魏国忠

(山东省国土测绘院，济南 250102)

0 引言

模糊聚类中认为待分数据集中的样本都以一定的隶属度归属于每个类别，隶属度越大，则归属程度越高。高光谱图像的空间分辨率一般不高，其光谱信息往往是多种地物目标的综合反映，图像上存在大量的混合像元具有模糊性，造成同物异谱现象严重。因此，利用模糊聚类对高光谱图像的像元进行分析较硬分类方式更具优势。在模糊聚类分析中，模糊均值聚类(fuzzy C-means，FCM)是一种经典的方法，近些年来，围绕高光谱图像聚类问题以FCM方法为基础进行改进，出现了一些新的研究。主要包括3个角度：1)FCM中利用欧式距离度量不同像元间的相似性，通过综合考虑高光谱数据光谱曲线形状、地物辐射等特性，改进测度对高光谱图像进行聚类。如刘伟等[2]采用乘性和加性相似性测度方式，陈伟等[3]基于角度余弦提出的新型光谱相似度，及焦洪赞等[4]提出的改进条件随机场模型相似性测度，都结合FCM方法应用在高光谱图像聚类中。2)FCM通过迭代计算不断优化聚类中心位置和隶属度，这种方法可能会陷入局部解，造成聚类精度不高。于文博等[5]利用峰值密度函数，王秀和[6]利用蚁群算法优化目标函数的求解过程，往往能够最大程度地逼近全局最优解，令聚类过程和结果更加稳定和优化。3)FCM中采用原始像元特征作为聚类的基本单位进行处理，但在光谱特征的变换空间中可能获得更高的可分性。如先进行图像分割后以分割结果为处理单元再聚类[5]，或者利用极限学习机将原始图像像元光谱特征变换到更高维度后进行聚类[7]。……