基于可变类FCM算法的多光谱遥感影像分割

为了自动确定多光谱遥感影像中地物目标类别数,该文提出一种基于可变类模糊C均值(Fuzzy C-Means, FCM)的多光谱遥感影像分割方法。首先定义像素与聚类的非相似性测度并据此构建目标函数,而后通过求解目标函数得到最优模糊隶属度和聚类中心。其次,研究模糊因子与影像地物目标类别数的关系,并通过定义划分熵(Partition Entropy, PE)指数优选模糊因子,选择PE指数值稳定收敛后所对应的最小模糊因子值为最优模糊因子,根据模糊因子与类别数的关系得到最优类别数,从而实现了影像的可变类分割。最后,利用提出算法分别对合成和真实多光谱遥感影像进行分割实验,实验结果表明,提出算法不仅能自动确定影像的最优类别数,还能获得较好的分割结果,为实现自动确定遥感影像中地物目标类别数提供新方法。     

可变类谱聚类遥感影像分割

为实现遥感影像分割中类别数的准确、自动判别,提出了一种可变类谱聚类算法.根据影像的相似图构建权值矩阵和标准Laplacians矩阵,计算Laplacians矩阵较小特征值对应的特征向量生成特征向量矩阵,并视其与像素对应的向量行为像素特征点集;研究Laplacians矩阵处于不同（近似）块对角结构时类属同一目标类像素特征点的聚集性,定义聚类度指标,计算不同分割类别数对应聚类度;选择聚类度将发生最后一次较大跳变时的分割类别数作为算法估计类别数,并采用FCM（Fuzzy C-Means）算法划分该类别数对应像素特征点集实现影像分割.分别采用提出算法和基于特征间隙的算法分割合成及真实遥感影像.实验结果表明提出算法可准确地判别影像类别数.     

自适应空间约束融入混合模型的遥感图像分割

为了降低图像噪声的影响并提高遥感图像分割精度,提出了一种自适应空间约束融入混合模型的遥感图像分割算法。考虑到学生t分布具有重尾特性比高斯分布更具有鲁棒性,利用学生t混合模型(Student’s-t Mixture Model, SMM)建模像素光谱测度概率分布。为了避免图像噪声对分割结果的影响,基于马尔可夫随机场利用局部像素类属概率定义组份权重,将像素空间相关性融入SMM,进而构建出空间约束图像分割模型。为了实现自适应平滑系数的模型参数求解,采用梯度下降方法求解分割模型。采用本文算法对添加噪声的遥感图像进行分割实验,结果表明,所提算法可有效降低图像噪声的影响,同时可准确分割高分辨率遥感图像。     

一种模型选择优化准则及其在高光谱图像非监督分类中的应用

选择合适的类别数是非监督分类中的一个关键问题.针对采用高斯混合建模的高光谱图像非监督分类问题,该文提出了一种基于主成分分析(PCA)的最小描述长度(MDL)型模型选择准则(文中简称为PMDL)来确定分类类别数,即根据PCA变换后保留的各主成分表达的数据方差不同而应具有不同的编码长度这一事实,在计算描述长度时对各维进行加权.分类过程中,论文采用期望最大化(Expectation Maximization)算法在合并的策略下对PCA变换后的数据求解混合模型,并应用所提出的准则进行模型选择从而确定待分类的类别数.仿真数据实验证实了新准则的有效性和优良的性能,并采用真实数据对该准则和整个算法进行了验证.     

退火EM算法在非监督图像分割中的应用

图像分割是数字图像处理的一项重要内容.本文将基于高斯混合模型的退火EM算法应用于非监督图像分割.由于退火EM算法具有自动探测数据中类别数的功能,通过使用退火EM算法则能够在图像中自动确定其对象的个数,并得到较好的分割结果.实验表明,应用退火EM算法进行图像分割是可行、有效的.     

基于区域限制的EM和图割的非监督彩色图像分割方法

提出一种基于区域限制的EM(Expectation Maximization)和图割的非监督彩色图像分割方法,以解决自动确定分割类数问题.首先,生成图像的超像素,提取图像的CIE Lab颜色特征和多尺度四元数Gabor滤波特征;为了高效自动地确定分割类数,同时避免因直接使用超像素造成的奇异值问题,对每一个超像素采样并使用采样像素表示超像素;然后采用高斯混合模型对采样像素集合进行建模,使用加入区域限制的分量EM自动获取模型组件数及参数,最后使用图割结合高斯混合模型对图像进行优化,获取最终分割结果.实验结果表明,该方法在分割效率和分割质量上均得到较大提升.     

