基于马尔可夫随机场的模糊c-均值遥感影像分类

针对模糊c-均值聚类方法对初始值敏感,且在聚类时忽略空间相关信息的不足提出一种基于马尔可夫随机场的模糊c-均值聚类方法,该方法用马尔可夫随机场来描述像元的空间相关性,形成顾及空间相关的模糊c-均值分类方法。初始值依据第一主成分的密度函数确定,既克服对初始值的依赖性,又在聚类的时候考虑空间相关信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊c-均值模型。     

一种顾及上下文的遥感影像模糊聚类

模糊聚类是非监督分类中的一类重要方法。传统的模糊聚类方法应用于遥感影像的非监督分类时，均未考虑到邻域像元间的统计依赖关系即上下文信息。针对这一缺陷，在Markov随机场模型框架下，引入了空间隶属度概念，提出了一种顾及上下文信息的模糊聚类算法，有效地提高了聚类精度和抗噪声能力。针对需要预先指定聚类个数的问题，采用了一种兼顾类别内部紧密程度和类别之间分离程度的评价指标，用以检验聚类结果的有效性。从而找出最优的聚类个数，在一定程度上提高了聚类结果的客观性。最后通过实验验证了本文算法的有效性。     

基于马尔可夫随机场的大面积遥感影像聚类初值化问题

马尔可夫随机场聚类模型,是利用混合像元所描述物体的时间和空间上的信息,来提高遥感影像的分类精度,例如多光谱偏振合成孔径雷达(SAR)影像。然而,这种影像的分类太过于依赖初始条件的选择,如分类种数和种类参数的选择。本文将会介绍一种基于MRF聚类模型的遥感影像分类的初值化方法。其适当的初始聚类参数来自一系列相似的区域,种类数目的估计由PLIC得到。适用于由许多大面积相似的区域组成的影像,例如农业收获区域。实验采用荷兰Flevoland地区的偏振SAR影像,结果表明比其它方法如模糊C-means和ICM聚类算法好。     

综合聚类和上下文特征的高光谱影像分类

常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法（最小噪声分离、独立成分分析和主成分分析）下,使用不同聚类方法（k-均值、迭代自组织分析算法和模糊c-均值算法）借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。     

基于集对分析的遥感图像K-均值聚类算法

基于欧式距离的K-均值聚类算法是一种硬分类(把每个待辨识的对象严格地划分到某个类中)方法,面对具有不确定性和混合像元特征的遥感图像数据,传统K-均值聚类算法很难得到满意的分类结果.为解决这一难题,将集对分析(set pair analysis,SPA)理论推广到遥感图像聚类算法,通过引入一个能统一描述同一性、差异性和对立性的同异反(identical discrepancy contrary,IDC)联系度,提出了基于IDC联系度的改进的K-均值聚类算法.该方法克服了传统K-均值算法硬分类的缺陷,可以有效地提高遥感图像聚类精度.对Landsat5 TM卫星数据的聚类分析实验表明,在含有混合像元的遥感图像地物覆盖分类中,改进的K-均值聚类方法的分类效果要优于传统K-均值聚类方法.     

基于混合像元空间与谱间相关性模型的NMF线性盲解混

基于相关性分析的高光谱解混算法，通常缺少对高光谱图像空间和光谱相关性特征的综合分析与利用，或对于先验知识的依赖程度较高。本文提出一种基于混合像元空间与谱间相关性模型的NMF线性盲解混算法。具体包括：通过改进马尔科夫随机场（MRF）模型，建立相邻像元间的空间相关模型；利用复杂度映射技术，建立相邻波段间的光谱相关模型；在NMF目标函数外部和内部分别引入上述两种模型，作为盲解混算法的约束条件。试验结果表明，该算法相对于区域相关的NMF解混算法（ACBNMF）、最小化光谱相关度约束的NMF方法（MSCCNMF）和最小体积约束的非负矩阵分解（MVCNMF）等代表性NMF解混参考算法，解混精度有所提高；同时，降低了对于先验知识的依赖程度，拓宽了适用范围。     

