遥感与地理信息系统学报

抽象的

软分类器 FCM 和 PCM 的时间数据数据识别

Ranjana Sharma、PK Garg、RKDwivedi、Mohan Vishal Gupta

一般来说，多光谱分类器提供了一整套使用监督、非监督或模糊方法进行图像分类的选项。图像处理分为 10 个类别：图像恢复、图像增强、图像变换、图像特征开发、图像硬分类器和软分类器、图像硬化器和高光谱分析以及结果准确性评估。硬分类器通常用于图像分类，其中像素的隶属度值为 0 或 1，因此它被视为纯像素。软分类器中像素的性质是混合的。软分类器的像素属于多个类。通过模糊集理论，我们可以解决图像的多重归属像素问题。模糊集中的隶属度值范围是 0 和 1，其中 0 到 1 之间的值定义了像素内信息出现的比例。这一概念已用于许多应用中，例如传感器信号分析、不确定性最小化。在本研究中，模糊软分类器和基于熵的混合模糊分类器、基于熵的噪声聚类已用于学习像素级多光谱数据集分类器输出的精度方法（熵）的结果。但是，任何分类如果没有对其精度进行评估，都被认为是不完整的。各商业公司推出了各种图像处理工具，这些工具为数据输入、可视化、增强、转换、分类、精度评估和输出提供了相关模块，并结合了其他基于 GIS 的模块。一些具有明确定义图像处理模块的领先 GIS 软件包括 ERDAS Imagine、IDRISI、ENVI 和 ER Mapper，但这些软件不支持对软分类输出进行精度评估。因此，本研究开发了一种工具来处理此类问题。该工具主要关注软分类算法。它被称为基于模糊的图像分类器工具 (FBICET)，它结合了熵。使用 FBICET 已成功对卫星图像进行了良好的分类。