CN109934825A - 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 - Google Patents

Abstract

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，包括以下步骤，首先读取待分割的高分辨率遥感影像，然后将待分割遥感影像内各像素强度作为样本点，构建待分割遥感影像的似然函数；而后定义似然函数模型参数的先验分布模型，包括混合权重，组份权重，均值和方差，接下来根据贝叶斯定理，结合似然函数和各参数先验分布构建模型参数的后验分布，即分割模型，最终利用结合层次化高斯混合模型和M‑H的遥感影像分割方法实现遥感影像分割；通过以上方法步骤实现影像分割和模型参数求解，提出方法具有建模非对称、重尾和多峰等复杂统计分布的能力，在准确建模高分辨率遥感影像模型的前提下，提出算法可得到高精度的分割结果。

Description

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

技术领域

本发明属于图像处理技术领域，具体涉及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。

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，高分辨率遥感影像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；另一方面，高分辨率的特征也使同一目标区域内像素光谱差异性增大，不同目标地物之间像素光谱差异性降低，使得同一目标区域内像素强度统计分布呈现出非对称、重尾、多峰等复杂特征，这为高分辨率遥感影像分割带来新的难题和挑战。

由于高斯混合模型可用于拟合任意概率密度函数，具有较强的逼近能力和较高的鲁棒性，且计算简单，易于实现，在构建分割模型中应用最为广泛，但该方法将单类地物的光谱特征表示为单峰的高斯分布，与高分辨遥感影像所呈现的非对称、重尾、多峰等统计分布特征不符，因此，对高分辨率遥感影像建模GMM分割结果并不理想；为了克服上述问题，徐宏根等人提出了基于广义高斯混合模型)影像分割方法，GGMM的形态可以随着形状参数的改变而改变，可有效刻多峰及重尾问题，但该方法无法刻画高分影像的非对称分布特征；为此，王玉等人采用多个Gamma分布建模影像各同质区域内像素强度统计分布，该方法可灵活建模SAR影像中呈现的非对称和重尾的统计分布，但这种方法存在对高分辨率遥感影像中存在的多峰分布难以准确建模问题。

发明内容

本发明为克服上述现有技术所述的不足之处，提出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，本发明的技术方案是：

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，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：将待分割遥感影像内各像素强度作为样本点，构建待分割遥感影像的似然函数；

步骤3：定义似然函数模型参数的先验分布模型，包括混合权重，组份权重，均值和方差；

步骤4：根据贝叶斯定理，结合似然函数和各参数先验分布构建模型参数的后验分布，即分割模型

步骤5：利用结合层次化高斯混合模型和M-H的遥感影像分割方法实现遥感影像分割。

步骤2的具体方法步骤为：

步骤2.1：应用高斯混合模型定义表征像素强度的概率密度函数模型，为各类别混合权重与条件概率乘积之和；

步骤2.2：定义高斯子混合模型作为高斯混合模型中的条件概率，为同一类别组分权重与高斯函数乘积之和；

步骤2.3：假设各像素强度的统计分布相互独立，构建遥感影像的似然函数，为所有像素强度概率密度函数的积。

步骤3中具体方法为：

步骤3.1：采用Gibbs函数构建混合权重的先验分布，将影像像素的空间位置关系引入分割模型，提高算法对影像噪声或异常值的鲁棒性，从而定义混合权重先验分布；

步骤3.2：采用狄利克雷分布构建组份权重的先验分布，通过狄利克雷分布参数的设置使得该先验分布随着组份权重的优化达到最大的目的，从而定义组份权重先验分布；

步骤3.3：采用不同参数的高斯分布构建均值和方差的先验分布，以便在待更新参数的一定范围内选取新的参数，从而定义均值和方差先验分布。

步骤5中具体操作方法为：

步骤5.1：初始化各参数，包括影像类别数，组份数，邻域作用强度参数，狄利克雷分布参数及各待求模型参数，包括混合权重，组份权重，均值和方差；

步骤5.2：采用M-H算法模拟分割模型，设计三个移动操作，包括更新组份参数，更新混合权重和更新组份权重，包括以下步骤：

(1)定义候选参数接受率；

(2)更新组份参数，定义其接收率公式：

随机选取一组均值和方差组份参数作为待更新的组份参数，利用待更新的组份参数根据其先验分布生成新的组份参数；

采用新组份参数的后验分布与待更新组份参数的后验分布的比值作为更新组份参数接受率R的公式，并忽略与组份参数不相关的混合权重与组分权重先验分布，根据最大后验概率准则，若R值大于1则接受新的组份参数，否则保持原组份参数不变；