一种改进的ICM遥感影像分割算法

针对传统的迭代条件模式(iterated conditional model,ICM)算法应用于遥感影像分割时容易出现离散斑块和孤立点的问题,提出了一种基于马尔科夫随机场(Markov random field,MRF)的改进ICM遥感影像分割算法。首先,在获取初始标记之前加入保边去噪效果良好的双边滤波器(bilateral filter,BF),用于遥感影像的预处理;并用多阈值最大类间方差法(Otsu)获取初始标记,以克服传统的初始标记获取算法中K-means聚类算法类别数不确定和算法复杂度不易控制以及错分现象明显等问题;然后,利用MRF描述像元的空间相关性,形成顾及上下文信息的ICM遥感影像分割算法。通过遥感影像数据分割实例验证,所提方法的分割精度优于传统的ICM算法。     

一种新的融合空间信息的半监督变化监测方法

基于改进的半监督FCM算法和马尔科夫随机场,提出了一种新的融合空间信息的半监督变化监测方法。首先将两幅遥感图像相减得到差值图像,并通过第4波段的差值给出了一种新的样本标记方法;然后,通过标记样本对差值图像利用半监督FCM算法进行聚类;最后,为了提高监测精度和去除聚类噪音点,利用像元点之间的空间邻接关系和马尔科夫随机场,通过更新后的隶属度矩阵得到了监测结果。为了验证本文方法的有效性,选取了两组TM遥感图像,监测了森林的变化。试验结果表明,改进的半监督FCM算法可以减少监测的漏检率,马尔科夫随机场方法可以很好地去除聚类过程中形成的噪声点,减少监测的虚检率。     

元胞空间分区及其对GeoCA模型模拟精度的影响

采用双约束空间聚类方法对元胞空间进行分区,在此基础上对不同的分区分别求取元胞转换规则,从而提高 元胞自动机的模拟精度。以杭州市土地利用变化为例,采用本文提出的基于双约束空间聚类的分区元胞自动机模型对 研究区域2000年—2005年的土地利用变化进行模拟,并利用逐点对比法和Moran I指数对模拟结果进行精度评估。结果 表明：(1)采用双约束空间聚类算法对元胞空间进行分区,可以保证同一分区内的元胞既在空间上邻近,又具有相对一 致的非空间属性信息,分区效果较好;(2)与不分区元胞自动机模型和基于空间聚类的分区元胞自动机模型相比,双约 束空间聚类元胞自动机模型具有较高的模拟精度,尤其是在空间形态和整体结构上具有较好的模拟效果。     

基于MRF随机场和广义混合模型的遥感图像分级聚类

有限混合模型FM的分级聚类已广泛应用于不同领域,然而,它的计算复杂度与观测数据的平方成正比,因此,在海量数据方面的应用就受到了限制。另一方面,多光谱图像数据中同时包含有空间和光谱两类信息,但大多数基于像素的多光谱图像聚类方法,仅使用了其频谱信息而忽视了空间信息。本文提出了一种新的基于广义有限混合模型GFM的分级聚类方法,该算法把MRF随机场和GFM模型结合在一起,分类数可以通过PLIC准则自动确定。算法在执行过程中,采用K均值聚类方式获得过分类图像,分级聚类从过分类图像开始,代替原来从单点类开始的方式,这样可以方便获取GFM模型成分密度的初始参数。最后,采用由Gibbs采样器生成的仿真测试图对算法的精度进行了定量评价,通过与K均值聚类和FM聚类的比较说明了本文算法的优越性,同时用荷兰Flevoland农业地区的极化SAR图像验证了本文算法的有效性。     

