基于可变高斯混合模型的高分辨率遥感影像监督分割方法
【技术领域】
[0001] 本发明属于图像处理领域，具体涉及一种基于可变高斯混合模型的高分辨率遥感 影像监督分割方法。
【背景技术】
[0002] 图像分割是图像处理和模式识别中的基础工作和关键环节。由于高分辨率遥感数 据能够更加清晰细致地呈现地表覆盖信息，在精准地物目标分割中的应用日益广泛。高分 辨遥感影像具有以下两种典型新特征，（1)同类地物分布曲线呈现多峰分布及非对称分布 特征，（2)不同地物分布曲线重叠性增加。以上特征使影像分割困难性增加。
[0003] 由于高斯混合模型(Gaussian mixture modeling，GMM)具有拟合任意概率密度函 数的能力，因此，基于GMM对影像建模的应用十分广泛。传统GMM建模方法假设每种独立地物 的光谱测度服从高斯分布，用所有地物类别分布的加权平均来表述整个数据集的概率密度 函数。这种建模方法认为高分辨率遥感影像中每种地物服从单峰高斯分布特征，不符合高 分辨率遥感影像中相同地物所呈现出的多峰分布及非对称分布特征。为此，熊涛，Zeng Jia 等（熊涛，姜万寿和李乐林.基于高斯混合模型的遥感影像半监督分类，武大学报·信息科 学版.2011.36( 1 ):108-112;ZENG J，XIE L.Type-2Fuzzy Gaussian Mixture Models ·Pattern Recognition，2008，41 (12): 3636-3643 ·)提出对每一类别区域建立GMM模 型，为建模高分辨率遥感影像复杂的分布特征提供了有效途径，但是，提出者设置所有类别 GMM的分量个数相同，故存在固定分量数的GMM无法准确建模所有类别的问题，并且由于没 有考虑像素间的空间关系，因此无法处理高分辨遥感影像不同地物分布曲线重叠性增加带 来的分割困难，对噪声敏感。
【发明内容】
[0004] 针对现有技术存在的不足，本发明提供一种基于可变高斯混合模型的高分辨率遥 感影像监督分割方法。
[0005] 本发明的技术方案是：
[0006] -种基于可变高斯混合模型的高分辨率遥感影像监督分割方法，包括如下步骤：
[0007] 步骤1:读取待分割的高分辨率遥感影像；
[0008] 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，计算每个 像素的灰度值在对应的地物类别中出现的频率值；
[0009] 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的地物类别建立可变高斯混合模型；
[0010] 步骤4:建立高分辨率遥感影像的目标函数:计算高分辨率遥感影像中每个像素的 灰度值在各个可变高斯混合模型中的概率值，得到高分辨率遥感影像对应于不同地物类别 的概率测度矩阵;对各概率测度矩阵按设定窗口求其均值，将该均值作为窗口中心的概率 测度值，得到新的概率测度矩阵作为高分辨率遥感影像的目标函数矩阵；
[0011] 步骤5:对高分辨率遥感影像的目标函数矩阵的相同位置元素进行比较，按最大概 率测度原则实现分割。
[0012] 所述监督采样的规则如下：
[0013] 若为合成高分辨率遥感影像，则对每种地物类别随机提取像素的灰度值作为训练 样本;若为真实高分辨率遥感影像，则对每种地物类别选择特征地物的像素的灰度值作为 训练样本。
[0014] 所述步骤3包括如下步骤：
[0015] 步骤3.1:设置每个地物类别的可变高斯混合模型中最大高斯分量个数M，可变高 斯混合模型参数的初始值及上限、下限，可变高斯混合模型参数包括高斯分量系数、高斯分 量均值和高斯分量标准差；
[0016] 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可变高斯 混合模型的概率值的最小均方误差为标准，设定迭代阈值；
[0017] 步骤3.3:利用最小二乘法进行地物类别直方图拟合，建立每个地物类别可变高斯 混合模型，循环迭代求解可变高斯混合模型参数；
[0018] 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可变高斯混合 模型的概率值的均方误差大于迭代阈值时，将当前的可变高斯混合模型参数作为初始值重 复步骤3.2~步骤3.4，循环迭代至所述均方误差小于迭代阈值时迭代结束；
