结合mRMR选择和IFCM聚类的遥感影像分类算法

doi:10.13474/j.cnki.11-2246.2019.0108

测绘通报 ›› 2019, Vol. 0 ›› Issue (4): 32-37.doi: 10.13474/j.cnki.11-2246.2019.0108

结合mRMR选择和IFCM聚类的遥感影像分类算法

黄磊¹, 向泽君^1,3, 楚恒^1,2,3

1. 重庆邮电大学光通信与网络重点实验室, 重庆 400065;
2. 西南大学地理科学学院, 重庆 400715;
3. 重庆市勘测院, 重庆 400020

收稿日期:2018-05-14 出版日期:2019-04-25 发布日期:2019-05-07
作者简介:黄磊(1991-),女,硕士生,研究方向为遥感影像融合与分类。E-mail:1377825510@qq.com
基金资助:
重庆市2013西南大学博士后科研项目（Rc201336）；重庆高校创新团队建设计划（CXTDX201601020）

Remote sensing image classification algorithm based on mRMR selection and IFCM clustering

HUANG Lei¹, XIANG Zejun^1,3, CHU Heng^1,2,3

1. School of Communication and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, China;
2. School of Geographical Sciences, Southwest University, Chongqing 400715, China;
3. Chongqing Survey Institute, Chongqing 400020, China

Received:2018-05-14 Online:2019-04-25 Published:2019-05-07

摘要/Abstract

摘要：

为解决高分影像特征间相关性大冗余度高、FCM聚类稳健性差带来的分类精度不佳问题，提出一种基于mRMR选择和改进FCM聚类的影像分类算法。首先基于对象置信度指标（OC）进行影像分割，然后利用mRMR算法实现特征选择，解决特征冗余问题，最后将提取的特征输入分类器通过IFCM聚类，得到最终分类结果。试验结果表明，本文算法能减少特征间相关性，降低冗余，并有效提高影像分类精度。

关键词: 冗余度, mRMR选择, IFCM聚类, OC, 影像分类

Abstract:

In order to solve the problem of poor classification precision caused by high correlation redundancy between features of high-resolution image and poor robustness of FCM clustering, an image classification algorithm based on mRMR selection and IFCM clustering is proposed. First, the image segmentation is carried out based on the object confidence index (OC), then the feature selection is realized by mRMR algorithm to solve the feature redundancy problem. The extracted feature is put in classifier and final classification result is clustered by IFCM algorithm. Comparison of experimental results show that the proposed algorithm can reduce feature correlation and redundancy and effectively improve image classification accuracy.

Key words: redundancy, mRMR selection, IFCM clustering, OC, image classification

中图分类号:

P237

黄磊, 向泽君, 楚恒. 结合mRMR选择和IFCM聚类的遥感影像分类算法[J]. 测绘通报, 2019, 0(4): 32-37.

HUANG Lei, XIANG Zejun, CHU Heng. Remote sensing image classification algorithm based on mRMR selection and IFCM clustering[J]. 测绘通报, 2019, 0(4): 32-37.

