基于模糊化高斯隸屬函數(shù)的高分辨率遙感影像分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，具體是一種基于模糊化高斯隸屬函數(shù)的高分辨率遙感 影像分割方法。
【背景技術(shù)】
[0002] 影像分割是遙感影像處理中最為基本和關(guān)鍵的任務(wù)，一直以來是圖像處理的熱點 和難點問題。高分辨率遙感影數(shù)據(jù)由于能夠更加清晰細(xì)致的呈現(xiàn)地表覆蓋信息，因此在地 物目標(biāo)的精準(zhǔn)分割中具有巨大的潛力與優(yōu)勢；同時，高分辨率的特征也帶來了新的分割問 題：（1)不同類別地物分布曲線重疊范圍大，使像素類屬的不確定性增加；（2)同一類別區(qū)域 局部特征數(shù)據(jù)差異性顯著，從而引起建模的不確定性。
[0003] 高分辨率遙感影像的上述兩種不確定性特征可用"模糊化隸屬函數(shù)"表征，該函數(shù) 以待分割影像的原始隸屬函數(shù)為基礎(chǔ)，通過模糊化原始隸屬函數(shù)參數(shù)的方式實現(xiàn)模糊化隸 屬函數(shù)的建模。相對于只能處理像素類屬的不確定性的傳統(tǒng)不確定性建模方法，如F CM方 法，模糊化隸屬函數(shù)可以同時刻畫像素類屬的不確定性及建模的不確定性，因此，其處理不 確定性的能力更強(qiáng)。
[0004] 合理應(yīng)用模糊化隸屬所提供的信息構(gòu)建目標(biāo)函數(shù)是實現(xiàn)高分辨率遙感影像正確 劃分的核心問題。應(yīng)用模糊化隸屬函數(shù)提供的信息建模神經(jīng)網(wǎng)絡(luò)模型，并將該模型作為目 標(biāo)函數(shù)是最常用的方法，該建模思想是將所有類別的模糊化隸屬函數(shù)信息以加權(quán)和的形式 聯(lián)系起來，用權(quán)重符號判斷信息在目標(biāo)函數(shù)中是否發(fā)揮作用(權(quán)重為正表示該隸屬函數(shù)信 息被激活，權(quán)重為負(fù)和零則表示被抑制），通過權(quán)重大小判斷其發(fā)揮作用的大小(權(quán)重越大 發(fā)揮的作用越大），相對于傳統(tǒng)建模方法，該建模方法使目標(biāo)函數(shù)的質(zhì)量得到很大提高。但 是，上述建模目標(biāo)函數(shù)的過程中沒有考慮到像素間的空間相關(guān)性對分割結(jié)果的影響，故對 噪聲敏感。

【發(fā)明內(nèi)容】

[0005] 針對現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于模糊化高斯隸屬函數(shù)的高分辨率遙感 影像分割方法。
[0006] 本發(fā)明的技術(shù)方案是：
[0007] -種基于模糊化高斯隸屬函數(shù)的高分辨率遙感影像分割方法，包括以下步驟：
[0008] 步驟1:讀取待分割的高分辨率遙感影像；
[0009] 步驟2:對待分割的高分辨率遙感影像中的每個地物類別進(jìn)行監(jiān)督采樣提取訓(xùn)練 樣本，計算訓(xùn)練樣本中每個像素的灰度值在對應(yīng)的地物類別中出現(xiàn)的頻率值；
[0010] 步驟3:利用監(jiān)督采樣提取的訓(xùn)練樣本及其在對應(yīng)的地物類別中出現(xiàn)的頻率值，在 高分辨率遙感影像的灰度測度空間對不同地物類別建立高斯隸屬函數(shù)模型；
[0011] 步驟4:在灰度測度范圍內(nèi)，利用高斯隸屬函數(shù)模型計算各個地物類別所有像素灰 度值的高斯隸屬函數(shù)值，并對各地物類別中的所有像素的灰度值的高斯隸屬函數(shù)值進(jìn)行歸 一化，使每個地物類別內(nèi)的各高斯隸屬函數(shù)值之和為1;