(3)更新混合权重，定义其接收率公式：

随机选取一个像素所对应一个类别的混合权重作为待更新混合权重，在0到1之间选取一个权重增量，与待更新混合权重相加作为新的混合权重；

对该像素的所有混合权重进行归一化,以保证混合权重类别之间和为1；

采用新混合权重的后验分布与待更新混合权重的后验分布的比值作为更新混合权重接受率R的公式，并忽略与混合权重不相关的组份参数和组份权重先验分布；

根据最大后验概率准则，若R值大于1则接受新的组份参数，否则保持原组份参数不变；

(4)更新组份权重，定义其接收率公式：

随机选取一个类别内某一组份的权重作为待更新组份权重，在0到1之间选取一个权重增量，与待更新组份权重相加作为新的组份权重；

对该像素的所有混合权重进行归一化,以保证混合权重类别之间和为1；

采用新组份权重的后验分布与待更新组份权重的后验分布的比值作为更新组份权重接受率R的公式，并忽略与组份权重不相关组份参数和混合权重先验分布；

根据最大后验概率准则，若R值大于1则接受新的组份参数，否则保持原组份参数不变；

步骤5.3：根据新的组份参数，混合权重和组份权重计算后验分布；

步骤5.4：计算当前后验分布与前一次后验分布的误差，若误差大于设定的阈值，则返回步骤5.2，否则停止迭代；

步骤5.5：通过最大化混合权重得到影像各像素的类别标号，以实现影像分割。

与现有技术相比，本发明的有益效果是：首先采用多个高斯子混合模型的加权和构建HGMM，GMM的个数等价于影像中同质区域的个数；然后，根据贝叶斯理论利用参数后验分布构建分割模型；最后，采用M-H算法模拟分割模型，实现影像分割和模型参数求解，提出方法具有建模非对称、重尾和多峰等复杂统计分布的能力，在准确建模高分辨率遥感影像模型的前提下，提出算法可得到高精度的分割结果。

附图说明

图1为为本发明具体实施方式中结合层次化高斯混合模型和M-H的遥感影像分割方法流程图；

图2为本发明具体实施方式中步骤2中建立的层次化高斯混合模型的层次化结构；HGMM的第一层为高斯分布；第二层为GSMM，用于建模同质区域内像素强度统计分布；第三层为HGMM，用于建模影像的像素强度统计分布；

图3为本发明具体实施方式中步骤5的具体流程图；

图4为本发明具体实施方式中的仿真影像；

图5为本发明具体实施方式中合成影像分割结果；

其中，(a)基于高斯回归模型的模糊C均值分割算法，(b)基于Gamma分布的分割算法，(c)基于GMM的分割算法，(d)为本发明提出方法；

图6中(a)为Gamma算法对合成影像灰度直方图的拟合结果，(b)为GMM算法对合成影像灰度直方图的拟合结果，(C)为提出算法对合成影像灰度直方图的拟合结果，图中横轴为像素强度，纵轴为各像素强度所对应的像素个数。

图7为各区域的均值收敛结果；其中，横轴为迭代次数，纵轴为均值变化范围值；

图8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)GRM-FCM分割结果 (b)Gamma分割结果，(c)GMM分割结果，(d)为本发明提出方法。

具体实施方式

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

如图1至图8示，本发明提供了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，其具体实施方式如下：

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，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像z＝{z_i；i＝1,…,n}，其中，i为像素索引，n为总像素数，z_i为像素i的强度值，待分割高分辨率遥感影像域X模拟取值大小为128×128，真实取值大小为256×256，即模拟图像总像素数n为16384，真实图像总像素数n为65536；

