基于双重空间聚类的土地利用影像分类中的区域合并算法（备份）

隶属度函数，是用来定义对象特征的模糊集，即影像对象属于某一类的准则，可以用对象特征和类间特征来表述概念和专家知识并用于分类。隶属度函数是一个以[0-1]统一范围来表达任意特征范围的简单方法，在分类体系的基础上，建立每个类的隶属度函数。在每一个构成类型描述的单—特征计算之后即评估完形成每个类的每个特征，会由隶属度函数返回一个在0和l之间的隶属度值．这些值可以通过逻辑运算符组合起来进行类赋值的计算，为一个分配值。隶属度函数提供了把大小和值域范围大为不同的特征结合在一起的可能性，把这些特征结合为通常的赋值。隶属度函数提供了组合不同维数不同范围值的可能性。

隶属度函数易于对每个特征进行编辑和调整，它提供了特征值和类隶属度之间非常透明的关系并且可利用一些知识和概念，比较容易接受。若是一维空间，则可以交互的编辑隶属度函数，明确表达知识和概念。发展规则库形成多维依赖就非常清楚并且容易调整。在模糊规则库中组合不同方法生成的条件，这和定义条件的方法以及条件的复杂性无关。模糊系统只传递一个简单的值作为满足条件的度。这个度决定了规则的结果。这样，在规则库中可以任意组合条件，对于每个条件和每个类描述，都可以选择最合适的方法。这个模糊逻辑规则库可以把知识和概念以不同的方式进行公式化表达。可手动或自动定义隶属度函数。一些关于类描述的专家知识以及类间的关系可以进行继承。

2.2 空间聚类算法介绍

2.2.1 空间聚类算法简介

所谓聚类，是指将数据对象分组成为多个类或簇（cluster），在同一个类中的对象之间具有较高的相似度，而不同类中的对象差别较大。聚类问题的一般描述是：

X=(X1,X2,......XN)是N个数据对象的集合,C??C1,C2,......,CK?是K个数据对象集合或组:C1?C2?...?CK?X,Ci?Cj???i?j?,Ci???i?1,...,K?即通过聚类算法，N个数据对象分别组成K个数据组，每个组至少包含一个对象，每个对象必须属于且只属于一个组（在模糊聚类中，上述条件有所不同）。

聚类结果可以表示为： U??uik?N?K,其中

uik?0/1，当值为1时，指i对象属于组k，当值为0时，i不属于组k。

17

?uik?1,i?1,2,3,...,N;k?1,2,3,...,K

k?1K uik??0,1?,i?1,2,...,N;k?1,2,...,K 聚类算法一般有四种：

(1) 分割方法(partitioning method)。 给定要构建的划分数目（即分组的数目）K，分割方法根据一定的规则对所有对象确定一个初始划分，然后采用一种迭代的重定位技术，使数据对象在划分之间来回移动，以达到划分最优。k-平均算法（k-means）和k-中心点算法(k-medoid)是划分方法的两个代表。

(2) 层次方法（hierarchical method）层次聚类又可分为两个方向，一是自底向上的凝聚方法，初始把所有对象看作单独的分组，然后相继合并相近或相似的对象或组，直到符合一个终止条件为止；一是自顶向下的分裂方法，初始把所有对象看作一个分组，然后逐步把大簇分裂为小簇，直到划分为K个组或符合其它终止条件为止。层次聚类方法同分割聚类方法的不同之处在于：对于分割聚类方法，一般需要一种迭代控制策略，使得整个聚类逐步优化；层次聚类方法并不是试图寻找最佳的聚类结果，而是按照一定的相似性判断标准，合并最相似的部分，或者分割最不相似的两个部分。前者从每个对象作为一个类开始，逐层向上进行聚结；后者从所有的对象归属在惟一的一个类中开始，逐层向下分解。CURE和BIRCH算法是层次方法的两个代表。

(3) 基于密度的方法（density-based method）基于密度的聚类方法以局部数据特征作为聚类的判断标准，其主要思想是，只要临近区域的密度（对象或数据的数目）超过某个阈值，就继续聚类。类被看作是一个数据区域，在该区域内对象是密集的，对象稀疏的区域将各个类分隔开来。多数基于密度的聚类算法形成的聚类形状可以是任意的，并且一个类中对象的分布也可以是任意的。 (4) 基于网格的方法(grid-base method)基于网格的方法把对象空间量化为有限数目的单元，形成一个网格结构，把对数据对象的考察转化为对网格空间的考察，使其独立于数据对象数目，处理速度很快。STING是基于网络方法的典型例子。