参考文献

[1] 刘纯, 洪亮, 陈杰,等. 融合像素-多尺度区域特征的高分辨率遥感影像分类算法[J]. 遥感学报, 2015, 19(2):228-239.
[2] 佃袁勇, 杨光, 方圣辉. 傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类[J]. 武汉大学学报(信息科学版), 2017, 42(3):362-368.
[3] 程诗尧, 梅天灿, 刘国英. 顾及结构特征的多层次马尔科夫随机场模型在影像分类中的应用[J]. 武汉大学学报(信息科学版), 2015, 40(9):1180-1187.
[4] DEMIR B, BRUZZONE L. Histogram-based attribute profiles for classification of very high resolution remote sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(4):2096-2107.
[5] YANG M, CHANG H Y, LUO W X, et al. Fisher discrimination dictionary pair learning for image classification[J]. Neurocomputing, 2017,269(12):13-20.
[6] 慎利, 吴林梅, 方灿明. 面向高分辨率遥感影像分类的多尺度光谱-空间-语义特征融合[J]. 地理与地理信息科学, 2017,33(5):1-8.
[7] 陈苏婷, 王慧. 多尺度多特征融合的高分辨率遥感影像分类[J]. 量子电子学报, 2016, 33(4):420-426.
[8] 王超, 行鸿彦,熊允波,等. 对象置信度指引下的高分辨率遥感影像分割[J]. 仪器仪表学报, 2017,38(9):2282-2290.
[9] 王云艳, 何楚, 涂峰, 等. 特征选择双层SVM的融合算法用于极化SAR图像分类[J]. 武汉大学学报(信息科学版), 2015, 40(9):1157-1162.
[10] LI X L, SHAO Z J, QIAN J X. An optimizing method based on autonomous animates:fish-swarm algorithm[J]. Journal of Systems Engineering-theory and Practice, 2002(11):32-38.
[11] SUN G, LIU Q, LIU Q, et al. A novel approach for edge detection based on the theory of universal gravity[J]. Pattern Recognition, 2007,40(10):2766-2775.
[12] MERTENS K C, BAETS B, VERBEKE L P C, et al. A sub-pixel mapping algorithm based on sub-pixel/pixel spatial attraction models[J]. International Journal of Remote Sensing, 2006, 27(15):3293-3310.
[13] 贾永红, 冯在梅, 沈庭乐. 基于标记分水岭分割的高分辨率影像水体信息提取[J]. 测绘通报, 2014(9):31-33.
[14] GONZALEZ R C, WOODS R E, EDDINS S L, 等. 数字图像处理[M]. 北京:电子工业出版社, 2014.
[15] 赵时英. 遥感应用分析原理与方法[M]. 北京:科学出版社, 2003.

结合mRMR选择和IFCM聚类的遥感影像分类算法

Remote sensing image classification algorithm based on mRMR selection and IFCM clustering

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	窦世卿, 陈治宇, 徐勇, 郑贺刚, 苗林林, 宋莹莹. 基于多特征融合与典型降维方法的高光谱影像分类[J]. 测绘通报, 2022, 0(4): 32-36,50.
[2]	张伯树, 张志华, 张洋. 改进的HRNet应用于路面裂缝分割与检测[J]. 测绘通报, 2022, 0(3): 83-89.
[3]	贾永红. 数字图像处理混合教学的研究与实践[J]. 测绘通报, 2022, 0(2): 174-176.
[4]	马顶, 赵尚民, 程维明. 基于LROC NAC影像的高分辨率连续DEM数据制作[J]. 测绘通报, 2021, 0(9): 93-97.
[5]	叶沅鑫, 谭鑫, 孙苗苗, 王蒙蒙. 基于增强DeepLabV3网络的高分辨率遥感影像分类[J]. 测绘通报, 2021, 0(4): 40-44.
[6]	孙薇, 李胜, 江鹢, 柯水松, 夏安科. 深度学习方法应用于深圳市多调合一工作的思考[J]. 测绘通报, 2021, 0(1): 138-141.
[7]	张鹏强, 刘冰, 余旭初, 谭熊, 杨帆, 周增华. 面向高光谱影像分类的生成式对抗网络[J]. 测绘通报, 2020, 0(3): 29-34.
[8]	陈泽远. 采用高斯投影实现AutoCAD地形图换带[J]. 测绘通报, 2020, 0(12): 138-143.
[9]	常翔宇, 柯长青. 基于随机森林算法的城市不透水面信息提取——以长春市为例[J]. 测绘通报, 2020, 0(11): 43-49.
[10]	许慧敏, 齐华, 南轲, 陈敏. 结合nDSM的高分辨率遥感影像深度学习分类方法[J]. 测绘通报, 2019, 0(8): 63-67.
[11]	贾永红, 付仲良, 孙和利. 中国大学MOOC平台数字图像处理在线开放课程的建设与应用[J]. 测绘通报, 2018, 0(12): 144-147.
[12]	余莎莎, 余洁, 朱腾, 王彦兵. 一种改进的MCSM/H-PSO全极化SAR影像分类方法[J]. 测绘通报, 2018, 0(11): 53-57.
[13]	谢福鼎, 于珊珊, 杨俊. 一种新的融合空间信息的半监督变化监测方法[J]. 测绘通报, 2018, 0(1): 50-54.
[14]	王保国. ShapeLib在土地确权中的应用[J]. 测绘通报, 2017, 0(8): 135-137.
[15]	李艳焕, 徐振亮, 邵良杉. 一种新的影像位姿直接估计方法[J]. 测绘通报, 2017, 0(6): 17-20.