基于隐马尔可夫高斯随机场模型的模糊聚类高分辨率遥感影像分割算法

本文利用隐马尔可夫随机场和高斯模型分别建立标号场和特征场的邻域关系,提出了基于隐马尔可夫高斯随机场模型的模糊聚类分割算法。该算法用隐马尔可夫随机场模型定义先验概率,并将该先验概率作为尺度控制因子引入到KL（Kullback-Lerbler）信息中,在目标函数的定义中,KL信息作为规则化项,其系数表示算法的模糊程度。在基于高斯模型的后验概率中,像素相关性被定义在空间和谱间,并用该概率的负对数值表征像素点到聚类中心的非相似性测度。通过对合成遥感影像和高分辨率遥感影像进行分割实验,证明了算法的有效性和普适性。     

一种模型选择优化准则及其在高光谱图像非监督分类中的应用

选择合适的类别数是非监督分类中的一个关键问题．针对采用高斯混合建模的高光谱图像非监督分类问题，该文提出了一种基于主成分分析(PCA)的最小描述长度(MDL)型模型选择准则(文中简称为PMDL)来确定分类类别数，即根据PCA变换后保留的各主成分表达的数据方差不同而应具有不同的编码长度这一事实，在计算描述长度时对各维进行加权．分类过程中，论文采用期望最大化(Expectation Maximization)算法在合并的策略下对PCA变换后的数据求解混合模型，并应用所提出的准则进行模型选择从而确定待分类的类别数．仿真数据实验证实了新准则的有效性和优良的性能，并采用真实数据对该准则和整个算法进行了验证．     

利用RJMCMC算法的可变类SAR图像分割

自动确定地物类别数是SAR图像分割方法研究的重点和难点问题,为此,提出一种自动确定类别数的SAR图像分割算法。首先假定SAR图像中各像素强度服从同一独立的Gamma分布并以此建立图像模型;根据贝叶斯定理构建刻画图像分割的后验概率模型;设计RJMCMC（Reversible Jump Markov Chain Monte Carlo）算法模拟该后验概率模型,以确定图像类别数并同时完成区域分割。在提出的RJMCMC算法中,设计的移动操作类型包括:分裂或合并实类、改变参数矢量、改变标号及生成或删除空类。为了验证提出的可变类分割算法,分别对真实及模拟SAR图像进行可变类分割实验,定性及定量精度评价结果表明该算法的可行性及有效性。      

基于区间二型模糊神经网络的高分辨率遥感影像分割方法

高分辨率遥感影像同质区域地物目标异质性增大,光谱测度空间复杂性增加使像素类属的不确定性以及分割决策不确定性增大,引起分割精度下降。提出一种基于区间二型模糊神经网络的高分辨率遥感影像监督分割方法。对同质区域构建一型高斯隶属函数模型刻画像素类属的不确定性;模糊化高斯隶属函数参数构建区间二型模糊模型处理分割决策的不确定性;以训练样本在所有类别中的一型模糊隶属度及上、下隶属度为输入,建立模糊神经网络模型并融入像素邻域关系作为模糊决策。采用文中算法、FCM方法、HMRF-FCM及区间二型模糊神经网络方法分别对合成影像及真实高分辨遥感影像进行分割,定性与定量的对比分析验证了文中算法具有更高的分割精度。      

Remote sensing image segmentation based on spatially constrained Gaussian mixture model with unknown class number

In view of the traditional Gaussian mixture model (GMM),it was difficult to obtain the number of classes and sensitive to the noise.A remote sensing image segmentation method based on spatially constrained GMM with unknown number of classes was proposed.First,in the built GMM,prior probability that represented the membership between a pixel and one class was modeled as a Markov random field (MRF).In order to improve the sensitivity of noise,the smoothing factor was defined by combining the a posterior probability and the prior probability of neighboring pixels.For estimating the number of classes and the parameters of model,the reversible jump Markov chain Monte Carlo (RJMCMC) and maximum likelihood (ML) estimation were employed,respectively.Finally,by minimizing the smoothing factor the final segmentation was obtained.In order to verify the proposed segmentation method,the synthetic and real panchromatic images were tested.The experimental results show that the proposed method is feasible and effective.     