[0012] 步驟5:高斯隸屬函數(shù)模型參數(shù)模糊化，得到模糊化隸屬函數(shù):保持高斯隸屬函數(shù) 模型系數(shù)不變，初始化高斯隸屬函數(shù)均值的調(diào)節(jié)因子或初始化高斯隸屬函數(shù)標(biāo)準(zhǔn)差的調(diào)節(jié) 因子，將高斯隸屬函數(shù)均值或高斯隸屬函數(shù)標(biāo)準(zhǔn)差進(jìn)行區(qū)間取值得到模糊化高斯隸屬函 數(shù)，進(jìn)而確定模糊化高斯隸屬函數(shù)的上邊界、下邊界；
[0013] 步驟6:以所有訓(xùn)練樣本的高斯隸屬函數(shù)值及模糊化高斯隸屬函數(shù)值的上邊界、下 邊界值作為輸入，建立用于描述高分辨率遙感影像不同地物類別像素灰度值分布特征的線 性神經(jīng)網(wǎng)絡(luò)模型，作為高分辨率遙感影像的目標(biāo)函數(shù)，將該模型融入空間關(guān)系得到高分辨 率遙感影像的目標(biāo)函數(shù)矩陣；
[0014] 步驟7:按最大隸屬度原則劃分高分辨率遙感影像的目標(biāo)函數(shù)矩陣，實現(xiàn)高分辨率 遙感影像分割；
[0015] 步驟8:按照設(shè)定步長改變步驟5中的調(diào)節(jié)因子，即改變模糊化隸屬函數(shù)均值或標(biāo) 準(zhǔn)差的上邊界、下邊界，并重復(fù)步驟5至步驟7,對所有分割結(jié)果進(jìn)行比較，取最優(yōu)分割作為 最終結(jié)果。
[0016] 所述步驟3具體步驟如下：
[0017]步驟3.1:設(shè)定高斯隸屬函數(shù)模型參數(shù)的初始值及上限、下限；高斯隸屬函數(shù)模型 參數(shù)，包括高斯隸屬函數(shù)系數(shù)、高斯隸屬函數(shù)均值、高斯隸屬函數(shù)標(biāo)準(zhǔn)差；
[0018] 步驟3.2:以已知訓(xùn)練樣本在對應(yīng)的地物類別中出現(xiàn)的頻率值與對應(yīng)的高斯隸屬 函數(shù)值的最小誤差平方和為標(biāo)準(zhǔn)，設(shè)定迭代閾值；
[0019] 步驟3.3:利用最小二乘法進(jìn)行地物類別直方圖擬合，建立每個地物類別的高斯隸 屬函數(shù)模型，循環(huán)迭代求解高斯隸屬函數(shù)模型參數(shù)；
[0020] 步驟3.4:當(dāng)訓(xùn)練樣本在對應(yīng)的地物類別中出現(xiàn)的頻率值與對應(yīng)的高斯隸屬函數(shù) 值的誤差平方和大于迭代閾值時，將當(dāng)前的高斯隸屬函數(shù)模型參數(shù)作為初始值重復(fù)步驟 3.2~步驟3.4,循環(huán)迭代至所述誤差平方和小于迭代閾值時迭代結(jié)束，此時的高斯隸屬函 數(shù)模型參數(shù)為最佳高斯隸屬函數(shù)模型參數(shù)，此時的高斯隸屬函數(shù)模型為最佳高斯隸屬函數(shù) 模型。
[0021 ]所述步驟6具體步驟如下：
[0022]步驟6.1:建立線性神經(jīng)網(wǎng)絡(luò)模型的線性函數(shù)模型，對原始訓(xùn)練數(shù)據(jù)利用最小二乘 法進(jìn)行直方圖擬合求解各個地物類別目標(biāo)函數(shù)的權(quán)重向量及偏移量；
[0023]步驟6.2:建立線性神經(jīng)網(wǎng)絡(luò)模型的激活函數(shù)為分段線性函數(shù)，使目標(biāo)函數(shù)滿足大 等于零小于1的約束；
[0024]步驟6.3 :將高分辨率遙感影像像素的灰度值輸入目標(biāo)函數(shù)，得到模糊隸屬度矩 陣，在高分辨率遙感影像的模糊隸屬度域融入空間關(guān)系:對擴(kuò)展后的高分辨率遙感影像的 模糊隸屬度矩陣取3 X 3窗口求均值，將該均值作為3 X 3窗口中心的隸屬度值，得到新的隸 屬度矩陣作為高分辨率遙感影像的目標(biāo)函數(shù)矩陣矩陣。
