http://elib.sfu-kras.ru/bitstream/handle/2311/28074/02_Dobronets.pdf?sequence=1
Жесткая и нечеткая кластеризация данных дистанционного зондирования Земли

Vasiliy V. Asmus, Aleksey A. Buchnev, Valeriy P. Pyatkin
2016 Journal of Siberian Federal University Engineering & Technologies  
The clustering system for processing of the Earth remote sensing data is discussed. The system consists of the next methods: K-means method, method of the multidimensional histograms modes analysis, hybrid method, which involves method of the multidimensional histograms modes analysis and the subsequent hierarchical grouping, and a number of fuzzy clustering algorithms. Citation: Asmus V.V., Buchnev A.A., Pyatkin V.P. Hard and fuzzy clustering of the earth remote sensing data, Hard and Fuzzy
more » ... , Hard and Fuzzy Clustering of the Earth Remote Sensing Data Жесткая и нечеткая кластеризация данных дистанционного зондирования земли В.В. Асмус а , А.А. Бучнев б , В.П. Пяткин б а Научно-исследовательский центр космической гидрометеорологии «Планета» Россия, 123242, Москва, Большой Предтеченский переулок, 7 б Институт вычислительной математики и математической геофизики СО РАН Россия, 630090, Новосибирск, пр. Академика Лаврентьева, 6 Рассматривается система кластеризации данных дистанционного зондирования Земли (ДЗЗ). Система представлена следующими методами: методом K-средних, методом анализа мод многомерных гистограмм, гибридным методом, объединяющим метод анализа мод многомерных гистограмм с последующей иерархической группировкой и рядом алгоритмов нечеткой кластеризации. Ключевые слова: дистанционное зондирование, кластерный анализ, жесткая кластеризация, нечеткая кластеризация. Введение Центральные вопросы тематической обработки (интерпретации) данных ДЗЗ -вопросы повышения качества дешифрирования -непосредственно связаны с проблемой выбора адекватных алгоритмов распознавания [1-4]. В данной статье рассматривается кластерный анализ в обработке многоспектральных (многомерных) данных ДЗЗ. Характеризуя методы кластеризации в целом, следует отметить, что в основном они отыскивают в данных не те структуры, которые там реально существуют, а те, для поиска которых они предназначены [2] . Поэтому надежность результатов кластеризации часто можно оценить лишь сравнением нескольких вариантов обработки данных ДЗЗ. Характерная особенность данных ДЗЗ -"загрязнение" выборок смешанными векторами измерений, т.е. векторами, которые образуются при попадании в элемент разрешения съемочной системы нескольких природных объектов. Это обстоятельство является одним из источников ошибок при построении карты классификации [1, 2] . Большинство алгоритмов кластеризации для отнесения векторов признаков кластерам вычисляют для каждого вектора значения подходящей функции «правдоподобия». В случае зачисления вектора признаков в кластер по максимальному значению функции правдоподобия получается так называемая жесткая кластеризация. Рассмотрим некоторые алгоритмы жесткой кластеризации. Жесткая кластеризация В состав программного комплекса, реализованного совместными усилиями ФГБУ «НИЦ «Планета» и ФГБУН ИВМиМГ СО РАН, входит реализация классического алгоритма жесткой кластеризации -алгоритма К-средних, широко используемого для разбиения на кластеры больших объемов многомерных данных [4] . Алгоритм K-средних может быть отнесен к клас-
doi:10.17516/1999-494x-2016-9-7-972-978 fatcat:c446ediayfefjfo5wl6lnbszuy