K均值算法在高光谱遥感图像分类中的应用

论文编号:ZD1008论文字数:15577,页数:53

摘 要

遥感图像在资源调查中有相当广泛的应用。本文主要介绍了用K均值算法实现对高光谱遥感图像的分类。首先介绍了遥感图像技术在国内外的发展情况及趋势，以及高光谱遥感图像的特点。接着介绍了高光谱遥感图像的几种预处理的方法——对高光谱遥感图像进行校正。

在遥感图像的分类方法中，介绍了多种高光谱遥感图像的分类方法，主要可以分为监督分类算法和非监督分类算法。K均值算法就是其中常用的一种非监督分类算法。

在K均值分类算法中，首先用大小选心法选择初始类别中心，再根据小距离法对所有的像素点进行分类。

后分析了不同的迭代次数对后分类结果的影响。

本次实验在分类过程中采用了VC++ 2008作为开发平台，此平台极大地提高了分类的速度。

关键词：高光谱遥感图像；K均值；大小选心法；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++

目 录

摘 要II

AbstractIII

1 前言1

1.1 课题背景及其意义1

1.2 高光谱遥感技术的发展1

1.3 高光谱图像的特点2

1.4 分类算法选择2

1.5 设计规划4

2 高光谱遥感图像的预处理5

2.1 概述5

2.2 遥感图像的辐射校正5

2.2.1 传感器的辐射校正5

2.2.2 大气辐射校正6

2.3 遥感图像的几何校正6

2.4 遥感图像辐值匹配法7

3 高光谱遥感图像格式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----按波段顺序式9

4 高光谱遥感图像的分类算法11

4.1 概述11

4.2 监督分类11

4.2.1 小距离分类11

4.2.2 费谢尔（Fisher）线性判别分类11

4.2.4 神经网络分类12

4.2.5 大似然判别法13

4.3 监督分类的优缺点13

4.4 非监督分类14

4.4.1 Kmeans算法14

4.4.2 ISODATA算法15

4.5 非监督分类的优缺点17

5 K均值算法实现遥感图像分类18

5.1 概述18

5.2 优化的K均值算法18

5.2.1 初始类别中心的选择18

5.2.2 分类20

5.3 K均值算法实现分类的流程图22

6 实验效果与结果分析23

6.1 试验效果23

6.2 结果分析24

6.2.1 原始图像的合成24

6.2.2 迭代次数对分类的影响25

6.3 小节27

7 总 结29

致 谢30

参考文献31

附录 K均值算法主程序32