本站原创
摘要：要分析和理解遥感图像，首先要对遥感图像进行分割。文章将传统的聚类分析方法和支持向量机理论相结合，并进行了算法的改进，将支持向量聚类方法应用到遥感图像分割领域，对遥感图像进行分割。实验结果证明，应用该方法进行分割，能取得良好的分割效果，是一种有效的遥感图像分割方法。
关键词：图像分割遥感图像支持向量聚类
1007-9416（2012）09-0229-01
随着信息技术的发展，遥感图像已成为空间地理信息的主要数据源之一。传输型遥感卫星的广泛使用，使得能够按照预计时间安排进行遥感图像获取成为可能。遥感图像分割是将一副图像分割成不同的部分，为以后的分析工作提供方便。对分割完成后的区域信息进行加工处理，使之形成新的信息存储与表达方式，更进一步推动了后续的分析工作。本文章认真研究了核函数及SVM理论，并将二者结合，得出了支持向量聚类理论，并将这一理论运用到遥感图像分割的算法上。实验证明支持向量聚类算法是一种有效的遥感图像分割算法。
Aij=
Φ（x）和最小球面中心点a之间的距离用R（x）表示。R是最小球面的半径。λ的取值范围决定了Aij的精度。本文采取了以下的聚类标识方法。
（1）基于完全图的标识（CG）
（2）数据点：在数据空间中的所有数据对xi和xj。
（3）复杂度：O（N2）空间和O（N2Nsvm）时间，m表示数量值，对应着连接数据对线段中所取得样本点[3]。
该算法最大的缺点在于效率比较低，程序运行非常耗时。有点则体现在分割的遥感图像精度较高，边界明显。
nbsv<1/C
nbsv表示BSVs的个数，c值表示为v=1/CN，v∈（0，1]。调整和选择合适的q值和c值，给定较小的q值，得到聚类后，则增加q值，聚类个数发生变化，注意观察分割图像的效果，当分割边界变得模糊时，要对c值进行调整，将大部分的SVs转变成为BSVs，再次使得图像之间的边界清晰，且边界曲线光滑。在本方法中，q值是用来决定聚类个数的，c值则用来控制噪声。大的q值能减少噪声的出现。
其中，I，j的取值为任意自然数，xi，和xj对应I，j的数据取值，当初次进行运算时，因为q值的原因，会得到一个比较大的核值。该核值会得到一个无用的边界值，随后通过调整参数c和q，直到得清晰的分割效果，满足实验要求为止[4]。
（2）给变量q和变量c赋初始值。
（3）对核矩阵M（x，q）和拉格朗日多项式L（x，q，K）进行计算，赋值给K和β。
（4）进行聚类标识L（数据β），得到聚类结果。
（5）得到符合要求的结果，就直接输出，否则再给q和c赋值，回到第2步。
参考文献
罗希平，田捷等，图像分割方法综述[J].模式识别与人工智能，1999，12（3）：300-312.
LindaG.ShapiroGeorgeC.Stockman著，赵清杰，钱芳，蔡利栋译.计算机视觉，机械工业出版社，2005，123-169.
[3] cristina Garcia and jose ali Moreno，application of support Vector Clustring to the visualization of medical images.2002
[4] C.J.Burges.A Tutorialon Support Vector Machines For Pattern Recognition.Data Mining and Knowledge Discovery， 1998，2（2）：121-167.