步骤2：将待分割遥感影像内各像素强度作为样本点，构建待分割遥感影像的似然函数；

步骤3：定义似然函数模型参数的先验分布模型，包括混合权重，组份权重，均值和方差：本实施方式中，为了模拟后验分布，需定义参数集Ψ＝(α，w，θ)的先验分布为p(Ψ)＝p(α，w，θ)，根据参数之间的关系，参数先验分布可写为：

p(Ψ)＝p(α)p(w)p(θ) (1)

步骤4：根据贝叶斯定理，结合似然函数和各参数先验分布构建模型参数的后验分布，即分割模型：假如给定参数集Ψ的先验分布p(Ψ)，根据贝叶斯理论，结合式(4)可得到z条件下Ψ的后验分布为：

p(Ψ|z)∝p(z|Ψ)p(Ψ) (2)

以式(1)为影像分割模型，通过模拟分割模型实现影像的分割和模型参数的求解，由式(4)HGMM结构可知，像素i隶属于类别l的先验概率为p(y_i＝l)＝α_li，其中，y_i为像素i的类别标号，像素i隶属于类别l的后验概率为，

步骤5：利用结合层次化高斯混合模型和M-H的遥感影像分割方法实现遥感影像分割。

步骤2的具体方法步骤为：

步骤2.1：应用高斯混合模型定义表征像素强度的概率密度函数模型，为各类别混合权重与条件概率乘积之和。

本实施方式中，从空间统计学的观点出发，将z视为影像域上随机场Z＝{Z_i；i＝1,…,n}的实现，其中，Z_i为表征像素i强度值的随机变量，首先，定义HGMM结构表征像素强度z_i的概率密度：

式中，Ψ为HGMM参数集，l为类别索引，k为总类别数；α_li为混合权重，表征像素i为从HGMM参数集中获取l所代表的类别的概率，满足条件：0<α_li<1，

步骤2.2：定义高斯子混合模型作为高斯混合模型中的条件概率，为同一类别组分权重与高斯函数乘积之和。

本实施方式中将p_li(z_i|Ω_l)定义为GMM，这里称为高斯子混合模型，其分布函数为：

式中，Ω_l为l所代表的类别的GSMM参数集；j为组份索引；m为总组份数，当m＝1时，HGMM转化为传统GMM，因此组份数m>1；w_lj为组份权重，表征第l类中第j个组分所占的比重，满足条件：0<w_lj<1，p_N(z_i|θ_lj)为GSMM组份，定义为高斯分布：

式中，θ_lj＝(μ_lj,σ_lj ²)为组份参数，μ_lj和σ_lj ²分别为高斯分布的均值和方差；

假设各像素强度的统计分布相互独立，构建遥感影像的似然函数，为所有像素强度概率密度函数的积，本实施方式中，对给定遥感影像z，假设各像素强度的统计分布相互独立，结合式(4)-(6)可得到基于HGMM的遥感影像模型为，

由式(7)可将HGMM参数集进一步写为Ψ＝(α,w,θ)，其中，混合权重为α＝{α_li；l＝1,…,k,i＝1,…,n}，组份权重为w＝{w_lj；l＝1,…,k,j＝1,…,m}，组份参数为θ＝(μ,σ²)，均值为μ＝{μ_lj；l＝1,…,k,j＝1,…,m}，方差为σ²＝{σ_lj ²；l＝1,…,k,j＝1,…,m}。

步骤3中具体方法为：采用Gibbs函数构建混合权重的先验分布，将影像像素的空间位置关系引入分割模型，提高算法对影像噪声或异常值的鲁棒性，本实施方式中，采用Gibbs函数定义混合权重的先验分布p(α)，

式中，A为归一化常数；β为控制邻域作用强度的系数；N_i为像素i的邻域像素集合；i′为邻域像素索引；(α_li-α_li′)²表征像素i与其邻域像素i′的混合权重间的误差；

