CN105678790B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN105678790B CN105678790B CN201610099677.4A CN201610099677A CN105678790B CN 105678790 B CN105678790 B CN 105678790B CN 201610099677 A CN201610099677 A CN 201610099677A CN 105678790 B CN105678790 B CN 105678790B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- resolution remote
- hybrid models
- atural object
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
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,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;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;融入空间关系,建立高分辨率遥感影像的目标函数;对高分辨率遥感影像的目标函数矩阵按最大概率测度原则进行划分。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;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。
Description
技术领域
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
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。
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 MixtureModels.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
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。
本发明的技术方案是:
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,包括如下步骤:
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,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;
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;
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;
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。
所述监督采样的规则如下:
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。
所述步骤3包括如下步骤:
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;
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;
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;
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;
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M-1,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;
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。
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:
高斯分量均值的上限为各地物类别的所有训练样本均值-3×各地物类别的所有训练样本标准差;
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×各地物类别的所有训练样本标准差;
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×0.3;
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。
所述步骤4包括如下步骤:
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;
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;
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。
所述步骤4.3包括如下步骤:
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;
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n×n矩阵,则扩展后的矩阵为(n+1)×(n+1)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;
步骤4.3.3:融入空间关系:对扩展后的概率测度矩阵取3×3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。
有益效果:
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
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;
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;
图3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4为本发明具体实施方式中;
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;
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;
图6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)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;
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。
一种基于可变高斯混合模型的高分辨率遥感影像监督分割方法,如图1所示,包括如下步骤:
步骤1:读取待分割的高分辨率遥感影像;
本实施方式中定义待分割的高分辨率遥感影像域X={xj,j=1,...,n},j为像素索引,n为总像素数,xj为第j个像素的灰度值,待分割的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,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;
监督采样的规则如下:
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。
本实施方式中对X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地物类别中出现的频率值yji,其中i=1,...,k为地物类别索引,yji表示第j个像素的灰度值在第i个地物类别中出现的频率值。合成高分辨率遥感影像的地物类别总数k=4,监督采样方式为按地物类别随机提取30%像素的灰度值作为训练样本;真实高分辨率遥感影像地物类别总数k=3,采样方式为提取各地物类别中具有代表性的特征地物像素的灰度值作为训练样本。
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;
如图2所示,具体步骤如下:
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M1=4,M2=4,…,Mk=4,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αi=[α1i,α2i,…,αMi]、高斯分量均值μi=[μ1i,μ2i,…,μMi]和高斯分量标准差σi=[σ1i,σ2i,…,σMi];
可变高斯混合模型参数的初始值:
高斯分量系数初始值αi 0=[11i,12i,…,1Mi]
高斯分量均值初始值
高斯分量标准差初始值
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:
在本实施方式中设置高斯混合模型系数上限为Wli=[01i,02i,…,0Mi],Wui=[11i,12i,…,1Mi];
高斯分量均值的上限Ul为各地物类别的所有训练样本均值-3×各地物类别的所有训练样本标准差,Uli=u0 i-3×σ0 i;
高斯分量均值的下限Uu为各地物类别的所有训练样本均值+3×各地物类别的所有训练样本标准差,Uui=u0 i+3×σ0 i;
高斯分量标准差的上限Ll为各地物类别的所有训练样本标准差×0.3,Lli=0.3×σ0 i,;
高斯分量标准差的下限Lu为各地物类别的所有训练样本标准差/0.3,Lui=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;在本实施方式中迭代阈值为10-6,即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,建立每个地物类别可变高斯混合模型,循环迭代求解可变高斯混合模型参数;
本实施方式中定义高斯混合模型(Gaussian mixture modeling,GMM)如下:
其中,i为地物类别索引,k为地物类别数,Uji表示第j个像素属于第i地物类别的概率,m=1,…,M为高斯混合模型的组分索引,0<αmi≤1为第i地物类别的高斯混合模型分量系数,μmi、σmi分别表示第i地物类别的高斯混合模型中第m个高斯分量的均值和标准差。
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;
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M-1,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;
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。
步骤4:融入空间关系,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;
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;
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,本实施方式中按公式进行归一化处理,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;
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分割目标函数矩阵。
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;
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n×n矩阵,则扩展后的矩阵为(n+1)×(n+1)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;
步骤4.3.3:融入空间关系:对扩展后的概率测度矩阵取3×3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。
本实施方式中,定义高分辨率遥感影像目标函数矩阵的计算公式为其中Nj=9是以第j个像素为中心的3×3窗口,k=1,…,9为窗口中像素索引,得到以下概率测度矩阵:
U*=[rji]n×k j=1,...,n;i=1,...,k (2)
步骤5:对高分辨率遥感影像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。
本实施方式中,Mj=argi{max{rji}}j=1,...,n;i=1,...,k (3)其中,Mj表示第j个像素的灰度值所属地物类别,并用M={M1,M2,…,Mn}表示高分辨率遥感影像分割结果。
上述方法可以在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种地物类别的合成高分辨率遥感影像及含有三种地物类别的真实高分辨率遥感影像。如图3(a)为0.6米分辨率QuickBird全色合成高分辨率遥感影像,图像尺寸为256×256像素,包含Ⅰ森林、Ⅱ矿区、Ⅲ农田、Ⅳ居民地;(b)为对应的模板;(c)为1m分辨率的IKONOS全色真实高分辨率遥感影像,由亮到暗依次为土地、草地和森林。应用本发明方法和现有的高斯函数分割方法、最大似然分割方法以及本发明方法中未在概率测度域内融入空间关系的方法的进行仿真实验,并以图3(b)所示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4(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(四条曲线),从左到右依次为I,III,II,IV,其中I地物类别的GMM有三个高斯分量,第III和IV地物类别的GMM有四个高斯分量,第II地物类别的GMM包含两个高斯分量,“+,—,*,◇”代表四种不同地物类别的直方图中训练数据的频率值,(a)和(b)比较可知,本发明可以高度拟合高分辨率遥感影像复杂的地物分布特征。
图5为合成高分辨率遥感影像分割结果,其中(a)高斯函数模型分割结果(b)为GMM分割结果(c)为最大似然分割结果,(d)为本发明方法分割结果。可以看出,GMM由于可以高度拟合同种地物灰度分布特征,故分割结果优于最大似然及高斯函数模型分割方法,但(a)(b)和(c)三种方法由于没有考虑空间关系故对噪声敏感,而本发明在高度拟合同种地物灰度分布特征的同时考虑了空间关系有效克服噪声,具有较高的分割精度。
本实施方式中,对合成高分辨率遥感影像应用高斯函数模型分割、GMM分割、最大似然分割方法及本发明方法分割结果进行定量评价(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,本发明方法的总精度及kappa值均高于对比方法,分割精度得到显著提高。。
表1用户精度、产品精度、总精度及kappa值
图6为对真实高分辨率遥感影像分割结果,其中(a)为高斯函数模型分割结果,(b)为GMM分割结果,(c)为最大似然分割结果,(d)为本发明方法分割结果。可以看出,本发明对三种地物类别分割效果非常好,分割结果无亮斑。
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,例如基于可变GMM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 (5)
1.一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,包括如下步骤:
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,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;
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;
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;
步骤5:对高分辨率遥感影像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;
其特征在于,所述步骤3包括如下步骤:
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;
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;
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;
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;
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M-1,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;
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。
2.根据权利要求1所述的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,其特征在于,所述监督采样的规则如下:
若为合成高分辨率影像,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。
3.根据权利要求1所述的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,其特征在于,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:
高斯分量均值的上限为各地物类别的所有训练样本均值-3×各地物类别的所有训练样本标准差;
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×各地物类别的所有训练样本标准差;
