本文提出了一種基于模糊算子的ART2A-C 遙感影像分類算法。算法結合原有幾種高性
能的ART 網絡對傳統ART2A-C 網絡做了改進。論文分別利用現有網絡和改進算法對遙感影像作了聚類，實驗結果表明新算法的分類性能明顯優于原算法。
關鍵詞:ART 神經網絡;遙感影像和航空圖像聚類;模糊交
遙感影像的自動分類是遙感圖像處理領域中的一個重要內容，并已廣泛用于軍事和民用方面。遙感技術的根本目的在于獲取目標地物的信息，其中首先要對地物類型進行識別，這就要求先對遙感影像進行分類。遙感影像復雜、攜帶的信息量大，且由于成像環境和角度的不同較普通圖像專業，人們難以對其進行精確辨認。通常，在遙感影像經過針對圖像模糊，輻射量失真輻射校正和幾何校正等預處理后識別者仍然很難明確影像圖中單個像素的確切類別，而且識別結果完全出于個人的視覺感官和主觀理解與聯想，帶有很大的主觀性。因此用于目標獲取前期處理的遙感影像分類，應該盡量使用圖像的客觀信息先對影像中的不同個體進行自動聚類，然后再根據聚類結果對各區域利用主觀信息將不同的類別于各種類型的地物相關聯。
人工神經網絡在模式識別領域有著廣泛的應用，近年來也被大量應用于遙感影像分類。神經網絡是一種非參數分類器，它有著良好的大規模并行處理和很強的自適應、自學習能力，并且不需要數據的先驗概率分布知識，因此在與統計方法的比較中，神經網絡方法體現出了巨大的優越性。自組織競爭神經網絡采用無教師學習方式、是在學習和工作過程中競爭學習的一種神經網絡，美國科學家G. A. Carpenter 和S. Grossberg 提出的ART 網絡是一種向量模式的識別器，它根據存儲的模式對輸入向量進行分類，不需要預先已知結果的樣本，能夠進行實時學習并適應非平穩的環境。ART 作為一種摹仿人腦認知過程的自組織聚類算法，在解決近代日益復雜的大量數據聚類和分類時，具有獨特優點，它能對輸入信號向量進行模式分類、聚類，在人工智能、系統識別和故障診斷、數據壓縮編碼等許多領域有實用價值。
本文采用用于連續值向量的ART2的完善模型之ART2A-E對遙感圖像和航空圖像進行聚類，并將原有的ART2A-C 模型和模糊ART 結合得到一種基于模糊算子的ART2A-C 網絡使聚類效果得到了改善。