采用狄利克雷分布构建组份权重的先验分布，通过狄利克雷分布参数的设置使得该先验分布随着组份权重的优化达到最大的目的。

本实施方式中，假设w_l服从参数为δ的对称狄利克雷分布，各类别间的组份权重分布相互独立，定义组分权重分布函数为：

式中，Γ(·)为Gamma函数，参数δ>1为常数；

本实施方式中，假设均值和方差之间独立则p(θ)＝p(μ)p(σ²)，均值(方差)参数μ_lj(σ_lj ²)服从均值为μ_μl(μ_σl)和方差为σ_μl ²(σ_σl ²)的高斯分布，且各类别和组份之间均值和方差相互独立，定义均值和方差的先验概率分布为：

步骤5中具体操作方法为：

步骤5.1：初始化各参数，包括影像类别数，组份数，邻域作用强度参数，狄利克雷分布参数，及各待求模型参数，包括混合权重，组份权重，均值和方差，本实施方式中参数设置如下，类别数k是通过目视判别影像中同质区域的个数来确定；组份数设为3，该值具有普遍适用性；邻域作用强度参数β用于控制邻域作用强度，其数值越大邻域作用强度越小，为了去除噪声同时又不产生过分割，设为0.2，经过多次分割实验验证该值适用于各影像分割；狄利克雷分布参数δ越大该分布越陡峭，若数值过小，各组份权重将趋于均匀分配，该先验分布将不起作用，经过实验比较提出算法将其设为10；迭代次数T设为4万次，以保证在迭代过程中算法收敛；混合权重α_li在满足条件：0<α_li<1，的情况下，在0-1之间随机取值作为初始值；组分权重w_lj，在满足条件：0<w_lj<1，的情况下，在0-1之间随机取值作为初始值；根据经验，取均值为128，方差为64的高斯分布随机采样得到均值参数的初始值；方差取均值为64和32的高斯分布随机采样生成方差参数的初始值；

步骤5.2：采用M-H算法模拟分割模型，设计三个移动操作，包括更新组份参数，更新混合权重和更新组份权重，同时依次执行更新组份参数，更新混合权重和更新组份权重的操作，得到新的组份参数，混合权重和组份权重，其包括以下步骤：

(1)定义候选参数接受率，本实施方式中，采用M-H算法实现影像分割和参数估计，设当前参数集为Ψ^(t)＝(α^(t),w^(t),θ^(t))，在当前参数集Ψ^(t)的一定范围内选取候选参数集Ψ^(*)＝(α^(*),w^(*),θ^(*))，可得到候选参数的接受率为，

若接受率为1，则接收候选参数集Ψ^(*)，并令下一时刻参数集为Ψ^(t+1)＝Ψ^(*)；否则，保持当前参数集不变，即Ψ^(t+1)＝Ψ^(t)，设计三个移动操作，在迭代过程中依次遍历所有移动操作，在计算各移动操作的接受率时，对于当前没有更新的参数在计算接受率时可进行化简；

(2)更新组份参数，定义其接收率公式：随机选取一组组份参数作为待更新的组份参数，利用待更新的组份参数根据其先验分布生成新的组份参数；

根据最大后验概率准则，后验分布数值大的所对应的组份参数可以被接受用来代替待更新的组份参数，因此，采用新组份参数的后验分布与待更新组份参数的后验分布的比值作为更新组份参数接受率R的公式，并忽略与组份参数不相关的先验分布；

将待更新的组份参数和新组份参数代入公式，若R值大于1则接受新的组份参数，否则保持原组份参数不变；

本实施方式中，以等概率在{1,…,k}内抽取任意类别，如l，在类别l的GSMM中，以等概率在{1,…,m}内抽取任意组份，如j，则需要更新的高斯分布参数μ_lj和σ_lj ²，以选取的参数μ_lj和σ_lj ²为均值，σ_μ和σ_σ为方差的高斯分布中随机生成μ_lj ^*和σ_lj ^*2作为候选参数，σ_μ和σ_σ为已知常数，则更新组份参数的接受率为：

(3)更新混合权重，定义其接收率公式：随机选取一个像素所对应一个类别的混合权重作为待更新混合权重，在0到1之间选取一个权重增量，与待更新混合权重相加作为新的混合权重，为保证混合权重类别之间和为1，需对该像素的所有混合权重进行归一化；

