CN105590325B - 基于模糊化高斯隶属函数的高分辨率遥感影像分割方法 - Google Patents
基于模糊化高斯隶属函数的高分辨率遥感影像分割方法 Download PDFInfo
- Publication number
- CN105590325B CN105590325B CN201610099723.0A CN201610099723A CN105590325B CN 105590325 B CN105590325 B CN 105590325B CN 201610099723 A CN201610099723 A CN 201610099723A CN 105590325 B CN105590325 B CN 105590325B
- Authority
- CN
- China
- Prior art keywords
- member function
- gauss member
- function
- remote sensing
- gauss
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
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,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;对不同地物类别建立高斯隶属函数模型;高斯隶属函数模型参数模糊化,建立模糊化隶属函数;建立线性神经网络模型作为高分辨率遥感影像的目标函数,融入空间关系得到高分辨率遥感影像的目标函数矩阵;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;按照设定步长改变调节因子,取最优分割作为最终结果。本发明以模糊化隶属函数的边界信息及原始隶属函数为基础,建立目标函数并融入了空间关系,实现了对高分辨率遥感影像复杂分布特征的精确拟合,并有效克服了噪声,提高了分割精度。
Description
技术领域
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
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。
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FCM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。
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
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。
本发明的技术方案是:
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,包括以下步骤:
步骤1:读取待分割的高分辨率遥感影像;
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;
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;
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;
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;
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;
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;
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。
所述步骤3具体步骤如下:
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;
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;
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;
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。
所述步骤6具体步骤如下:
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;
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,使目标函数满足大于等于零小于等于1的约束;
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3×3窗口求均值,将该均值作为3×3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。
所述步骤6.1具体步骤如下:
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;
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;
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。
所述步骤6.2具体步骤如下:
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;
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;
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。
所述步骤6.3具体步骤如下:
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;
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;
步骤6.3.3:对扩展后的模糊隶属度矩阵取3×3窗口求均值,将该均值作为3×3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。
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:
高斯隶属函数系数的上限为0,下限为1;
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-3×所有训练样本在对应的地物类别中的标准差;
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×所有训练样本在对应的地物类别中的标准差;
高斯隶属函数标准差的上限为0.3×所有训练样本在对应的地物类别中的标准差;
