李 玉 胡海峰 赵雪梅 赵泉华

(辽宁工程技术大学遥感科学与应用研究所，辽宁阜新 123000)

1 引言

聚类分割算法实质是利用图像各像素光谱测度在特征空间自然聚类的性质，将表征不同地物的像素进行归并，保证其分割结果中同一地物类别内像素光谱测度相似性尽可能大，不同地物类别间像素光谱测度相似性尽可能小[1]。该方法原理简单、可拓展性强、计算速度快，因此广泛应用于遥感图像分割中。目前，较为常用的聚类分割算法主要包含以下几种类型：K-means聚类[2-3]、层次聚类[4-5]、模糊聚类[6-7]、谱聚类[8-9]等分割算法。

K-means聚类分割算法是基于距离的动态聚类硬划分方法。以数据点到聚类中心距离平方和最小为准则，迭代更新聚类中心直至满足约束条件。该算法简单高效，但对初始聚类中心敏感，随机选取其初值易导致聚类结果不稳定。文献[10]在HLS颜色空间提取图像目标分类区域颜色的统计值作为初始聚类中心，同时通过加权数据点到聚类中心的距离提高像素划分的准确性，进而得到较传统K-means聚类分割算法更加理想的分割结果。然而，表征不同地物的像素光谱测度在特征空间存在一定程度的重叠，采用距离预测像素类别只能将具有相同测度值的像素划分到同一类别中，因此，基于K-means的硬划分算法不适合特征空间中具有不同尺度、非球形分布的数据处理。

层次聚类分割方法可分为凝聚和分裂两种层次聚类，亦属于硬划分算法。前者视每一数据点为一聚类，计算聚类间邻近度，并合并最接近聚类，直至满足终止条件；……