Adaboost和随机图划分的无监督图像分类

针对当前大多数无监督图像分类方法不能对每个图像类进行特征选择和自动确定图像类别的数量问题,提出一种基于Adaboost和随机图划分的无监督图像分类方法。该方法包括两个部分:1)将图像分类问题看做是一个自动的随机图划分问题,其中图的每一个顶点代表一幅图像,通过划分形成的子图代表了图像类。再采用Ada-boost算法对每一个形成的图像类进行特征选择,从而得到每类图像的表达模型。2)采用一种基于蒙特卡洛马尔可夫链(MCMC)的随机采样算法(SWC)来对图进行划分。相比传统的随机采样算法,SWC具有更快的收敛速度。在两个图像数据集上的实验结果表明,本文方法的分类性能明显优于其他现有的无监督分类法。

用Kohonen神经网络对高光谱分辨率图像进行无监督分类的研究

讨论了将Ｋｏｈｏｎｅｎ自组织神经网络用于成像光谱仪高光谱分辨率遥感图像无监督分类的结果．用于研究的是０．４６～０．７６μｍ１５个波段的高光谱分辨率的原始航空遥感图像．该图像复盖了澳大利亚达尔文市周围约２００ｋｍ２的试验区，包括了海湾、岛屿、海滩、河流、城市与旷野等各种地物类型．神经网络分类的结果提供了试验区内地物分布符合实际的预测和估计，它与传统的分类方法的结果相比较，用神经网络所得到的结果更准确可信．