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。
有益效果:
本发明提出一种基于模糊化隶属函数的高分辨率遥感影像分割方法,该方法以模糊化隶属函数的边界信息及原始隶属函数为基础,建立目标函数并融入了空间关系,有效解决了像素隶属的不确定性及建模的不确定性带来的分割问题,实现对高分辨率遥感数据复杂直方图分布特征的更加精确的拟合,并很好的克服了噪声,提高了分割精度。同时该方法还具有原理直观,易于实现,分割速度快的特点。
附图说明
图1为本发明具体实施方式中基于模糊化高斯隶属函数的高分辨率遥感影像分割方法流程图;
图2为本发明具体实施方式中建立高斯隶属函数模型的流程图;
图3为本发明具体实施方式中步骤6的具体流程图;
图4为本发明具体实施方式中的仿真影像;
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;
图5为本发明具体实施方式中没有融入空间关系时目标函数对合成高分辨率遥感影像各地物类别直方图频率值的拟合结果;
图6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)为FCM分割结果,(b)为最大似然分割结果,(c)没有融入空间关系的模糊化高斯隶属函数分割结果,(d)为融入空间关系的FCM分割结果(在FCM算法中利用隐马尔科夫随机场(Hidden Markov Random Field,HMRF)模型刻画邻域关系);(e)为本发明的分割结果;
图7为本发明具体实施方式中真实高分辨率遥感影像的分割结果;
其中,(a)为FCM分割结果,(b)为最大似然分割结果,(c)没有融入空间关系的模糊化高斯隶属函数分割结果,(d)为融入空间关系的FCM分割结果(HMRF);(e)为本发明的分割结果。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。
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,如图1所示,包括以下步骤:
步骤1:读取待分割的高分辨率遥感影像;
本实施方式中,读取的待分割的高分辨率遥感影域像X={xj,j=1,...,n},j为像素索引,n为总像素数,xj为第j个像素的灰度测度,待分割高分辨率遥感影像域X的大小为256×256,总像素数n=65536。
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;
监督采样的规则如下:
若为合成高分辨率遥感影像,则将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灰度值作为训练样本。
计算每个像素在对应的地物类别中出现的频率值yji,其中i=1,...,m为地物类别索引,yji表示第j个像素在第i地物类别中出现的频率值。本实施方式中合成高分辨率遥感影像总类别数m=4,采样方式为按地物类别随机提取30%训练样本;真实高分辨率遥感影像地物类别总数m=3,采样方式为对各地物类别中具有代表性特征地物进行监督采样;
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;
如图2所示,具体步骤如下:
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βi、高斯隶属函数均值μi、高斯隶属函数标准差σi;
本实施方式中使用计算性能良好、且具有代表性的通用分布模型-高斯函数模型作为高斯隶属函数模型:
其中,uji表示第j个像素属于第i地物类别的隶属度,其值域为0≤uji≤1,系数0≤βi≤1,μi、σi分别表示第i地物类别的高斯隶属函数均值和高斯隶属函数标准差,为待求系数。
在本实施方式中初始化高斯隶属函数系数β0 i=1,初始化高斯隶属函数均值为初始化高斯隶属函数标准差为
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:
高斯隶属函数系数的上限为0,下限为1;
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u0 i-3×所有训练样本在对应的地物类别中的标准差σ0 i,即u0 i-3×σ0 i,;
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u0 i+3×所有训练样本在对应的地物类别中的标准差σ0 i,即u0 i+3×σ0 i;
高斯隶属函数标准差的上限为0.3×所有训练样本在对应的地物类别中的标准差,即0.3×σ0 i;
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,即σ0 i/0.3。
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;在本实施方式中停止迭代的条件为最小均方误差<10-6。
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;
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。
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的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;
本实施方式中定义模糊集合{Un×m|uji∈[0,1]},其中,U是m×n矩阵,每个像素的灰度值在所有地物类别中的高斯隶属函数值uji为矩阵元素。
本实施方式中定义由公式(1)计算得到的高斯隶属函数值组成的矩阵每列元素之和为1,即使公式(1)满足约束条件
步骤5:高斯隶属函数模型参数模糊化,得到模糊化高斯隶属函数;
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,令初始调节因子ci=0.5,di=0.1,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,进行得到模糊化隶属函数的上边界、下边界;
本实施方式中,将高斯隶属函数参数在[μ-3σ,μ+3σ]区间进行离散取值(“真实隶属函数”落在[μ-3σ,μ+3σ]区间的置信度为99.7%),并且假定区间内各高斯隶属函数出现的概率相同。依据下式计算模糊化隶属函数参数的上、下边界:
其中,μi -和μi +以及σi -和σi +分别表示模糊化高斯隶属函数均值的下边界和上边界、模糊化高斯隶属函数标准差的下边界和上边界,模糊化高斯隶属函数表达如下:
保持高斯隶属函数标准差不变,即σi1=σi,当μi1=μi -时u′ji=u′ji -,当μi1=μi +时u′ji=u′ji +;保持高斯隶属函数均值不变,即μi1=μi,当σi1=σi -时u′ji=uji +,当σi1=σi +时,u′ji=uji -。
具有模糊均值的模糊化高斯隶属函数上、下边界按下式计算:
具有模糊标准差的模糊化高斯隶属函数值的上、下边界按下式计算:
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;如图3所示,具体步骤如下:
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;
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值的上边界、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;
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值的上边界、下边界线性组合成特征向量,本实施方式中,在灰度空间逐一对各地物类别中的每个训练样本计算其在所有地物类别中的高斯隶属函数值上、下边界值及原始高斯隶属函数(公式(1))中的高斯隶属度,组成特征向量如下:
其中,u″ji表示第i地物类别中第j个训练样本在所有地物类别中的高斯隶属度所组成的3m维特征向量。
本实施方式中根据公式(9)建立如下线性神经网络模型作为目标函数:
vji=f(wiu″ji+bi) (10)
其中,0≤vji<1表示第j个像素的灰度值属于第i地物类别的隶属度,i=1,...,m为地物类别索引,wi=[w1i +w1i;w1i -;...;wmi +;wmi;wmi -]为第i地物类别各输入神经元节点的权重向量,f为输出节点的激活函数;
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模型中的函数值作为估计值,建立误差平方和函数;
本实施方式中建立以下误差平方和函数:
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。
在目标函数参数求解过程中涉及求逆矩阵,为了避免产生奇异矩阵,需将原矩阵加上一个很小的不影响计算结果的矩阵。
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,使目标函数满足大于等于零小于等于1的约束,即0≤vji≤1;
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;
在本实施方式中,激活函数f使公式(10)满足以下约束:
其中,max(yi)表示第i类地物最大直方图频率值;
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;
在本实施方式中得到以下模糊隶属度矩阵U*:
U*=[vji]n×m (13)
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。
在本实施方式中使公式(10)中的
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3×3窗口求均值,将该均值作为3×3窗口中心的高斯隶属度值,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。
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;
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;
步骤6.3.3:对扩展后的模糊隶属度矩阵取3×3窗口求均值,将该均值作为3×3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。
本实施方式中,定义目标函数公式为其中Nj=9为以第j个像素的灰度值为中心的3×3窗口,k=1,...,9为窗口中像素灰度值的索引;得到以下目标函数矩阵:
U*=[rji]n×m (14)
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。
本实施方式中
Mj=argi{max{rji}} j=1,...,n;i=1,...,m (15)
其中,Mj表示第j个像素的灰度值所属的地物类别,并用M={M1,M2,...,Mn}表示高分辨率遥感影像分割结果。
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。在本实施方式中,公式(2)中的高斯隶属函数均值调节因子ci按0.5步长自适应调节,公式(3)中高斯隶属函数标准差调节因子di按0.1步长自适应调节。每迭代一次其分割结果与上一次进行比较,取最优分割结果作为最终结果。
本发明在CPU为Core(TM)i5-34703.20GHz、内存4GB、Windows7旗舰版系统上使用MATLAB7.12.0软件编程实现仿真。
本实施方式中设计一个含有4个地物类别的合成高分辨率遥感影像及三个地物类别的真实高分辨遥感影像,如图4,(a)为从0.5米分辨率World View-II全色影像中截取的四类地物组成的合成高分辨率遥感影像,包含I颜色深浅不一的水泥路面、II森林、III部分结冰的水域、IV彩钢房顶4种地物类别。为了充分表达高分辨率遥感影像由于细节特征突出所呈现的同类别地物光谱测度差异性显著的特征,合成高分辨率遥感影像中所选四种地物类别内部灰度测度差异性均较大。(b)为对应的模板,(c)为1米分辨率的IKONOS全色影像,由浅到深包含土地、草坪和林区三种地物。影像大小均为256×256。应用本发明方法、标准FCM方法、最大似然分割方法、没有融入空间关系的模糊化高斯隶属函数分割方法和融入空间关系的FCM方法进行仿真实验,并以模板为标准对上述方法的合成高分辨率遥感影像分割结果进行定量评价。
图5为本实施方式中在没有融入空间关系时建立的目标函数(四条曲线),“+,-,*,◇”代表四种不同地物类别的训练数据直方图频率值,由图可知本发明方法可以高度拟合高分辨率遥感影像复杂的地物分布特征。
图6为合成高分辨率遥感影像分割结果;其中(a)为标准FCM分割结果,(b)为最大似然分割结果,(c)为没有融入空间关系的模糊化高斯隶属函数分割结果,(d)为融入空间关系的FCM分割结果(在FCM算法中利用隐马尔科夫随机场(Hidden Markov Random Field,HMRF)模型刻画邻域关系);(e)为本发明的分割结果。通过观察可以看出,在没有考虑邻域像素空间关系的情况下(a)(b)(c)三种分割方法对噪声敏感,(c)方法分割结果最优;融入空间关系后(图6(d)和(e)),可以有效克服噪声,但是(d)方法无法处理块状噪声(如水泥路面的块状深色区域),而本发明方法只在区域内部存在稀少零星噪声,分割结果与标准模板(图4(b))接近,分割结果最优。
本实施方式中,对合成高分辨率遥感影像应用标准FCM算法、最大似然分割方法、没有融入空间关系的模糊化高斯隶属函数分割方法、融入空间关系的FCM方法和本发明方法分割结果进行定量评价(如表1所示),以模板中各地物类别为标准,生成混淆矩阵,并根据混淆矩阵计算产品精度、用户精度、总精度和kappa值。可以看出,本发明方法的分割精度明显高于对比方法。
表1合成高分辨率遥感影像分割结果精度评价
图7为真实高分辨率遥感影像的分割结果;通过对不同方法的分割结果进行比较可以看出,本发明方法可以获得高质量的分割结果。
