1.一种新的高分辨率遥感影像的最优分割尺度自动选择方法,其特征在于,包括以下步骤:
输入:影像下的图D=(V,E,W),其中V、E和W分别代表了图D的顶点集、边集和相似度矩阵;
输出:最优尺度分割的影像、全部尺度分割参数;
步骤1、利用分水岭方法得到过分割的影像,作为最细粒度的分割影像D0;
步骤2、提取上述影像中对象的光谱、颜色、纹理的特征值;
步骤3、使用期望最大化EM算法估计GMM参数
步骤4、For 1=L to 0,执行步骤3-4:
1)在第l层MRF模型中,计算对象消息在MRF节点之间进行迭代传递,直至全局概率收敛,即
2)利用MAP准则,得到聚类对象标号的估计值:
步骤5、在MRF模型的最精细层,运行标准置信传播BP算法,利用BP算法更新公式和置信度计算公式bi(yi)=kφi(yi)∏j∈N(i)mji(yi)进行迭代,直到收敛,然后根据MAP准则,逐像素估计标号值:
步骤6、计算层次间的节点对象的后验边缘概率,取其中的最大值,确定最优分割尺度。
2.根据权利要求1所述的新的高分辨率遥感影像的最优分割尺度自动选择方法,其特征在于,步骤1中离散域分水岭变换用如下迭代方式进行定义:
分水线记作为:
影像模拟为一个地表结构,通过分水岭方法来给影像进行标注,使相同的聚水区对应的像素有一致的标识,从而达到影像初始分割的目的;最后,像素聚集的区域是同质和均一的,得到影像是最细粒度的影像D0。
3.根据权利要求1所述的新的高分辨率遥感影像的最优分割尺度自动选择方法,其特征在于,步骤2中计算影像D0中各个对象的亮度均值均方差;
计算影像D0中各个对象的颜色特征值;
使用二维高斯核函数,计算不同方向的对象能量,通过高斯差分滤波器
计算对象的纹理特征值。
4.根据权利要求1所述的新的高分辨率遥感影像的最优分割尺度自动选择方法,其特征在于,步骤3中使用期望最大化EM算法估计GMM参数EM算法分为两步:
i)计算联合似然概率的期望
E[logP(x,y|θ)|y,θl]=∑P(x|y,θl)·logP(x,y|θ)
ii)迭代计算新的参数值θ=arg maxθE[logP(x,y|θ)|y,θl],执行只止收敛。
5.根据权利要求1所述的新的高分辨率遥感影像的最优分割尺度自动选择方法,其特征在于,步骤4中第l层,多尺度BP算法消息迭代公式为
相应的置信度更新公式:
6.根据权利要求1所述的新的高分辨率遥感影像的最优分割尺度自动选择方法,其特征在于,步骤5中,构建多尺度MRF模型:
φi(xi,yi)表示观察节点i取标号yi的条件概率,采用高斯混合模型进行建模,即
式中其中μl、分别为GMM的第l类均值和方差;
ψij(yi,yj)为成对对象(ij)之间的状态转移矩阵,本文定义ψij(yi,yj)为一个Potts模型,即
β为大于0的参数。