基于可能性中心点聚类的多光谱遥感影像混合像元分解方法
【专利摘要】本发明属于遥感图像处理【技术领域】，具体为一种基于可能性中心点聚类的多光谱遥感影像混合像元分解方法。本发明根据可能性理论和中心点聚类方法的基本原理，构建可能性C中心点聚类方法的代价函数式和可能性隶属度函数，运用启发式算法对离散的解空间进行搜索，通过迭代运算更新聚类中心及可能性隶属度矩阵，获得最终的光谱端元和组分比例，即地表覆被的盖度。本方法不仅对噪声和孤立点数据有良好的鲁棒性，而且可有效处理重叠聚类问题，在聚类间彼此距离较近时也能准确地识别聚类中心，因此，可以在噪声环境下获得高精度的地表覆被盖度和端元光谱信息。本发明在采用多光谱遥感影像进行高精度地物分类、目标检测方面具有重要的应用价值。
【专利说明】基于可能性中心点聚类的多光谱遥感影像混合像元分解方法
【技术领域】
[0001]本发明属于遥感图像处理【技术领域】，具体涉及一种基于可能性中心点聚类的从多光谱遥感影像中准确提取地表覆被盖度的混合像元分解新方法。
【背景技术】
[0002]高精度的遥感解译信息是各类地学空间分析和过程演化研究的重要数据源，如何从遥感数据中获取高精度的解译信息是遥感研究和应用中的基本问题。遥感影像像元记录的是探测系统的瞬时视场角所对应的地面范围内目标的辐射能量总和[I]。如果瞬时视场(IFOV)仅包含同一类性质的目标，则该像元记录的是同一性质地面目标的辐射能量的总和，这样的像元称为纯像元；如果IFOV中包含不止一种土地覆盖类型或要素，则该像元记录的是多类不同性质的地面目标的辐射能量总和，这样的像元称为混合像元。遥感影像通常是由纯像元和混合像元组合而成，其组合程度取决于IFOV和地面特征的空间复杂性。在通常情况下，将每个混合像元赋予单一地表覆盖类型的硬分类方法往往会发生误分类，并且由于该方法易于忽视小尺寸地物、无法准确识别地类边界，因而难以提供较为精确的地表覆盖信息。与传统的硬分类方法相比，混合像元分解方法可以预测得到遥感影像中每一像元内不同组分端元的盖度信息，从而有效降低遥感影像的分类误差和不确定性，提高地表覆盖目标的识别精度。因此，混合像元分解已成为遥感影像解译与定量研究中的重要方向之一。
[0003]现有的混合像元分类技术，如光谱混合模型[2]、模糊分类[3]、人工神经网络
[4]、支持向量机[5]等不断涌现，它们通过建立不同的模型对每一像元内的地表覆盖类型信息进行解混以预测该像元内各类型组分的比例。在这些分类方法中，光谱混合模型和模糊分类方法由于被集成于各种遥感图像处理软件中而得到了广泛地应用。光谱混合分析使用线性混合模型，假设图像中的光谱变异是由有限个地表覆盖类型的混合所引起的，即地面上被观测到的区域光谱响应模式是区域内各种地表覆盖类型组分(也称端元组分)的光谱信号的线性混合。线性光谱混合模型没有考虑某些诸如多光谱反射的因素，这种反射会导致光谱混合过程中复杂的非线性过程。也就是说，从像元中观测到的光谱信号可能包括来自各种端元组分光谱信号的混合物，但同时可能也包括地物要素间额外的多时反射信号，例如，植被和土壤之间的多次交叉反射、散射作用等。对于这种情况就需要应用非线性光谱混合模型[6]。
[0004]模糊分类方法通过计算每个像元属于各光谱端元的隶属度值来获取每一端元组分在像元内所占的比例，并要求像元中的所有可能端元组分之和必须为I。在各种模糊分类方法中，模糊C均值(FCM)算法作为一种模糊非监督分类法被较多地应用于遥感影像的混合像元分类。根据FCM算法的约束条件[3]，其计算得到的模糊隶属度值无法准确表示数据点对聚类中心的归属度(belonging)和兼容度(compatibility),而是代表它在类别间的共享(sharing)程度，并且对于噪声较多的数据集，该算法的分类效果较差。为了克服FCM算法的缺陷，Krishnapuram和Keller [7]在可信度及可能性理论[8] [9]的基础上,通过构建可能性隶属度函数和目标函数，提出了可能性C均值(PCM)聚类法，由该法所得的可能性隶属度值能很好反映数据点对聚类中心的归属度和兼容度，并对噪声和孤立点数据具有一定的鲁棒性。但是，PCM对于聚类中心的初值十分敏感，并且在聚类间彼此距离较近、出现一定程度重叠时，该算法往往会收敛于相同的聚类中心。为了避免产生一致的聚类中心，出现了一些改进的PCM算法，然而相关实验表明，这些方法并不能很好地解决这一问题[10]