以上所述,仅为本发明中最基础的具体实施方式,但本发明的保护范围并不局限于此,任何本技术领域人士在本发明所揭露的技术范围内,可理解到的替换,都应涵盖在本发明的包含范围之内,例如基于原始隶属函数及模糊化隶属函数的其它类型(SAR影像数据,多光谱数据及LIDAR数据等)数据分割,特征提取目标识别等图像处理领域,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (7)
1.一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,包括以下步骤:
步骤1:读取待分割的高分辨率遥感影像;
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;
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;
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的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;
步骤5:高斯隶属函数模型参数模糊化: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模糊化得到区间型高斯隶属函数均值或区间型高斯隶属函数标准差,进而确定模糊化的高斯隶属函数的上边界、下边界;
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;
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;
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;
其特征在于,所述步骤6具体步骤如下:
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;
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,使目标函数满足大于等于零小于等于1的约束;
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3×3窗口求均值,将该均值作为3×3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。
2.根据权利要求1所述的基于模糊化高斯隶属函数的高分辨率遥感影像分割方法,其特征在于,所述步骤3具体步骤如下:
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;
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;
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;
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。
3.根据权利要求1所述的基于模糊化高斯隶属函数的高分辨率遥感影像分割方法,其特征在于,所述步骤5具体步骤如下:
步骤5.1: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模糊化得到区间型高斯隶属函数均值或区间型高斯隶属函数标准差;
步骤5.2:根据区间型高斯隶属函数均值或区间型高斯隶属函数标准差,确定模糊化的高斯隶属函数的上边界、下边界。
4.根据权利要求1所述的基于模糊化高斯隶属函数的高分辨率遥感影像分割方法,其特征在于,所述步骤6.1具体步骤如下:
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;
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;
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。
5.根据权利要求1所述的基于模糊化高斯隶属函数的高分辨率遥感影像分割方法,其特征在于,所述步骤6.2具体步骤如下:
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;
步骤6.2.2:将每一地物类别训练样本进行步骤6.2.1的操作得到灰度测度上模糊隶属度矩阵;
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。
6.根据权利要求1所述的基于模糊化高斯隶属函数的高分辨率遥感影像分割方法,其特征在于,所述步骤6.3具体步骤如下:
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;
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;
步骤6.3.3:对扩展后的模糊隶属度矩阵取3×3窗口求均值,将该均值作为3×3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。
7.根据权利要求2所述的基于模糊化高斯隶属函数的高分辨率遥感影像分割方法,其特征在于,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:
高斯隶属函数系数的上限为0,下限为1;
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-3×所有训练样本在对应的地物类别中的标准差;
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×所有训练样本在对应的地物类别中的标准差;
高斯隶属函数标准差的上限为0.3×所有训练样本在对应的地物类别中的标准差;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610099723.0A CN105590325B (zh) | 2016-02-22 | 2016-02-22 | 基于模糊化高斯隶属函数的高分辨率遥感影像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610099723.0A CN105590325B (zh) | 2016-02-22 | 2016-02-22 | 基于模糊化高斯隶属函数的高分辨率遥感影像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105590325A CN105590325A (zh) | 2016-05-18 |
CN105590325B true CN105590325B (zh) | 2018-01-30 |
Family