关键词：图像分割遥感图像支持向量聚类
1007-9416（2012）09-0229-01
随着信息技术的发展，遥感图像已成为空间地理信息的主要数据源之一。传输型遥感卫星的广泛使用，使得能够按照预计时间安排进行遥感图像获取成为可能。遥感图像分割是将一副图像分割成不同的部分，为以后的分析工作提供方便。对分割完成后的区域信息进行加工处理，使之形成新的信息存储与表达方式，更进一步推动了后续的分析工作。本文章认真研究了核函数及SVM理论，并将二者结合，得出了支持向量聚类理论，并将这一理论运用到遥感图像分割的算法上。实验证明支持向量聚类算法是一种有效的遥感图像分割算法。
1、基于支持向量聚类的遥感图像分割方法
支持向量聚类的基本思想是，将样本点经过一个非线性映射φ到一个高维特征空间，并在此空间中寻找一个包围所有样本点且具有最小半径的超球，将该球体逆映射回原输入空间，被分割出来的部分就包括了自己独立的数据点聚类。对该算法的改进层出不穷，使之能适应不同领域的应用。本文章的研究对象是灰度遥感图像，对图像的灰度范围进行提取，并将其设置在{0，1 l-1范围之类}，初始值为q和c，计算核矩阵M（x，q）， 拉格朗日多项式L （x，q，K），并分别赋值给K和β；进行聚类标识L （数据β）；对于合格的聚类结果就给予输出，否则重新给定初始值，重复计算，知道结果满意为止。1.1 聚类标识
根据通用的聚类标识算法，我们得知，其主要目的是通过建构连通的相邻矩阵，来判断分割图像的边界样本点。用来连通的相邻点之间的样本点如果在被包围的最小球体内，则说明此两个相邻点属于同一个分割区域，也就是同一个聚类里面。相反的，如果有任意一个样本点不着最小球范围内，则说明此两个连接点不在同一个分割区域内。数据点xi，xj的对应矩阵Aij有其对应的二进制数据：Aij=
Φ（x）和最小球面中心点a之间的距离用R（x）表示。R是最小球面的半径。λ的取值范围决定了Aij的精度。本文采取了以下的聚类标识方法。
（1）基于完全图的标识（CG）
（2）数据点：在数据空间中的所有数据对xi和xj。
（3）复杂度：O（N2）空间和O（N2Nsvm）时间，m表示数量值，对应着连接数据对线段中所取得样本点[3]。
该算法最大的缺点在于效率比较低，程序运行非常耗时。有点则体现在分割的遥感图像精度较高，边界明显。
1.2 参数的选择
通过公式可以看出，q高斯参数可以用来控制聚类的紧密度和数目，支持向量的数量和聚类数目和参数q形成增函数关系；参数c用来给定边界点的个数，它的作用是划分重叠部分聚类，有效分析噪声数据，并和BSVs形成反函数关系。我们可以得到：nbsv<1/C
nbsv表示BSVs的个数，c值表示为v=1/CN，v∈（0，1]。调整和选择合适的q值和c值，给定较小的q值，得到聚类后，则增加q值，聚类个数发生变化，注意观察分割图像的效果，当分割边界变得模糊时，要对c值进行调整，将大部分的SVs转变成为BSVs，再次使得图像之间的边界清晰，且边界曲线光滑。在本方法中，q值是用来决定聚类个数的，c值则用来控制噪声。大的q值能减少噪声的出现。
其中，I，j的取值为任意自然数，xi，和xj对应I，j的数据取值，当初次进行运算时，因为q值的原因，会得到一个比较大的核值。该核值会得到一个无用的边界值，随后通过调整参数c和q，直到得清晰的分割效果，满足实验要求为止[4]。
1.3 具体算法及过程
（1）对遥感图像中的灰度值进行初始化，得到分析数据。（2）给变量q和变量c赋初始值。
（3）对核矩阵M（x，q）和拉格朗日多项式L（x，q，K）进行计算，赋值给K和β。
（4）进行聚类标识L（数据β），得到聚类结果。
（5）得到符合要求的结果，就直接输出，否则再给q和c赋值，回到第2步。
2、实验验证
本文采用Matlab7.0为开发工具，直接调用相关SVM代码。C初值为1，q初值通过有关c的函数得到，通过实验可以看出，当q的取值范围在（0.095， 0.03），c的取值在（0.95，0.3）是，可以获得最佳的分割效果。通过直接观察，可以得出，对于复杂的城市遥感图像分割，本文采取的方法要明显优于其他分割算法。由于支持向量聚类属于无监督学习，有很强的处理复杂和小区域的聚类数据及任意形状的聚类边界。缺点是分割耗时比较长，有待于下一步的算法改进。3、
源于：查抄袭率本科毕业论文www.udooo.com
结语 本文基于支持向量聚类方法，采用了高斯核函数进行映射，对遥感图进行了聚类标识。对遥感图像进行分割。实验结果表明，使用该方法能够提高图像分割的有效性。可以进一步在其他应用领域推广。参考文献
罗希平，田捷等，图像分割方法综述[J].模式识别与人工智能，1999，12（3）：300-312.
LindaG.ShapiroGeorgeC.Stockman著，赵清杰，钱芳，蔡利栋译.计算机视觉，机械工业出版社，2005，123-169.
[3] cristina Garcia and jose ali Moreno，application of support Vector Clustring to the visualization of medical images.2002
[4] C.J.Burges.A Tutorialon Support Vector Machines For Pattern Recognition.Data Mining and Knowledge Discovery， 1998，2（2）：121-167.