基于模糊化高斯隸屬函數的高分辨率遙感影像分割方法
【技術領域】
[0001] 本發明屬于圖像處理領域，具體是一種基于模糊化高斯隸屬函數的高分辨率遙感 影像分割方法。
【背景技術】
[0002] 影像分割是遙感影像處理中最為基本和關鍵的任務，一直以來是圖像處理的熱點 和難點問題。高分辨率遙感影數據由于能夠更加清晰細致的呈現地表覆蓋信息，因此在地 物目標的精準分割中具有巨大的潛力與優勢；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)同一類別區域 局部特征數據差異性顯著，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"表征，該函數 以待分割影像的原始隸屬函數為基礎，通過模糊化原始隸屬函數參數的方式實現模糊化隸 屬函數的建模。相對于只能處理像素類屬的不確定性的傳統不確定性建模方法，如F CM方 法，模糊化隸屬函數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。
[0004] 合理應用模糊化隸屬所提供的信息構建目標函數是實現高分辨率遙感影像正確 劃分的核心問題。應用模糊化隸屬函數提供的信息建模神經網絡模型，并將該模型作為目 標函數是最常用的方法，該建模思想是將所有類別的模糊化隸屬函數信息以加權和的形式 聯系起來，用權重符號判斷信息在目標函數中是否發揮作用(權重為正表示該隸屬函數信 息被激活，權重為負和零則表示被抑制），通過權重大小判斷其發揮作用的大小(權重越大 發揮的作用越大），相對于傳統建模方法，該建模方法使目標函數的質量得到很大提高。但 是，上述建模目標函數的過程中沒有考慮到像素間的空間相關性對分割結果的影響，故對 噪聲敏感。

【發明內容】

[0005] 針對現有技術的不足，本發明提出一種基于模糊化高斯隸屬函數的高分辨率遙感 影像分割方法。
[0006] 本發明的技術方案是：
[0007] -種基于模糊化高斯隸屬函數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行監督采樣提取訓練 樣本，計算訓練樣本中每個像素的灰度值在對應的地物類別中出現的頻率值；
[0010] 步驟3:利用監督采樣提取的訓練樣本及其在對應的地物類別中出現的頻率值，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模型；
[0011] 步驟4:在灰度測度范圍內，利用高斯隸屬函數模型計算各個地物類別所有像素灰 度值的高斯隸屬函數值，并對各地物類別中的所有像素的灰度值的高斯隸屬函數值進行歸 一化，使每個地物類別內的各高斯隸屬函數值之和為1;
[0012] 步驟5:高斯隸屬函數模型參數模糊化，得到模糊化隸屬函數:保持高斯隸屬函數 模型系數不變，初始化高斯隸屬函數均值的調節因子或初始化高斯隸屬函數標準差的調節 因子，將高斯隸屬函數均值或高斯隸屬函數標準差進行區間取值得到模糊化高斯隸屬函 數，進而確定模糊化高斯隸屬函數的上邊界、下邊界；
[0013] 步驟6:以所有訓練樣本的高斯隸屬函數值及模糊化高斯隸屬函數值的上邊界、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 性神經網絡模型，作為高分辨率遙感影像的目標函數，將該模型融入空間關系得到高分辨 率遙感影像的目標函數矩陣；
[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函數矩陣，實現高分辨率 遙感影像分割；
[0015] 步驟8:按照設定步長改變步驟5中的調節因子，即改變模糊化隸屬函數均值或標 準差的上邊界、下邊界，并重復步驟5至步驟7,對所有分割結果進行比較，取最優分割作為 最終結果。
[0016] 所述步驟3具體步驟如下：
[0017]步驟3.1:設定高斯隸屬函數模型參數的初始值及上限、下限；高斯隸屬函數模型 參數，包括高斯隸屬函數系數、高斯隸屬函數均值、高斯隸屬函數標準差；
[0018] 步驟3.2:以已知訓練樣本在對應的地物類別中出現的頻率值與對應的高斯隸屬 函數值的最小誤差平方和為標準，設定迭代閾值；
[0019] 步驟3.3:利用最小二乘法進行地物類別直方圖擬合，建立每個地物類別的高斯隸 屬函數模型，循環迭代求解高斯隸屬函數模型參數；
[0020] 步驟3.4:當訓練樣本在對應的地物類別中出現的頻率值與對應的高斯隸屬函數 值的誤差平方和大于迭代閾值時，將當前的高斯隸屬函數模型參數作為初始值重復步驟 3.2~步驟3.4,循環迭代至所述誤差平方和小于迭代閾值時迭代結束，此時的高斯隸屬函 數模型參數為最佳高斯隸屬函數模型參數，此時的高斯隸屬函數模型為最佳高斯隸屬函數 模型。
[0021 ]所述步驟6具體步驟如下：
[0022]步驟6.1:建立線性神經網絡模型的線性函數模型，對原始訓練數據利用最小二乘 法進行直方圖擬合求解各個地物類別目標函數的權重向量及偏移量；
[0023]步驟6.2:建立線性神經網絡模型的激活函數為分段線性函數，使目標函數滿足大 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函數，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系:對擴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函數矩陣矩陣。
[0025] 所述步驟6.1具體步驟如下：
[0026]步驟6.1.1:將每個訓練樣本在所有地物類別中的高斯隸屬函數值及模糊化高斯 隸屬函數的上邊界、下邊界線性組合并加入偏移量，建立線性神經網絡模型中的線性函數 模型；
[0027] 步驟6.1.2:以各地物類別訓練樣本在對應的地物類別中出現的頻率值作為已知 值，以各地物類別訓練樣本在對應線性函數值作為估計值，建立誤差平方和函數；
[0028] 步驟6.1.3:對各個地物類別的上述誤差平方和函數中的權重參數和偏移量求偏 導使其等于零，求解出目標函數參數，即權重向量和偏移量。
[0029] 所述步驟6.2具體步驟如下：
[0030] 步驟6.2.1:將每一地物類別訓練樣本帶入線性函數模型，利用激活函數進行約 束，當線性函數值小于零時，令該地物類別訓練樣本的目標函數值為零;當線性函數值大于 該地物類別訓練樣本在對應的地物類別中出現的最大頻率值時，令該地物類別訓練樣本的 目標函數值為該最大頻率值；
[0031] 步驟6.2.2:將每一地物類別訓練樣本進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 率遙感影像相應像素對應，得到高分辨率遙感影像的模糊隸屬度矩陣；
[0035] 步驟6.3.2:進行高分辨率遙感影像的模糊隸屬度矩陣擴展: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，實現模糊 隸屬度矩陣擴展；
[0036]步驟6.3.3:對擴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函數矩陣。 [0037]步驟3.1所述設定高斯隸屬函數模型參數的初始值及上限、下限，具體如下：
[0038]高斯隸屬函數系數的上限為0,下限為1;
[0039] 高斯隸屬函數均值的上限為，所有訓練樣本在對應的地物類別中的均值一3 X所 有訓練樣本在對應的地物類別中的標準差；
[0040] 高斯隸屬函數均值的下限為，所有訓練樣本在對應的地物類別中的均值+3 X所有 訓練樣本在對應的地物類別中的標準差；
[0041]高斯隸屬函數標準差的上限為0.3X所有訓練樣本在對應的地物類別中的均值； [0042]高斯隸屬函數標準差的下限為所有訓練樣本在對應的地物類別中的標準差/0.3。 [0043] 有益效