開發平臺，此平臺極大地提高了分類的速度。

關鍵詞：高光譜遙感圖像；K均值；最大最小選心法；VC++

Abstract
 
 Remote sensing images have been a widely applications in Resource survey. In this paper, using K-means algorithm for hyperspectral remote sensing image classification. First introduced the technology of remote sensing images at home and abroad and the trend of the development ，and the the characteristics of the Hyperspectral remote sensing images. Then introduced the hyperspectral remote sensing images of several pre-processing method——calibrating the Hyperspectral remote sensing images.
 In remote sensing image classification method，introduced a variety of hyperspectral remote sensing image classification method. The main algorithm can be divided into supervised classification and unsupervised classification algorithm. K-means algorithm is one commonly used in a non-supervised classification algorithm.
 K-means classification algorithm in the first election with the smallest maximum-force category to choose the initial center, and then on the basis of minimum distance between the pixel points in all categories.
 Final analysis of the different iterations of the final classification results.
 The classification process of the experiment in the use of VC + + 2008 as a development platform, this platform greatly enhance the speed of classification.
 
 
Key words: hyperspectral remote sensing imag;K-means;Max-min-force election
          VC++