[0025] 所述步驟6.1具體步驟如下：
[0026]步驟6.1.1:將每個訓(xùn)練樣本在所有地物類別中的高斯隸屬函數(shù)值及模糊化高斯 隸屬函數(shù)的上邊界、下邊界線性組合并加入偏移量，建立線性神經(jīng)網(wǎng)絡(luò)模型中的線性函數(shù) 模型；
[0027] 步驟6.1.2:以各地物類別訓(xùn)練樣本在對應(yīng)的地物類別中出現(xiàn)的頻率值作為已知 值，以各地物類別訓(xùn)練樣本在對應(yīng)線性函數(shù)值作為估計值，建立誤差平方和函數(shù)；
[0028] 步驟6.1.3:對各個地物類別的上述誤差平方和函數(shù)中的權(quán)重參數(shù)和偏移量求偏 導(dǎo)使其等于零，求解出目標(biāo)函數(shù)參數(shù)，即權(quán)重向量和偏移量。
[0029] 所述步驟6.2具體步驟如下：
[0030] 步驟6.2.1:將每一地物類別訓(xùn)練樣本帶入線性函數(shù)模型，利用激活函數(shù)進(jìn)行約 束，當(dāng)線性函數(shù)值小于零時，令該地物類別訓(xùn)練樣本的目標(biāo)函數(shù)值為零;當(dāng)線性函數(shù)值大于 該地物類別訓(xùn)練樣本在對應(yīng)的地物類別中出現(xiàn)的最大頻率值時，令該地物類別訓(xùn)練樣本的 目標(biāo)函數(shù)值為該最大頻率值；
[0031] 步驟6.2.2:將每一地物類別訓(xùn)練樣本進(jìn)行上述操作得到灰度測度上模糊隸屬度 矩陣；
[0032]步驟6.2.3:對上述模糊隸屬度矩陣進(jìn)行歸一化處理，使每一地物類別像素的灰度 值的模糊隸屬度之和為1。
[0033] 所述步驟6.3具體步驟如下：
[0034] 步驟6.3.1:將灰度測度上每個像素的灰度值的模糊隸屬度矩陣與待分割高分辨 率遙感影像相應(yīng)像素對應(yīng)，得到高分辨率遙感影像的模糊隸屬度矩陣；
[0035] 步驟6.3.2:進(jìn)行高分辨率遙感影像的模糊隸屬度矩陣擴(kuò)展:將模糊隸屬度矩陣的 第一列與最后一列分別疊加到原模糊隸屬度矩陣的第一列與最后一列;將疊加后的模糊隸 屬度矩陣的第一行與最后一行疊加到新的模糊隸屬度矩陣的第一行與最后一行，實現(xiàn)模糊 隸屬度矩陣擴(kuò)展；
[0036]步驟6.3.3:對擴(kuò)展后的模糊隸屬度矩陣取3 X 3窗口求均值，將該均值作為3 X 3窗 口中心的隸屬度值，得到新的模糊隸屬度矩陣作為高分辨率遙感影像的目標(biāo)函數(shù)矩陣。 [0037]步驟3.1所述設(shè)定高斯隸屬函數(shù)模型參數(shù)的初始值及上限、下限，具體如下：
[0038]高斯隸屬函數(shù)系數(shù)的上限為0,下限為1;
[0039] 高斯隸屬函數(shù)均值的上限為，所有訓(xùn)練樣本在對應(yīng)的地物類別中的均值一3 X所 有訓(xùn)練樣本在對應(yīng)的地物類別中的標(biāo)準(zhǔn)差；
[0040] 高斯隸屬函數(shù)均值的下限為，所有訓(xùn)練樣本在對應(yīng)的地物類別中的均值+3 X所有 訓(xùn)練樣本在對應(yīng)的地物類別中的標(biāo)準(zhǔn)差；
[0041]高斯隸屬函數(shù)標(biāo)準(zhǔn)差的上限為0.3X所有訓(xùn)練樣本在對應(yīng)的地物類別中的均值； [0042]高斯隸屬函數(shù)標(biāo)準(zhǔn)差的下限為所有訓(xùn)練樣本在對應(yīng)的地物類別中的標(biāo)準(zhǔn)差/0.3。 [0043] 有益效