空-谱融合的条件随机场高光谱影像分类方法

高光谱遥感数据具有光谱信息丰富、图谱合一的特点,目前已经广泛地应用在对地观测中。传统的高光谱分类模型大多过分依赖影像光谱信息,没有充分利用空间特征信息,这使得分类精度还有很大的提升空间。条件随机场是一种概率模型,能够较好地融合空间上下文信息,在高光谱影像分类中已经得到越来越多的关注,但大部分条件随机场模型存在超平滑的现象,会导致影像细节丢失。针对该问题,本文提出了一种优化融合影像空-谱信息的高分辨率/高光谱影像分类方法,该方法将影像的纹理信息与原始光谱信息进行融合,利用SVM分类器对其进行预分类,并将各类概率定义为一元势函数,以融合空间特征信息;然后将空间平滑项和局部类别标签成本项加入二元势函数中,以考虑空间背景信息,并保留各类别中的详细信息。最后,通过两组的高分辨率/高光谱影像数据进行试验。结果表明,与SVM算法、传统的条件随机场方法和面向对象的分类方法相比,本文提出的算法在整体分类精度上分别提高了10%、9%和8%以上,同时在保持地物边缘完整性、避免“同谱异物”与“同物异谱”的现象方面有较明显的优势。     

基于MRF随机场的多光谱遥感影像最优化分级聚类

有限混合模型FM的分级聚类已广泛应用于不同领域,然而,由于它的计算复杂度与观测数据量平方成正比,致使在遥感影像方面应用受到了限制。另外,多光谱图像能提供空间和光谱两类信息详细的数据,但是,大多数多光谱图像聚类方法是基于像素的聚类,仅使用了其光谱信息而忽视了空间信息。本文定义一个相对混合密度函数,通过引入一个q-参数来调节各成分密度对其混合分布的贡献,提出一种广义有限混合模型GFM．设计一种新的适用于多光谱遥感影像的GFM分级聚类算法。该算法把MRF随机场和GFM模型结合在了一起,分类数通过PLIC准则自动确定。最后,利用仿真结果验证该算法的有效性,同时通过与K均值聚类、FM分级聚类以及SVMM分级聚类的比较说明本文算法的优越性。     

基于马尔科夫随机场与模糊C均值的遥感影像分类

模糊C均值聚类是一种经典的非监督聚类模型,成功地应用于遥感影像分类。但是该方法对初始值敏感,容易陷入局部最优解;同时聚类时仅考虑光谱信息,忽略了空间信息。本文提出了一种新的基于马尔科夫随机场的模糊C均值聚类方法,该方法把马尔科夫随机场和模糊C均值结合在一起。初始值依据第一主成分的密度函数确定,这样克服了对初始值的依赖性,又在聚类的时候考虑了空间信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊C均值模型。     

Spectral-spatial classification of hyperspectral images using wavelet transform and hidden Markov random fields

This paper proposes a spectral–spatial method for classification of hyperspectral images. The proposed method, called SSC, consists of two steps. In the first step, to overcome the computation complexity, a wavelet-based classifier is designed. In the second step, to enhance the classification accuracy, a novel hidden Markov random field called NHMRF technique in spatial domain is suggested. In NHMRF, we convert two-dimensional energies of traditional hidden Markov random field to three-dimensional energies and then we apply edge preserving regularization terms on each two-dimensional energy of this cube. The class label of each test pixel is fixed based on minimum three-dimensional energy achieved by edge preserving regularization terms. Experimental results show that the classification accuracy of the proposed approach based on three-dimensional energies and edge preserving regularization terms is effectively improved in comparison with the state-of-the-art methods.     