[0019]步骤3.5:计算每个地物类别可变高斯混合模型中的各高斯分量均值之差，若小于 给定阈值，则重新设置该地物类别的可变高斯混合模型中最大高斯分量个数，使其等于Μ-? ， 其他类别最大高斯分量数保持不变 ，返 回步骤3.1; 否则执行步骤3.6;
[0020] 步骤3.6:停止迭代，得到最终的不同地物类别的可变高斯混合模型。
[0021] 所述高斯分量均值的上限、高斯分量均值的下限，高斯分量标准差的上限、高斯分 量标准差的下限，具体设置如下：
[0022] 高斯分量均值的上限为各地物类别的所有训练样本均值一 3Χ各地物类别的所有 训练样本标准差；
[0023] 高斯分量均值的下限为各地物类别的所有训练样本均值+3 X各地物类别的所有 训练样本标准差；
[0024]高斯分量标准差的上限为各地物类别的所有训练样本标准差X 0.3;
[0025] 高斯分量标准差的下限为各地物类别的所有训练样本标准差/0.3。
[0026] 所述步骤4包括如下步骤：
[0027] 步骤4.1:将灰度测度范围内的每个像素的灰度值带入各不同地物类别的可变高 斯混合模型，计算其在各个可变高斯混合模型中的概率值；
[0028] 步骤4.2:对每个像素的灰度值在各可变高斯混合模型中的概率值进行归一化处 理，满足同一地物类别的各像素的灰度值在各可变高斯混合模型中的概率值之和为1的约 束条件；
[0029] 步骤4.3:在概率测度域内融入空间关系:在高分辨率遥感影像的概率测度矩阵上 按设定窗口求其均值作为窗口中心的概率测度值，得到新的概率测度矩阵作为高分辨率遥 感影像的目标函数矩阵。
[0030] 所述步骤4.3包括如下步骤：
[0031] 步骤4.3.1:将灰度测度范围内的每个像素的灰度值在各个可变高斯混合模型中 的概率值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概率测度矩 阵；
[0032] 步骤4.3.2:进行高分辨率遥感影像的概率测度矩阵扩展:若高分辨率遥感影像的 概率测度矩阵为ηΧη矩阵，则扩展后的矩阵为( n+l)X(n+l)矩阵，扩展原则为:取概率测度 矩阵的第一列与最后一列分别叠加到原概率测度矩阵的第一列与最后一列;再取叠加后的 概率测度矩阵的第一行与最后一行分别叠加到新的概率测度矩阵的第一行与最后一行，实 现概率测度矩阵扩展；
[0033] 步骤4.3.3:融入空间关系：对扩展后的概率测度矩阵取3 X 3窗口求其均值，将该 均值作为窗口中心的概率测度值，得到新的概率测度矩阵作为高分辨率遥感影像的目标函 数矩阵，该矩阵记录待分割高分辨率遥感影像中每个像素的灰度值在所有地物类别中的概 率测度。
[0034] 有益效果：
[0035] 本发明能够精确拟合高分辨率遥感影像复杂的分布特征并且具有良好抗噪性。通 过对同一地物类别自适应确定高斯分量数，实现了对高分辨遥感影像复杂的分布特征的精 确拟合，对遥感影像的理解具有重要的参考价值;融入空间关系后很好的克服了几何噪声 和像素异常值对分割结果的影响，提高了分割精度。同时本发明还具有原理直观，易于实 现，分割速度快的特点。
【附图说明】
[0036] 图1为本发明【具体实施方式】中基于可变高斯混合模型的高分辨率遥感影像监督分 割方法流程图；
[0037] 图2为本发明【具体实施方式】中最小二乘法对各不同类别区域建立可变高斯分量个 数的高斯混合模型流程图；
[0038]图3为本发明【具体实施方式】中的仿真影像；
[0039]其中(a)为合成高分辨率遥感影像，（b)为模板，（c)为真实高分辨遥感影像；
[0040] 图4为本发明【具体实施方式】中；
[0041] 其中（a)为高斯函数模型对合成高分辨率遥感影像各地物类别直方图的拟合结 果，（b)为未在概率测度域内融入空间关系的GMM模型对合成高分辨率遥感影像各地物类别 直方图的拟合结果；
[0042] 图5为本发明【具体实施方式】中合成高分辨率遥感影像分割结果;其中，（a)高斯函 数分割结果；（b)为最大似然分割结果；（c)没有融入空间关系GMM的分割结果，（d)为本发明 的分割结果；
[0043] 图6为本发明【具体实施方式】中真实高分辨率