基于模糊化高斯隶属函数的高分辨率遥感影像分割方法
【技术领域】
[0001] 本发明属于图像处理领域，具体是一种基于模糊化高斯隶属函数的高分辨率遥感 影像分割方法。
【背景技术】
[0002] 影像分割是遥感影像处理中最为基本和关键的任务，一直以来是图像处理的热点 和难点问题。高分辨率遥感影数据由于能够更加清晰细致的呈现地表覆盖信息，因此在地 物目标的精准分割中具有巨大的潜力与优势；同时，高分辨率的特征也带来了新的分割问 题：（1)不同类别地物分布曲线重叠范围大，使像素类属的不确定性增加；（2)同一类别区域 局部特征数据差异性显著，从而引起建模的不确定性。
[0003] 高分辨率遥感影像的上述两种不确定性特征可用"模糊化隶属函数"表征，该函数 以待分割影像的原始隶属函数为基础，通过模糊化原始隶属函数参数的方式实现模糊化隶 属函数的建模。相对于只能处理像素类属的不确定性的传统不确定性建模方法，如F CM方 法，模糊化隶属函数可以同时刻画像素类属的不确定性及建模的不确定性，因此，其处理不 确定性的能力更强。
[0004] 合理应用模糊化隶属所提供的信息构建目标函数是实现高分辨率遥感影像正确 划分的核心问题。应用模糊化隶属函数提供的信息建模神经网络模型，并将该模型作为目 标函数是最常用的方法，该建模思想是将所有类别的模糊化隶属函数信息以加权和的形式 联系起来，用权重符号判断信息在目标函数中是否发挥作用(权重为正表示该隶属函数信 息被激活，权重为负和零则表示被抑制），通过权重大小判断其发挥作用的大小(权重越大 发挥的作用越大），相对于传统建模方法，该建模方法使目标函数的质量得到很大提高。但 是，上述建模目标函数的过程中没有考虑到像素间的空间相关性对分割结果的影响，故对 噪声敏感。
【发明内容】
[0005] 针对现有技术的不足，本发明提出一种基于模糊化高斯隶属函数的高分辨率遥感 影像分割方法。
[0006] 本发明的技术方案是：
[0007] -种基于模糊化高斯隶属函数的高分辨率遥感影像分割方法，包括以下步骤：
[0008] 步骤1:读取待分割的高分辨率遥感影像；
[0009] 步骤2:对待分割的高分辨率遥感影像中的每个地物类别进行监督采样提取训练 样本，计算训练样本中每个像素的灰度值在对应的地物类别中出现的频率值；
[0010] 步骤3:利用监督采样提取的训练样本及其在对应的地物类别中出现的频率值，在 高分辨率遥感影像的灰度测度空间对不同地物类别建立高斯隶属函数模型；
[0011] 步骤4:在灰度测度范围内，利用高斯隶属函数模型计算各个地物类别所有像素灰 度值的高斯隶属函数值，并对各地物类别中的所有像素的灰度值的高斯隶属函数值进行归 一化，使每个地物类别内的各高斯隶属函数值之和为1;
[0012] 步骤5:高斯隶属函数模型参数模糊化，得到模糊化隶属函数:保持高斯隶属函数 模型系数不变，初始化高斯隶属函数均值的调节因子或初始化高斯隶属函数标准差的调节 因子，将高斯隶属函数均值或高斯隶属函数标准差进行区间取值得到模糊化高斯隶属函 数，进而确定模糊化高斯隶属函数的上边界、下边界；
[0013] 步骤6:以所有训练样本的高斯隶属函数值及模糊化高斯隶属函数值的上边界、下 边界值作为输入，建立用于描述高分辨率遥感影像不同地物类别像素灰度值分布特征的线 性神经网络模型，作为高分辨率遥感影像的目标函数，将该模型融入空间关系得到高分辨 率遥感影像的目标函数矩阵；
[0014] 步骤7:按最大隶属度原则划分高分辨率遥感影像的目标函数矩阵，实现高分辨率 遥感影像分割；
[0015] 步骤8:按照设定步长改变步骤5中的调节因子，即改变模糊化隶属函数均值或标 准差的上边界、下边界，并重复步骤5至步骤7,对所有分割结果进行比较，取最优分割作为 最终结果。
[0016] 所述步骤3具体步骤如下：
[0017]步骤3.1:设定高斯隶属函数模型参数的初始值及上限、下限；高斯隶属函数模型 参数，包括高斯隶属函数系数、高斯隶属函数均值、高斯隶属函数标准差；
[0018] 步骤3.2:以已知训练样本在对应的地物类别中出现的频率值与对应的高斯隶属 函数值的最小误差平方和为标准，设定迭代阈值；