基于可变形状参数Gamma分布的模糊聚类多视SAR图像分割

针对传统模糊聚类分割算法无法克服合成孔径雷达(synthetic aperture radar, SAR)图像中固有的斑点噪声问题, 提出了一种利用可变形状参数Gamma分布和邻域相关性的模糊聚类分割算法。可变形状参数Gamma分布用于建模多视SAR强度图像的斑点噪声, 并以其负对数作为特征场中像素与聚类间强度的相似性测度模型; 通过马尔可夫随机场(Markov random field, MRF)建立标号场中邻域像素的类属相关性模型; 在模糊聚类框架下, 以上述模型为基础构建模糊目标函数; 在目标函数最小化准则下, 求解最优结果。实验表明, 可变形状参数Gamma分布能够更加准确地拟合同质区域内像素强度的统计直方图。为有效求解包涵在Gamma函数内的形状参数, 采用牛顿迭代算法估计其数值解。对合成和真实多视SAR图像分别进行分割实验, 定性、定量分析的结果验证了本文算法的有效性。     

Spatial and Quantitative Comparison of Topographically Derived Different Classification Algorithms Using AWiFS Data over Himalayas,India

In recent years, the significant increase in research on spatial information is observed. Classification or clustering is one of the well-known methods in spatial data analysis. Traditionally, classifiers are generally based on per-pixel approaches and are not utilizing the spatial information within pixel, called mixels which is an important source of information to image classification. There are two foremost reasons behind the existence of mixels: (a) coarse or low spatial resolution of sensor and (b) topographic effects that recorded on optical satellite imagery due to differential terrain illuminations over rugged areas such as Himalayas. In the present study, different classification algorithms have been implemented to drive the impact of topography on them. Among various available, three algorithms for the mapping of snow cover region over north Indian Himalayas (India) are compared: (a) maximum likelihood classification (MLC) as supervised classifier; (b) k-mean clustering as unsupervised classifier; and (c) linear spectral mixing model (LSMM) as soft classifier. These algorithms have been implemented on AWiFS multispectral data, and analysis was carried out. The classification accuracy is estimated by the error matrices, and LSMM achieved higher accuracy (84.5–88.5%) as compared to MLC (81–84%) and k-mean (74–81%). The results highlight that topographically derived classifiers achieved better accuracy in mapping as compared to simple classifiers. The study has many applications in snow hydrology, glaciology and climatology of mountain topography.     

高光谱遥感数据的DNA计算分类

提出了一种基于DNA计算的高光谱遥感数据光谱匹配分类新方法。该方法利用DNA编码提取各类地物光谱所携带的物理吸收与反射特征信息,将地物光谱特征转换为DNA编码空间特征,通过DNA计算基因操作寻找各类地物最典型的DNA信息链。在此基础上,利用DNA计算原理建立一系列模糊规则,对高光谱数据进行光谱匹配分类。通过与传统的光谱匹配算法(二值编码,光谱角,光谱差分特征编码)的分类结果进行比较,证明该算法分类精度优于传统高光谱数据的光谱匹配分类方法,具有实用价值。     

一种改进的空间上下文点云分类方法

考虑到点云数据具有线性分布和密度不均匀的特点,以及现有复杂场景点云分类方法中缺少对非局部空间上下文信息的有效利用,提出了一种改进的空间上下文点云分类方法。该方法在提取点云数据顾及曲率的自适应邻域的基础上,首先估算点云局部特征与依赖性空间上下文,并基于超级体素提取分布性空间上下文,最后采用高阶条件随机场模型,实现对点云数据的自动分类,避免了利用单一点云局部特征分类的局限性。试验结果表明,本文方法能够有效提高点云数据地物分类精度。     

综合多特征的极化SAR图像随机森林分类算法

为抑制相干斑噪声对极化SAR图像分类结果的干扰,本文提出一种综合多特征的极化SAR图像随机森林分类方法。该方法首先利用简单线性迭代聚类(SLIC)算法生成超像素作为分类单元;然后,基于高维极化特征图像,利用训练好的随机森林模型,统计决策树的分类投票数,计算各超像素的类别概率;最后,利用超像素间的空间邻域特征,采用概率松弛算法(PLR)迭代修正超像素的类别后验概率,并依据最大后验概率(MAP)准则得到分类结果;实现综合利用超像素和空间邻域特征,降低相干斑噪声干扰的极化SAR图像分类方法。实验对比结果表明:本文方法能得有效抑制极化SAR图像中相干斑噪声的干扰,得到高精度且光滑连续的分类结果。