有限混合密度模型及遥感影像EM聚类算法

被引：12

作者：

骆剑承

周成虎

梁怡

马江洪

机构：

[1] 中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室

[2] 香港中文大学地理系

[3] 长安大学数学教研室

来源：

中国图象图形学报 | 2002年 / 04期

关键词：

混合模型; EM算法; 聚类; 遥感数据;

D O I：

暂无

中图分类号：

TP751.1 [数字处理];

学科分类号：

摘要：

遥感信息是地球表层信息的综合反映 .由于地球表层系统的复杂性和开放性 ,地表信息是多维的、无限的 ,遥感信息传递过程中的局限性以及遥感信息之间的复杂相关性 ,决定了遥感信息其结果的不确定性和多解性 .遥感信息具有一定的统计特性 ,同时又具有高度的随机性和复杂性 ,在特征空间中往往表现为混合密度分布 .针对遥感信息这种统计分布的复杂性 ,提出了有限混合密度的期望最大 (EM)分解模型 ,该模型假设总体分布可分解为有限个参数化的密度分布 ,通过 EM迭代计算可估计出各密度分布的最大似然参数集 ;将有限混合 EM聚类算法应用于遥感影像的聚类分析中 ,并与传统统计聚类方法进行了比较 ,比较结果表明 ,其对复杂地物的区分具有优势 ,另外在融合专家知识、初始化等方面具有扩展能力 .

引用

页码：26 / 30+108

页数：6

共 9 条

[1]

Robust parameter estimation for mixture model. Tadjudin S,Landgrebe D A. IEEE transactions on geo-science and remote sensing . 2000

[2]

Fuzzy clustering with partial supervision. Pedrycz W,Waletzky J. IEEE Transactions on Systems Man and Cybernetics . 1997

[3]

The expectation-maximization algorithm. Moon T K. Signal Processing . 1996

[4]

Spatial statistics for remote sensing. Stein A,Gorte B. . 1999

[5]

The EM algorithm and extensions. McLachlan G J,Krishnan T. . 1977

[6]

Mixture models: Inference and applications to clustering. McLachlan G J,Basford K E. . 1988

[7]

Comparison of fuzzy c-means classification, linear mixture modeling and MLC probabilities as tools for unmixing coarse pixels. Bastin L. International J. Remote Sensing . 1997

[8]

Maximum likelihood estimation from incomplete data via EM algorithm , J. Dempster A P,Laird N M,Rubin D B. R.Statist . Soc . 1977

[9]

Remote sensing digital image analysis: An introduction. Richards J A,Jia X. . 1999

← 1 →