摘要：在面向对象遥感图像处理方法中图像色彩辨别是非常重要的一部分，分割的好坏与否直接影响到后续的识别、分析和解译等的精度，它是进行图像分析的关键。

在进行图像色彩辨别时，特征可能会被错分，或者一个特征可能被分成许多小部分。通常无论用什么方法来分割，这个问题都难以避免，此时须通过合并（Merging）,改善对地物界线的描绘，并且通过合并来解决过度分割的问题。 

本文结合遥感图像的空间拓扑关系、光谱以及纹理，提出一种新的区域合并算法用来解决遥感图像过度分割的问题。围绕这一问题，本文进行了如下研究：

首先介绍了面向对象分类技术以及空间聚类技术，然后分析了遥感图像分割后各分块的光谱，纹理和形状特征，提出了综合这三者的区域合并算法。最后以一副分割遥感图像为实例，进行区域合并，并对合并后的结果进行了评价。

    该方法采用一种基本的图像分割方法得到初始分割结果，扫描分割区域建立分割块之间的邻接关系，继而在此基础上先后加入光谱、纹理、形状等特征进行合并调整，形成另一个分割较大尺度的区域结构。该过程可以迭代进行，直到无法再进行合并为止。

关键词：面向对象；聚类算法； 区域合并

目录

摘要

Abstract

第1章 绪论-1

1.1研究背景-1

1.2研究目的和基本原理-1

1.3本文的主要工作-1

第2章 聚类算法-2

2.1聚类的概念-2

2.2基于层次的聚类-3

2.3基于密度的聚类-3

2.4基于划分的聚类-3

2.5基于网格的聚类-4

2.6基于模型的聚类-4

2.7模糊聚类-4

2.7.1模糊C-均值聚类算法-4

2.7.2免疫进化算法-5

2.8其它聚类算法-5

2.8.1基于群的聚类方法-5

2.8.2基于粒度的聚类方法-5

2.8.3谱聚法-6

2.8.4多种聚类方法的融合-6

第3章 聚类分析方法-8

3.1聚类分析-8

3.2主要聚类算法的分类-9

3.2.1划分方法-9

3.2.2层次方法-9

3.2.3基于密度的方法-9

3.2.4基于网格的方法-10

3.2.5基于模型的方法-10

第4章 模糊聚类算法-11

4.1模糊理论的概述和发展-11

4.2 FCM聚类算法介绍-11

4.2.1模糊集基本知识-11

4.2.2 K均值聚类算法(HCM)介绍-12

4.2.3FCM算法的应用-12

4.3模糊集合-13

4.4模糊聚类-14

4.4.1基于模糊关系的分类法-14

4.4.2基于目标函数的模糊聚类算法-14

4.4.3基于神经网络的模糊聚类算法-15

4.5模糊C均值算法公式-15

4.6算法步骤-16

第5章 图像色彩识别的聚类方法-17

5.1输入BMP图像-17

5.2聚类处理-18

5.3输出BMP图像-21

第6章 实验结果-22

第7章 结束语-23

参考文献-24

致  谢-25