Сравнение методов кластеризации K-Means и Gaussian Mixture для анализа спутниковых снимков

Боковая панель статьи

PDF
Опубликован: июн 5, 2026
Ключевые слова:
кластеризация, K-means, гауссовы смеси, дистанционное зондирование Земли, спутниковые снимки, признаковое пространство, обучение без учителя, сегментация изображений clustering, K-means, Gaussian mixture model, Earth remote sensing, satellite imagery, feature engineering, unsupervised learning, image segmentation

Основное содержимое статьи

Е. C. Белоусов
Государственный университет «Дубна», Дубна, Московская область
Д. В. Добрынин
Государственный университет «Дубна», Дубна, Московская область

Аннотация

В работе проведён сравнительный анализ двух алгоритмов кластеризации без учителя – K-Means и Gaussian Mixture Model (GMM) – применительно к задаче выделения природных объектов на спутниковых снимках. Признаковое пространство сформировано из попиксельных спектральных характеристик и локальных статистик (среднее и эксцесс яркости в окне 15×15) с последующей стандартизацией. Оптимальное число кластеров (k = 12) подобрано методом локтя. Для каждого алгоритма построены модели на спектральных признаках (S-варианты) и на расширенном пространстве (C-варианты), качество оценено по индексам Silhouette, Davies–Bouldin и Calinski–Harabasz и визуально. Дополнительно проверена устойчивость моделей при переносе на новое изображение. Показано, что выбор алгоритма должен определяться прикладной задачей: S-KMeans – быстрая базовая кластеризация, C-GMM – детекция границ объектов, S-GMM – масштабирование на новые снимки.

Скачивания

Данные скачивания пока недоступны.

Информация о статье

Как цитировать
[1]
Белоусов Е.C. и Добрынин, Д.В. 2026. Сравнение методов кластеризации K-Means и Gaussian Mixture для анализа спутниковых снимков. Системный анализ в науке и образовании. 2 (июн. 2026), 29–35.
Выпуск
№ 2 (2026)
Раздел
Моделирование и анализ данных
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Библиографические ссылки

Hartigan J. A., Wong M. A. Algorithm AS 136: A K-Means Clustering Algorithm // Journal of the Royal Statistical Society. Series C (Applied Statistics). – 1979. – Vol. 28. – №. 1. – Pp. 100–108.

Reynolds D. A. Gaussian Mixture Models // Encyclopedia of Biometrics / S. Z. Li, A. K. Jain (eds.). – Boston, MA: Springer, 2009. – Pp. 659–663.

Bishop C. M. Pattern Recognition and Machine Learning. – New York: Springer, 2006. – 738 p.

Scikit-learn: Machine Learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort [et al.] // Journal of Machine Learning Research. – 2011. – Vol. 12. – Pp. 2825–2830.

Rousseeuw P. J. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis // Journal of Computational and Applied Mathematics. – 1987. – Vol. 20. – Pp. 53–65.

Davies D. L., Bouldin D. W. A Cluster Separation Measure // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1979. – Vol. PAMI-1. – №. 2. – Pp. 224–227.

Caliński T., Harabasz J. A dendrite method for cluster analysis // Communications in Statistics. – 1974. – Vol. 3. – №. 1. – Pp. 1–27.

Lu D., Weng Q. A survey of image classification methods and techniques for improving classification performance // International Journal of Remote Sensing. – 2007. – Vol. 28. – №. 5. – Pp. 823–870.

Шовенгердт Р. А. Дистанционное зондирование. Модели и методы обработки изображений. – М.: Техносфера, 2010. – 560 с.

Кашкин В. Б. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений / В. Б. Кашкин, А. И. Сухинин. – Москва: Логос, 2001. – 264 с.