多尺度多特征融合的高分辨率遥感影像分类

针对高分辨率遥感影像多尺度、空间分布复杂以及特征繁多的特点,从遥感影像特征提取的尺度效应以及各类地物显著性特征各异入手,提出了基于多尺度多特征融合的高分辨率遥感影像分类的方法。该方法构建最优尺度分割函数模型,寻找出各地物的最优尺度,分别提取影像的纹理、颜色和形状特征。在此基础上,利用各地物特征的显著性差异实现多尺度下多特征的加权融合。该加权融合方法突破了常规的最优尺度分割算法未能充分考虑各类地物特征差异性的局限性,通过分析各类地物的显著性,建立了各个特征在分类中所占权重的模型。实验结果表明：相对传统无监督分类算法,该方法准确率提高约7%,且运行效率高。     

基于自适应EM算法的光学图像海域分割

提出了一种针对光学遥感图像海域分割的自适应期望最大算法(Expectation Maximization,EM)。传统EM算法需要给出高斯混合模型的个数,文中所做的改进使其具有自适应确定高斯模型个数的能力,由此可以降低由于个数选择的不合理带来的错误分割的风险。将该方法应用低分辨率复杂背景遥感图像的海域分割,取得了较理想结果。     

A unified framework for MAP estimation in remote sensing image segmentation

A complete framework is proposed for applying the maximum a posteriori (MAP) estimation principle in remote sensing image segmentation. The MAP principle provides an estimate for the segmented image by maximizing the posterior probabilities of the classes defined in the image. The posterior probability can be represented as the product of the class conditional probability (CCP) and the class prior probability (CPP). In this paper, novel supervised algorithms for the CCP and the CPP estimations are proposed which are appropriate for remote sensing images where the estimation process might to be done in high-dimensional spaces. For the CCP, a supervised algorithm which uses the support vector machines (SVM) density estimation approach is proposed. This algorithm uses a novel learning procedure, derived from the main field theory, which avoids the (hard) quadratic optimization problem arising from the traditional formulation of the SVM density estimation. For the CPP estimation, Markov random field (MRF) is a common choice which incorporates contextual and geometrical information in the estimation process. Instead of using predefined values for the parameters of the MRF, an analytical algorithm is proposed which automatically identifies the values of the MRF parameters. The proposed framework is built in an iterative setup which refines the estimated image to get the optimum solution. Experiments using both synthetic and real remote sensing data (multispectral and hyperspectral) show the powerful performance of the proposed framework. The results show that the proposed density estimation algorithm outperforms other algorithms for remote sensing data over a wide range of spectral dimensions. The MRF modeling raises the segmentation accuracy by up to 10% in remote sensing images.     

Supervised segmentation of remote sensing images based on a tree-structured MRF model

Most remote sensing images exhibit a clear hierarchical structure which can be taken into account by defining a suitable model for the unknown segmentation map. To this end, one can resort to the tree-structured Markov random field (MRF) model, which describes a K-ary field by means of a sequence of binary MRFs, each one corresponding to a node in the tree. Here we propose to use the tree-structured MRF model for supervised segmentation. The prior knowledge on the number of classes and their statistical features allows us to generalize the model so that the binary MRFs associated with the nodes can be adapted freely, together with their local parameters, to better fit the data. In addition, it allows us to define a suitable likelihood term to be coupled with the TS-MRF prior so as to obtain a precise global model of the image. Given the complete model, a recursive supervised segmentation algorithm is easily defined. Experiments on a test SPOT image prove the superior performance of the proposed algorithm with respect to other comparable MRF-based or variational algorithms.     

一种采用高斯隐马尔可夫随机场模型的遥感图像分类算法

该文研究了无监督遥感图像分类问题。文中构造了图像的隐马尔可夫随机场模型(HiddenMarkov Random Fleid,HMRF),并且提出了基于该模型的图像分类算法。该文采用有限高斯混合模型(Finite Gaussian Mixture,FGM)描述图像像素灰度的条件概率分布,使用EM(Expectation-Maximization)算法解决从不完整数据中估计概率模型参数问题。针对遥感图像分布的不均匀特性,该文提出的算法没有采用固定的马尔可夫随机场模型参数,而是在递归分类算法中分级地调整模型参数以适应区域的变化。实验结果表明了该文算法的有效性,分类算法处理精度高于C-Means聚类算法.。