2.2.2 高维空间聚类方法

18

纵观分析已有的空间聚类方法可以发现,它们大都只采用空间位置或非空间属性之间的距离作为相似性度量指标。前者仅依据空间要素的空间邻近特性进行聚类,忽略了空间要素的非空间属性特征;而后者直接采用传统聚类分析方法,即 根据非空间属性特征之间的相似性进行聚类,忽视了空间邻近性。由于空间属性和非空间属性是空间数据固有的双重特性,这要求空间聚类时同类要素既要在空间上毗邻,又要在非空间属性上具有最大的相似度。也就是说,只有兼顾二者的特性进行空间聚类,才能更好地遥感图像分割后的地块进行区域与合并。 目前,综合考虑这两类特征的空间聚类方法主要有分治法和一体化法。 分治法从空间位置和非空间属性两方面分别进行聚类,进而综合生成最终聚类结果,主要有DC(Dual Clustering)算法和DCAD(Dual Cluster-ring Algorithm for Distributed Spatial Database)算法。DC算法根据空间要素的空间位置和非空间属性生成优选域(Optimization Do-mains)和约束域(Constraint Domain)两类簇,并使用支持向量机分类器计算要素间的距离作为聚类的相似度进行聚类。DCAD算法首先在分散的服务器中分别计算空间属性和非空间属性的本地类簇,然后分散的服务器将空间、非空间类簇集发送到中心服务器上,中心服务器利用显著性指标计算并构建全局型类簇,最后将全局型类簇结果分发给各分散的服务器,再更新各空间要素的聚类结果。分析可以发现,分治法空间聚类存在算法复杂,计算量大,需要输入的参数多,可扩展性不好等问题。

一体化法是将空间要素的位置(即坐标)和非空间属性数据都视为空间要素的属性数据,并使用属性距离函数计算相似度,再结合k-means算法进行聚类的方法。一体化法存在①空间坐标和非空间属性同等看待,弱化了要素的空间特性;②在计算距离前,需要将坐标值和非空间属性数据进行无量纲化处理,计算开销巨大;③相似度计算时权重向量的确定困难,且带有一定的主观性和随机性;④由于k-means算法本身存在因随机选取初始聚类中心而产生的聚类不确定性,从而导致一体化法也存在聚类不确定性。

19

第3章 区域合并算法研究

3.1 影像特征描述

要对遥感图像分割后的区域进行合并，首先要明确目标的定义和特性。面

状地物与航空影像中的其他类型地物在几何结构上有着很大的区别。我们可以将面状地物表述为一定面积的、内联通、边界封闭的平面。在遥感影像中，常见的面状地物如水域、植被、建筑群、居民地等。

对不同类型的地物进行描述时，需要联系其相关的几何、光谱、纹理等各个方面的特征。分析和提取遥感图像的特征是在遥感图像处理提取过程中的一个必不可少的步骤。经过图像分割我们可获得比较完整的影像对象，这些对象具有较好的完整性和单一性，它们的特征值有很强的代表性。这些特征的有效区分，是实现合并的基础。以水域为例：可以将之描述为几何(Geometric)、光谱(Spectrum)、拓扑(Topology)、纹理(Texture)等特征。

其中属性是在景物空间的知识，偏重于语义知识的描述；而光谱、拓扑、几何特征则由景物域的特征投影到影像域，有着直接的对应关系。 3.1.1 光谱特征

在遥感影像中，由于各种地物组成的物质成分、结构、理化性质的差异，导致不同的地物对电磁波的反射存在着差异，并且致使地物的热辐射性质也不完全相同。同一地物在不同的波谱段，其反射的电磁波与热辐射也有差异。在图像上就可以反应为，相同地物在不同波谱段的图像上色调会不同。这就是地物的光谱效应。光谱特征是遥感影像研究领域中非常普遍和常用的描述地物的特征。光谱特征的基本统计量包括：各波段的最小值、最大值，亮度，均值，标准差，直方图，相关系数等。 1. 波段均值(Mean)

用来表示每个对象或者区域的各层，即各波段的均值。公式表示如下：

1????ckv?ckpv??ck?x,y?

n?x,y??y 其中，pv是对象v的像元集合，定义为:pv=??x,y?(x,y)?v? k为波段层值; n为对象v内像元的个数;

20