ID=55929880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610099723.0A Expired - Fee Related CN105590325B (zh) | 2016-02-22 | 2016-02-22 | 基于模糊化高斯隶属函数的高分辨率遥感影像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105590325B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127784B (zh) * | 2016-07-01 | 2018-08-07 | 辽宁工程技术大学 | 一种高分辨率遥感影像分割方法 |
CN108182436B (zh) * | 2017-12-29 | 2021-12-07 | 辽宁工程技术大学 | 一种高分辨率遥感图像分割方法 |
CN108154224A (zh) * | 2018-01-17 | 2018-06-12 | 北京中星微电子有限公司 | 用于数据处理的方法、装置和非暂时性计算机可读介质 |
CN111428627B (zh) * | 2020-03-23 | 2023-03-24 | 西北大学 | 一种山地地貌遥感提取方法及系统 |
CN112116610B (zh) * | 2020-08-24 | 2024-02-27 | 中国科学院深圳先进技术研究院 | 一种遥感影像分割方法、系统、终端以及存储介质 |
CN111986193B (zh) * | 2020-08-31 | 2024-03-19 | 香港中文大学(深圳) | 一种遥感影像变化检测方法、电子设备及存储介质 |
CN112052187B (zh) * | 2020-10-13 | 2022-07-12 | 苏州浪潮智能科技有限公司 | 一种测试矩阵的分配方法 |
CN113362337A (zh) * | 2021-05-21 | 2021-09-07 | 桂林理工大学 | 一种遥感影像面向对象分割权重参数的模糊区间自动确定方法 |
-
2016
- 2016-02-22 CN CN201610099723.0A patent/CN105590325B/zh not_active Expired - Fee Related
Non-Patent Citations (6)
Title |
---|
Opening the black box of neural networks for remote sensing image classification;F.QIU 等;《INT.J.REMOTE SENSING》;20040531;第25卷(第9期);第1749-1768页 * |
Simplified Interval Type-2 Fuzzy Neural Networks;Yang-Yin Lin 等;《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》;20140531;第25卷(第5期);第959-969页 * |
基于RBF神经网络的高分辨率遥感影像分类的研究;万雪;《测绘通报》;20090228(第2期);第18-20,27页 * |
基于模糊高斯基函数神经网络的遥感图像分类;毛建旭 等;《遥感技术与应用》;20010331;第16卷(第1期);第62-65页 * |
融入空间关系的二型模糊模型高分辨率遥感影像分割;王春艳 等;《遥感学报》;20160125;第20卷(第1期);第1-3节,图2,图4,图9 * |
高分辨率遥感影像目标分类与识别研究进展;刘扬 等;《地球信息科学》;20150930;第17卷(第9期);第1080-1091页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105590325A (zh) | 2016-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105590325B (zh) | 基于模糊化高斯隶属函数的高分辨率遥感影像分割方法 | |
CN112150478B (zh) | 一种构建半监督图像分割框架的方法及系统 | |
CN109242844B (zh) | 基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质 | |
CN109919910B (zh) | 基于差异图融合和改进水平集的sar图像变化检测方法 | |
CN109522857B (zh) | 一种基于生成式对抗网络模型的人数估计方法 | |
CN109815826B (zh) | 人脸属性模型的生成方法及装置 | |
CN110543846B (zh) | 一种基于生成对抗网络的多姿态人脸图像正面化方法 | |
CN104123561B (zh) | 基于空间引力模型的模糊c均值遥感影像自动分类方法 | |
CN106127784B (zh) | 一种高分辨率遥感影像分割方法 | |
CN107239514A (zh) | 一种基于卷积神经网络的植物识别方法及系统 | |
CN109376582A (zh) | 一种基于生成对抗网络的交互式人脸卡通方法 | |
CN105488472B (zh) | 一种基于样本模板的数字化妆方法 | |
CN107610209A (zh) | 人脸表情合成方法、装置、存储介质和计算机设备 | |
CN108090830B (zh) | 一种基于面部画像的信贷风险评级方法和装置 | |
CN110176016B (zh) | 一种基于人体轮廓分割与骨骼识别的虚拟试衣方法 | |
CN110909618B (zh) | 一种宠物身份的识别方法及装置 | |
CN107563350A (zh) | 一种基于尺度建议网络的人脸检测方法 | |
CN112950661A (zh) | 一种基于注意力生成对抗网络人脸卡通画生成方法 | |
CN110853064B (zh) | 一种基于最小模糊散度的图像协同分割方法 | |
CN111028923B (zh) | 数字病理图像染色归一化方法、电子装置及存储介质 | |
CN105426882B (zh) | 一种人脸图像中快速定位人眼的方法 | |
CN104732546B (zh) | 区域相似性和局部空间约束的非刚性sar图像配准方法 | |
CN105678790B (zh) | 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 | |
CN112396619B (zh) | 一种基于语义分割的内部复杂组成的小型颗粒分割方法 | |
CN110287760A (zh) | 一种基于深度学习的人脸五官点遮挡检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180130 Termination date: 20210222 |
|
CF01 | Termination of patent right due to non-payment of annual fee |