根据最大后验概率准则，后验分布大的所对应的混合权重可以被接受用来代替待更新的混合权重，因此，采用新混合权重的后验分布与待更新混合权重的后验分布的比值作为更新混合权重接受率R的公式，并忽略与混合权重不相关的先验分布；

将待更新混合权重和新的混合权重代入公式，若R值大于1则接受新的混合权重，否则保持原混合权重不变；

本实施方式中，以等概率在{1,…,k}内抽取任意类别，如l，在类别l中以等概率在{1,…,n}内抽取任意像素，如i，则需要更新的混合权重为α_li，在(0,1)区间随机抽取权重增量为α^*，则改变后的混合权重为α_li ^*＝α_li+α^*，为满足权重系数和为1的条件，需要改变像素i其他类别的混合权重，候选混合权重为该操作的接受率为，

(4)更新组份权重，定义其接收率公式：随机选取一个类别内某一组份的权重作为待更新组份权重，在0到1之间选取一个权重增量，与待更新组份权重相加作为新的组份权重，为保证一个类别内各组份权重和为1，需对所有组份权重进行归一化；

根据最大后验概率准则，后验分布大的所对应的组份权重可以被接受用来代替待更新组份权重，因此，采用新组份权重的后验分布与待更新组份权重的后验分布的比值作为更新组份权重接受率R的公式，并忽略与组份权重不相关的先验分布)；

将待更新组份权重和新组份权重代入公式，若R值大于1则接受新的组份权重，否则保持原组份权重不变；

本实施方式中，以等概率在{1,…，k}内抽取任意类别，如l，在类别l中以等概率在{1,…，m}内抽取任意组份，如j，则需要更新的组份权重为w_lj，在(0,1)区间内随机抽取权重增量为w^*，则新得到的组份权重为w_lj ^*＝w_lj+w^*，为满足权重和为1的条件，需要改变类别l内的其他组份权重，则候选组份权重为其接受率为：

步骤5.3：根据新的组份参数，混合权重和组份权重计算后验分布；

步骤5.4：计算当前后验分布与前一次后验分布的误差，若误差大于设定的阈值，则返回步骤5.2，否则停止迭代，本实施方式中，前后两次后验分布误差阈值一般设定为10^-3；

步骤5.5：通过最大化混合权重得到影像各像素的类别标号，以实现影像分割，本实施方式中，使用如下公式实现分割，

本发明在CPU为Core(TM)i5-3470 3.20GHz、内存4GB、Windows 10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三个地物类别的合成高分辨率遥感影像及3个地物类别的真实高分辨遥感影像，如图4，(a)128×128像素大小的模板影像，图中I-III为3个同质区域的标号；(b)为根据图(a)模板影像合成的待分割影像，其中各个同质区域来自CartoSat1卫星2.5米分辨率遥感影像；(c)为运动馆，来源于Pleiades1卫星的0.5米分辨率256×256像素大小的高分辨遥感影像。

图5为本发明具体实施方式中合成影像分割结果，其中，(a)基于高斯回归模型(Gaussian Regression Model,GRM)的模糊C均值分割算法(简称GRM-FCM)，(b)基于Gamma分布的分割算法(简称Gamma)，(c)基于GMM的分割算法(简称GMM)，(d)为本发明提出方法，通过观察可知，(a)(b)(c)三种方法都存在不同程度的误分割现象，而本发明方法与标准模板影像(图4(a))最接近，分割结果最优。

图6中(a)为Gamma算法对合成影像灰度直方图的拟合结果，(b)为GMM算法对合成影像灰度直方图的拟合结果，(c)为提出算法对合成影像灰度直方图的拟合结果，图中横轴为像素强度，纵轴为各像素强度所对应的像素个数，从图6(a)和(b)的拟合结果可看出，对比算法峰值3的重尾和多峰特性难以准确建模，且存在过度拟合的现象；图6(c)中为提出算法的拟合结果，明显优于对比算法，图中虚线为GSMM，实线为HGMM，从虚线可以看出，GSMM具有拟合同质区域内像素强度复杂统计分布的能力，虚线1和2具有非对称性，虚线3具有多峰性，实线是由三个虚线分布加权和得到，观察可知，HGMM可以准确建模该灰度直方图。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细说明，领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本权利要求范围当中。