[11][12]。因此，上述方法都有成功应用的一面，但由于这些算法本身存在的固有缺陷，其分类精度和效率与实际应用要求仍存在一定差距。
【发明内容】
[0005]为了克服现有技术的不足，本发明提出一种多光谱遥感影像混合像元分解方法，本发明可以在噪声环境下获得高精度的地表覆被分类结果和端元光谱信息，为遥感影像混合像元分解提供了一种有效的新方法。
[0006]本发明根据可能性理论和中心点聚类方法的基本原理，构建可能性C中心点聚类(PCRMDD)方法的代价函数和可能性隶属度函数；为提高算法的效率，运用启发式算法对离散的解空间进行搜索，通过迭代运算更新聚类中心及可能性隶属度矩阵，将代价函数达到最小值时的聚类中心和隶属度归一化结果作为光谱端元和组分比例。由该方法所得的可能性隶属度值能很好反映数据点对聚类中心的归属度(belonging)和匹配度(compatibility)，并对噪声和孤立点数据有良好的鲁棒性。此外，本发明由于可以有效处理重叠聚类问题，在聚类间彼此距离较近时也能准确地识别聚类中心，其分类结果则能正确地反映数据集的聚类结构，本发明提出的遥感影像混合像元分解方法，基本内容如下:
[0007]1.初始聚类中心的提取
[0008]首先利用减法聚类法(Subtractive Clustering)获取初始聚类中心。其核心思想是根据各个数据点周围的数据点密度来计算该点作为聚类中心的可能性，被选为聚类中心的数据点具有最高的密度值，并通过修正所有数据点的密度值，排除聚类中心附近一定范围内的其他点作为聚类中心的可能，再以剩下的数据点重复这一过程，直到所有剩余数据点的密度值小于某一阈值或满足终止准则为止[13]。减法聚类法是一种简单而高效的单次(one-pass)算法，由该算法得到的聚类估计可用于初始化那些基于重复优化过程的聚类方法，其具体步骤如下:
[0009]考虑M维空间的η个数据点(Xl，χ2，…，χη)，并假定所有数据点已归一化到一个单位超立方体中。该法将每个数据点作为聚类中心的候选者，并构造一个山峰函数来表示各数据点一定邻域以内数据点的密集程度，数据点Xi处的密度指标，即山峰函数的高度定义为:
【权利要求】
1.一种基于可能性中心点聚类的多光谱遥感影像混合像元分解方法，其特征在于，根据可能性理论和中心点聚类方法的基本原理，构建可能性中心点聚类方法的代价函数式和可能性隶属度函数，运用启发式算法对离散的解空间进行搜索，通过迭代运算更新聚类中心及可能性隶属度矩阵，将代价函数达到最小值时的聚类中心和隶属度归一化结果作为光谱端元和组分比例，即各类地表覆被的盖度；具体步骤包括: 1)确定聚类个数C、模糊加权指数m和最大迭代次数max_iter，运用减法聚类法从数据集X中选择C个初始聚类中心V = Iv1, V2,…，V。},将迭代次数iter设为O ;
2)对所有数据对象计算
2.按权利要求1所述的多光谱遥感影像混合像元分解方法，其特征在于，在迭代运算中，对应于前s个的s个数据对象，通过取s = 80% Xn，求取目标函数的最小值来获得算法的 最优解。
【文档编号】G06T7/00GK104008376SQ201410245727
【公开日】2014年8月27日 申请日期:2014年6月5日 优先权日:2014年6月5日
【发明者】戴晓燕, 马蔚纯, 张 浩 申请人:复旦大学