The invention belongs to the field of image processing, and discloses a clustering method for the peak density of remote sensing image of Zhalong wetland, which comprises the following steps: (1) screening the obtained hyperspectral image of wetland, selecting multiple hyperspectral images artificially; (2) preprocessing multiple hyperspectral images with median filter and principal component analysis method. Get PC1; (3) Scale transform PC1; (4) Compute the similarity between PC1 pixels; (5) Cluster processing with density peak clustering algorithm; (6) Combine local density matrix and distance matrix with improved particle swarm optimization algorithm to find all the pixels most suitable for clustering center; (7) Cluster as clustering center. The other pixels are divided according to the local density matrix and truncation distance; (8) the processed remote sensing image is output. The invention reduces the time complexity of the algorithm, solves the problem of unstable clustering results, and has more universality.
【技术实现步骤摘要】
一种面向扎龙湿地遥感图像密度峰值聚类方法
本专利技术属于图像处理领域,尤其涉及一种面向扎龙湿地遥感图像密度峰值聚类方法。
技术介绍
遥感技术诞生于上个世纪六十年代,是一门以地理学和物理学为基础,结合了计算机,信号处理,空间监测等科学的综合学科。通过卫星或者航空器上的多个传感器记录下各种地物电磁波的图片,用于环境监测,资源勘探,军事侦察等领域。随着成像光谱技术的发展与成熟,高光谱图像成为了遥感图像的主要成像方式。高光谱图像在获得地表图像信息的同时,也获得其光谱信息,第一次真正做到了光谱与图像的结合。与多光谱遥感影像相比,不仅在信息丰富程度方面有了极大的提高,在处理技术上,对该类光谱数据进行更为合理、有效的分析处理提供了可能。在提供了更为丰富的光谱信息的同时,高光谱图像也造成了“同物异谱,同谱异物”等现象,为我们后期的遥感图像处理带来了难度。遥感图像聚类作为主要对高光谱图像处理进而得到更详细的地物信息的有效手段之一,一直以来得到了学者广泛地关注。尤其是在图像分辨率与以往相比有了较大提升的情况下,一个优秀的图像处理方法的出现对于我们进一步获取地物的详细信息显得更为重要。与分类问题不同,聚类是一种无监督的学习。对于遥感图像分类,需要预先提取部分目标图像作为训练样本,在训练集中每个类别都具有属于自己的标签,在训练完成得到一个成熟的分类模型之后再对目标图像进行处理。虽然提升了精确度,但是时间复杂度也提高很多,并且由于训练集和先验知识的影响,导致算法不稳定。而聚类算法由于时间复杂度相对较低,而且没有使用训练集预先训练模型排除了人为干扰等因素,能有效减少对含量较少的地物光 ...
【技术保护点】
1.一种面向扎龙湿地遥感图像密度峰值聚类方法,其特征在于:包含如下步骤:步骤(1):首先对得到的湿地的高光谱图像进行筛选,人为选择出地物清晰,地貌特征明显,分辨率较高并且拍摄时没有或者只有较少云层遮挡的多幅高光谱图像;步骤(2):用中值滤波器和主成分分析法对多幅高光谱图像进行预处理得到PC1;步骤(3):对PC1进行尺度变换;步骤(4):进行PC1的像素点间的相似度计算;步骤(5):用密度峰值聚类算法进行聚类处理;步骤(6):将局部密度矩阵以及距离矩阵和改进的粒子群演化算法结合,找出最适合作为聚类中心的所有像素点;步骤(7):以作为聚类中心的像素点为中心,根据局部密度矩阵以及截断距离对其余的像素点进行划分;步骤(8):输出处理完毕的遥感图像。
【技术特征摘要】
2018.04.25 CN 201810375568X1.一种面向扎龙湿地遥感图像密度峰值聚类方法,其特征在于:包含如下步骤:步骤(1):首先对得到的湿地的高光谱图像进行筛选,人为选择出地物清晰,地貌特征明显,分辨率较高并且拍摄时没有或者只有较少云层遮挡的多幅高光谱图像;步骤(2):用中值滤波器和主成分分析法对多幅高光谱图像进行预处理得到PC1;步骤(3):对PC1进行尺度变换;步骤(4):进行PC1的像素点间的相似度计算;步骤(5):用密度峰值聚类算法进行聚类处理;步骤(6):将局部密度矩阵以及距离矩阵和改进的粒子群演化算法结合,找出最适合作为聚类中心的所有像素点;步骤(7):以作为聚类中心的像素点为中心,根据局部密度矩阵以及截断距离对其余的像素点进行划分;步骤(8):输出处理完毕的遥感图像。2.根据权利要求1所述的一种面向扎龙湿地遥感图像密度峰值聚类方法,其特征在于:所述的步骤(2)具体为:采用中值滤波器处理多幅高光谱图像;对中值滤波器处理后的多幅高光谱图像中的每一张采用主成分分析法进行降维处理,在尽量保存原始信息的同时去除与分析指标无关的以及重复的变量;选取样本方差作为综合指标函数指导样本选取,从降维处理后的多幅高光谱图像中选取方差最大的作为PC1。3.根据权利要求1所述的一种面向扎龙湿地遥感图像密度峰值聚类方法,其特征在于:所述的步骤(3)具体为:采用弱采样的方式进行尺度变换,将待处理的子图尺寸由AxB变换为A1xB1,其中A1=A/ksize且B1=B/ksize;ksize为尺度变换指数。4.根据权利要求1所述的一种面向扎龙湿地遥感图像密度峰值聚类方法,其特征在于:所述的步骤(4)具体为:以尺度变换后的PC1的左上角为原点,水平线为X轴,竖直线为Y轴建立直角坐标...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。