Claims (4)

1.一种结合层次化高斯混合模型和M-H的遥感影像分割方法，其特征在于，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：将待分割遥感影像内各像素强度作为样本点，构建待分割遥感影像的似然函数；

步骤3：定义似然函数模型参数的先验分布模型，包括混合权重，组份权重，均值和方差；

步骤4：根据贝叶斯定理，结合似然函数和各参数先验分布构建模型参数的后验分布，即分割模型

步骤5：利用结合层次化高斯混合模型和M-H的遥感影像分割方法实现遥感影像分割。

2.根据权利要求1所述的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，其特征在于，步骤2的具体方法步骤为：

步骤2.1：应用高斯混合模型定义表征像素强度的概率密度函数模型，为各类别混合权重与条件概率乘积之和；

步骤2.2：定义高斯子混合模型作为高斯混合模型中的条件概率，为同一类别组分权重与高斯函数乘积之和；

步骤2.3：假设各像素强度的统计分布相互独立，构建遥感影像的似然函数，为所有像素强度概率密度函数的积。

3.根据权利要求1所述的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，其特征在于，步骤3中具体方法为：

步骤3.1：采用Gibbs函数构建混合权重的先验分布，将影像像素的空间位置关系引入分割模型，提高算法对影像噪声或异常值的鲁棒性，从而定义混合权重先验分布；

步骤3.2：采用狄利克雷分布构建组份权重的先验分布，通过狄利克雷分布参数的设置使得该先验分布随着组份权重的优化达到最大的目的，从而定义组份权重先验分布；

步骤3.3：采用不同参数的高斯分布构建均值和方差的先验分布，以便在待更新参数的一定范围内选取新的参数，从而定义均值和方差先验分布。

4.根据权利要求1所述的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，其特征在于，步骤5中具体操作方法为：

步骤5.1：初始化各参数，包括影像类别数，组份数，邻域作用强度参数，狄利克雷分布参数及各待求模型参数，包括混合权重，组份权重，均值和方差；

步骤5.2：采用M-H算法模拟分割模型，设计三个移动操作，包括更新组份参数，更新混合权重和更新组份权重，包括以下步骤：

(1)定义候选参数接受率；

(2)更新组份参数，定义其接收率公式：

随机选取一组均值和方差组份参数作为待更新的组份参数，利用待更新的组份参数根据其先验分布生成新的组份参数；

采用新组份参数的后验分布与待更新组份参数的后验分布的比值作为更新组份参数接受率R的公式，并忽略与组份参数不相关的混合权重与组分权重先验分布，根据最大后验概率准则，若R值大于1则接受新的组份参数，否则保持原组份参数不变；

(3)更新混合权重，定义其接收率公式：

随机选取一个像素所对应一个类别的混合权重作为待更新混合权重，在0到1之间选取一个权重增量，与待更新混合权重相加作为新的混合权重；

对该像素的所有混合权重进行归一化,以保证混合权重类别之间和为1；

采用新混合权重的后验分布与待更新混合权重的后验分布的比值作为更新混合权重接受率R的公式，并忽略与混合权重不相关的组份参数和组份权重先验分布；

根据最大后验概率准则，若R值大于1则接受新的组份参数，否则保持原组份参数不变；

(4)更新组份权重，定义其接收率公式：

随机选取一个类别内某一组份的权重作为待更新组份权重，在0到1之间选取一个权重增量，与待更新组份权重相加作为新的组份权重；

对该像素的所有混合权重进行归一化,以保证混合权重类别之间和为1；

采用新组份权重的后验分布与待更新组份权重的后验分布的比值作为更新组份权重接受率R的公式，并忽略与组份权重不相关组份参数和混合权重先验分布；

根据最大后验概率准则，若R值大于1则接受新的组份参数，否则保持原组份参数不变；

步骤5.3：根据新的组份参数，混合权重和组份权重计算后验分布；

步骤5.4：计算当前后验分布与前一次后验分布的误差，若误差大于设定的阈值，则返回步骤5.2，否则停止迭代；

步骤5.5：通过最大化混合权重得到影像各像素的类别标号，以实现影像分割。