基本信息
- 项目名称：
- 一种利用K均值和SOM进行遥感图像分类的方法
- 来源：
- 第十二届“挑战杯”省赛作品
- 小类：
- 数理
- 大类：
- 自然科学类学术论文
- 简介：
- 本文探讨了一种将K均值算法和SOM神经网络算法相结合的方法，并将其应用于多光谱遥感图像分类，通过与K均值算法、ISODATA算法和SOM算法的对比实验，验证了该方法的有效性。
- 详细介绍：
- 遥感技术已经广泛应用于很多领域，遥感影像分类是遥感技术应用的关键问题。本文在前人的研究基础上，探讨了一种将K均值和SOM相结合进行多光谱遥感图像分类的方法。首先用K均值算法对遥感影像进行粗聚类，以减少SOM聚类模式的输入量，然后将K均值的聚类结果作为SOM的网络输入值进行自组织学习训练，每一个像素点对应的获胜神经元作为它的判别类别，并在输出层设置一个迭代阈值，将聚类数目小于该阈值的神经元所分的类别划分到最近的神经元中，实现类别合并，最终实现遥感影像分类。将本文的分类方法与K均值算法和ISODATA算法以及SOM算法进行遥感图像分类的对比试验，本文的分类方法取得了较好的分类效果，实验结果验证了该方法的有效性。
作品图片
作品专业信息
撰写目的和基本思路
- 遥感图像分类是遥感技术应用的关键问题。将SOM神经网络与传统的K均值聚类方法结合起来进行遥感图像的分类，既可以发挥K均值算法在对相对较小数据量进行聚类时效率较高的特点，又能保持SOM算法自组织的特点，提高分类的精度和效率。
科学性、先进性及独特之处
- 传统的分类方法并不完全适用于遥感图像分类。神经网络方法有许多种，每一种方法都涉及到许多参数，用传统的分类方法对遥感图像进行粗聚类，用神经网络进行二次聚类，可以改善神经网络中的输入参数，在提高效率的同时，优化了神经网络分类的效果。
应用价值和现实意义
- 遥感技术的一个中心任务就是识别出各种地面物体，让我们对地球表面了如指掌。遥感图像分类能够将不同种类的地面物体区别开来，同时可以用于地面专题信息提取，土地动态变化监测，专题地图制作，遥感数据库的建立等，是GIS空间分析和辅助决策的一种有效的数据预处理方法。
学术论文摘要
- 本文探讨了一种将K均值算法和SOM算法结合进行多光谱遥感影像分类的方法。首先用K均值算法对遥感影像进行粗聚类，以减少SOM聚类模式的输入量，然后将K均值的聚类结果作为SOM的网络输入值进行自组织学习训练，每一个像素点对应的获胜神经元作为它的判别类别，并在输出层设置一个迭代阈值，将聚类数目小于该阈值的神经元所分的类别划分到最近的神经元中，实现类别合并，最终实现遥感影像分类。 该方法既发挥了K均值算法在对相对较小数据量进行聚类时效率较高的特点，又保持了SOM算法自组织的特点，并且将二者结合的方法在分类性能上也得到了提高。通过实验表明，该方法具有比传统K均值算法和ISODATA算法更好的分类精度，比传统的SOM算法更高的聚类效率和更好的聚类性能。
获奖情况
- 已在《地理空间信息》 2011年2月 第1期 Vol.9 No.1发表。《地理空间信息》杂志是全国优秀测绘期刊、湖北省优秀期刊、中国科技论文统计源期刊（中国科技核心期刊），并被《中国核心期刊（遴选）数据库》收录、《CNKI中国期刊全文数据库》收录，是中国学术期刊综合评价数据库来源期刊和CEPS中文电子期刊服务收录期刊。
鉴定结果
- 暂无
参考文献
- [1] 谌德荣, 陶鹏, 宫久路, 范宁军. 一种基于SOFM神经网络的高光谱图像快速分类方法[J]. 兵工学报, 2009, 30(2):165-169 [2] 吴柯, 方强, 张俊玲, 翁涛. 基于改进Kohonen神经网络的遥感影像分类[J]. 测绘信息与工程, 2007, 32(2):47-49 [3] 张钊，王锁柱，张雨. 一种基于SOM和PAM的聚类算法[J]，计算机应用, 2007, 27(6):1400-1402 [4] 陈泯融, 邓飞其. 一种基于自组织特征映射网络的聚类方法[J]. 系统工程与电子技术, 2004, 26(12): 1864-1866 [5] 许海洋，王万森. 基于SOM神经网和K-均值算法的图像分割[J], 计算机工程与应用, 2005, 41(21):38-40,57 [6] 杨占华，杨燕. 一种基于SOM和k-means的文档聚类算法[J]. 计算机应用研究, 2006, 23(5):73-79 [7] Kuo RJ, An YL, Wang HS, et al, “Integration of self-organizing feature maps neural network and genetic k-means algorithm for market segmentation”, Expert Systems with Applications, Vol.30, pp. 313-324, 2006 [8] Godin N, Huguet S, Gaertner R, “Integration of the Kohonen’s self-organising map and k-means algorithm for the segmentation of the AE data collected during tensile tests on cross-ply composites”，NDT&International, Vol. 38, pp. 299-309, 2005
同类课题研究水平概述
- 遥感技术已经广泛应用于很多领域，遥感影像分类是遥感技术应用的关键问题。传统的遥感图像非监督分类方法过于依赖图像数据的分布，人工神经网络不基于数据分布的特性，作为一种智能信息处理的重要方法，为实现图像自动分类创造了条件。具有非监督学习能力的自组织映射网络，结构简单、易于实现，应用于数据分类时能够取得较好的效果。 在SOM的众多分类改进算法中，通常是对其自身网络参数如初始化权值进行改进，或将SOM与常规的聚类算法相结合。其中，将SOM和K均值进行结合可以有两种策略：一种是用SOM对K均值算法进行改进，即用SOM神经网络改进K均值聚类算法的初始化中心和确定聚类中心数目，并已应用于图像分割、文档聚类、客户分类和声波数据分割等领域。另一种是用K均值改进SOM算法，即先进行K均值聚类，然后再进行SOM聚类。该方法已被应用于遥感图像分类。苏木春和张孝德用K均值算法改进SOM网络的初始权向量，即用K均值算法找到的N×N 个聚类中心作为SOM 网络的初始化权值；但是遥感图像的分类数目不一定能满足N×N的条件。周智胜等将小波分解出的不同尺度下的遥感图像进行分步处理，即先用K均值算法对粗尺度的遥感图像进行分类，再在此基础上用SOM算法进行细尺度的分类，抗噪性强，提高了分类精度和速度；但该方法也存在分类类别数需要预先确定问题。