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×0.3;
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。
4.根据权利要求1所述的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,其特征在于,所述步骤4包括如下步骤:
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;
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;
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。
5.根据权利要求4所述的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,其特征在于,所述步骤4.3包括如下步骤:
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;
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n×n矩阵,则扩展后的矩阵为(n+1)×(n+1)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;
步骤4.3.3:融入空间关系:对扩展后的概率测度矩阵取3×3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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610099677.4A CN105678790B (zh) | 2016-02-22 | 2016-02-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610099677.4A CN105678790B (zh) | 2016-02-22 | 2016-02-22 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678790A CN105678790A (zh) | 2016-06-15 |
CN105678790B true CN105678790B (zh) | 2018-03-30 |
Family
ID=56305905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610099677.4A Expired - Fee Related CN105678790B (zh) | 2016-02-22 | 2016-02-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678790B (zh) |
Families Citing this family (5)
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 |
CN109492190B (zh) * | 2018-08-12 | 2022-11-15 | 中国科学院大学 | 一种基于分部式高斯混合模型的冰下层位检测方法 |
CN109934825B (zh) * | 2019-03-01 | 2023-02-28 | 辽宁工程技术大学 | 一种结合层次化高斯混合模型和m-h的遥感影像分割方法 |
CN110032939B (zh) * | 2019-03-13 | 2020-12-25 | 浙江工业大学 | 一种基于高斯混合模型的遥感时序数据拟合方法 |
CN110009054B (zh) * | 2019-04-12 | 2021-01-29 | 南京大学 | 一种利用几何与强度特征的分层次机载LiDAR点云分类方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881867A (zh) * | 2015-05-13 | 2015-09-02 | 华中科技大学 | 一种基于特征分布的遥感图像质量评价方法 |
-
2016
- 2016-02-22 CN CN201610099677.4A patent/CN105678790B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881867A (zh) * | 2015-05-13 | 2015-09-02 | 华中科技大学 | 一种基于特征分布的遥感图像质量评价方法 |
Non-Patent Citations (7)
Title |
---|
An unsupervised algorithm for hyperspectral image segmentation based on the Gaussian mixture model;N. Acito 等;《2003 IEEE International Geoscience and Remote Sensing Symposium》;20030725;第3745-3747页 * |
一种基于高斯混合模型的遥感影像有指导非监督分类方法;陶建斌 等;《武汉大学学报 信息科学版》;20100630;第35卷(第6期);第727页 * |
基于改进高斯混合模型的遥感影像道路提取;向晶 等;《测绘工程》;20130331;第23卷(第3期);第42-45页 * |
基于高斯混合模型的遥感影像半监督分类;熊彪 等;《武汉大学学报·信息科学版》;20110131;第36卷(第1期);第108-112页 * |
基于高斯混合模型的遥感影像连续型朴素贝叶斯网络分类器;陶建斌 等;《遥感信息》;20100228(第2期);第18-24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2-4,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 |
---|---|
CN105678790A (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150478B (zh) | 一种构建半监督图像分割框架的方法及系统 | |
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 | |
CN107609459B (zh) | 一种基于深度学习的人脸识别方法及装置 | |
CN105869178B (zh) | 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法 | |
CN110796168A (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
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 | |
CN112418074A (zh) | 一种基于自注意力的耦合姿态人脸识别方法 | |
CN106096561A (zh) | 基于图像块深度学习特征的红外行人检测方法 | |
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 | |
CN106127784B (zh) | 一种高分辨率遥感影像分割方法 | |
CN104298974B (zh) | 一种基于深度视频序列的人体行为识别方法 | |
CN107463920A (zh) | 一种消除局部遮挡物影响的人脸识别方法 | |
CN110909618B (zh) | 一种宠物身份的识别方法及装置 | |
CN106651915B (zh) | 基于卷积神经网络的多尺度表达的目标跟踪方法 | |
CN108388905B (zh) | 一种基于卷积神经网络和邻域上下文的光源估计方法 | |
CN111738355B (zh) | 注意力融合互信息的图像分类方法、装置及存储介质 | |
CN106683102B (zh) | 基于脊波滤波器和卷积结构学习模型的sar图像分割方法 | |
CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
CN105678261B (zh) | 基于有监督图的直推式数据降维方法 | |
CN102999762B (zh) | 基于Freeman分解和谱聚类的极化SAR图像分类方法 | |
CN105427309A (zh) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 | |
CN105426882B (zh) | 一种人脸图像中快速定位人眼的方法 | |
CN106897669A (zh) | 一种基于一致迭代多视角迁移学习的行人再辨识方法 | |
CN107944428A (zh) | 一种基于超像素集的室内场景语义标注方法 | |
CN105894018B (zh) | 基于深度多示例学习的极化sar图像分类方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180330 Termination date: 20210222 |