[0019] 步骤3.3:利用最小二乘法进行地物类别直方图拟合，建立每个地物类别的高斯隶 属函数模型，循环迭代求解高斯隶属函数模型参数；
[0020] 步骤3.4:当训练样本在对应的地物类别中出现的频率值与对应的高斯隶属函数 值的误差平方和大于迭代阈值时，将当前的高斯隶属函数模型参数作为初始值重复步骤 3.2~步骤3.4,循环迭代至所述误差平方和小于迭代阈值时迭代结束，此时的高斯隶属函 数模型参数为最佳高斯隶属函数模型参数，此时的高斯隶属函数模型为最佳高斯隶属函数 模型。
[0021 ]所述步骤6具体步骤如下：
[0022]步骤6.1:建立线性神经网络模型的线性函数模型，对原始训练数据利用最小二乘 法进行直方图拟合求解各个地物类别目标函数的权重向量及偏移量；
[0023]步骤6.2:建立线性神经网络模型的激活函数为分段线性函数，使目标函数满足大 等于零小于1的约束；
[0024]步骤6.3 :将高分辨率遥感影像像素的灰度值输入目标函数，得到模糊隶属度矩 阵，在高分辨率遥感影像的模糊隶属度域融入空间关系:对扩展后的高分辨率遥感影像的 模糊隶属度矩阵取3 X 3窗口求均值，将该均值作为3 X 3窗口中心的隶属度值，得到新的隶 属度矩阵作为高分辨率遥感影像的目标函数矩阵矩阵。
[0025] 所述步骤6.1具体步骤如下：
[0026]步骤6.1.1:将每个训练样本在所有地物类别中的高斯隶属函数值及模糊化高斯 隶属函数的上边界、下边界线性组合并加入偏移量，建立线性神经网络模型中的线性函数 模型；
[0027] 步骤6.1.2:以各地物类别训练样本在对应的地物类别中出现的频率值作为已知 值，以各地物类别训练样本在对应线性函数值作为估计值，建立误差平方和函数；
[0028] 步骤6.1.3:对各个地物类别的上述误差平方和函数中的权重参数和偏移量求偏 导使其等于零，求解出目标函数参数，即权重向量和偏移量。
[0029] 所述步骤6.2具体步骤如下：
[0030] 步骤6.2.1:将每一地物类别训练样本带入线性函数模型，利用激活函数进行约 束，当线性函数值小于零时，令该地物类别训练样本的目标函数值为零;当线性函数值大于 该地物类别训练样本在对应的地物类别中出现的最大频率值时，令该地物类别训练样本的 目标函数值为该最大频率值；
[0031] 步骤6.2.2:将每一地物类别训练样本进行上述操作得到灰度测度上模糊隶属度 矩阵；
[0032]步骤6.2.3:对上述模糊隶属度矩阵进行归一化处理，使每一地物类别像素的灰度 值的模糊隶属度之和为1。
[0033] 所述步骤6.3具体步骤如下：
[0034] 步骤6.3.1:将灰度测度上每个像素的灰度值的模糊隶属度矩阵与待分割高分辨 率遥感影像相应像素对应，得到高分辨率遥感影像的模糊隶属度矩阵；
[0035] 步骤6.3.2:进行高分辨率遥感影像的模糊隶属度矩阵扩展:将模糊隶属度矩阵的 第一列与最后一列分别叠加到原模糊隶属度矩阵的第一列与最后一列;将叠加后的模糊隶 属度矩阵的第一行与最后一行叠加到新的模糊隶属度矩阵的第一行与最后一行，实现模糊 隶属度矩阵扩展；
[0036]步骤6.3.3:对扩展后的模糊隶属度矩阵取3 X 3窗口求均值，将该均值作为3 X 3窗 口中心的隶属度值，得到新的模糊隶属度矩阵作为高分辨率遥感影像的目标函数矩阵。 [0037]步骤3.1所述设定高斯隶属函数模型参数的初始值及上限、下限，具体如下：
[0038]高斯隶属函数系数的上限为0,下限为1;
[0039] 高斯隶属函数均值的上限为，所有训练样本在对应的地物类别中的均值一3 X所 有训练样本在对应的地物类别中的标准差；
[0040] 高斯隶属函数均值的下限为，所有训练样本在对应的地物类别中的均值+3 X所有 训练样本在对应的地物类别中的标准差；
[0041]高斯隶属函数标准差的上限为0.3X所有训练样本在对应的地物类别中的均值； [0042]高斯隶属函数标准差的下限为所有训练样本在对应的地物类别中的标准差/0.3。 [0043] 有益效