[發明專利]基于可變高斯混合模型的高分辨率遙感影像監督分割方法

有效

• 申請號: 201610099677.4
• 申請日: 2016-02-22
• 公開（公告）號: CN105678790B
• 公開（公告）日: 2018-03-30
• 發明（設計）人: 王春艷;隋心;徐愛功;姜勇
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06K9/46;G06K9/62
• 代理公司: 沈陽東大知識產權代理有限公司21109
• 代理人: 胡曉男

1.一種基于可變高斯混合模型的高分辨率遙感影像監督分割方法，包括如下步驟：

步驟1：讀取待分割的高分辨率遙感影像；

步驟2：對待分割的高分辨率遙感影像中的每個地物類別進行監督采樣，計算每個像素的灰度值在對應的地物類別中出現的頻率值；

步驟3：利用監督采樣提取的訓練樣本及其在對應的地物類別中出現的頻率值，在高分辨率遙感影像的灰度測度空間對不同的地物類別建立可變高斯混合模型；

步驟4：建立高分辨率遙感影像的目標函數：計算高分辨率遙感影像中每個像素的灰度值在各個可變高斯混合模型中的概率值，得到高分辨率遙感影像對應于不同地物類別的概率測度矩陣；對各概率測度矩陣按設定窗口求其均值，將該均值作為窗口中心的概率測度值，得到新的概率測度矩陣作為高分辨率遙感影像的目標函數矩陣；

步驟5：對高分辨率遙感影像目標函數矩陣的相同位置元素進行比較，按最大概率測度原則實現分割；

其特征在于，所述步驟3包括如下步驟：

步驟3.1：設置每個地物類別的可變高斯混合模型中最大高斯分量個數M，可變高斯混合模型參數的初始值及上限、下限，可變高斯混合模型參數包括高斯分量系數、高斯分量均值和高斯分量標準差；

步驟3.2：以已知訓練樣本在對應的地物類別中出現的頻率值與對應的可變高斯混合模型的概率值的最小均方誤差為標準，設定迭代閾值；

步驟3.3：利用最小二乘法進行地物類別直方圖擬合，建立每個地物類別可變高斯混合模型，循環迭代求解可變高斯混合模型參數；

步驟3.4：當訓練樣本在對應的地物類別中出現的頻率值與對應的可變高斯混合模型的概率值的均方誤差大于迭代閾值時，將當前的可變高斯混合模型參數作為初始值重復步驟3.2～步驟3.4，循環迭代至所述均方誤差小于迭代閾值時迭代結束；

步驟3.5：計算每個地物類別可變高斯混合模型中的各高斯分量均值之差，若小于給定閾值，則重新設置該地物類別的可變高斯混合模型中最大高斯分量個數，使其等于M-1，其他類別最大高斯分量數保持不變，返回步驟3.1；否則執行步驟3.6；

步驟3.6：停止迭代，得到最終的不同地物類別的可變高斯混合模型。

2.根據權利要求1所述的基于可變高斯混合模型的高分辨率遙感影像監督分割方法，其特征在于，所述監督采樣的規則如下：

若為合成高分辨率影像，則對每種地物類別隨機提取像素的灰度值作為訓練樣本；若為真實高分辨率遙感影像，則對每種地物類別選擇特征地物的像素的灰度值作為訓練樣本。

3.根據權利要求1所述的基于可變高斯混合模型的高分辨率遙感影像監督分割方法，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，高斯分量標準差的上限、高斯分量標準差的下限，具體設置如下：

高斯分量均值的上限為各地物類別的所有訓練樣本均值－3×各地物類別的所有訓練樣本標準差；

高斯分量均值的下限為各地物類別的所有訓練樣本均值+3×各地物類別的所有訓練樣本標準差；

高斯分量標準差的上限為各地物類別的所有訓練樣本標準差×0.3；

高斯分量標準差的下限為各地物類別的所有訓練樣本標準差/0.3。

4.根據權利要求1所述的基于可變高斯混合模型的高分辨率遙感影像監督分割方法，其特征在于，所述步驟4包括如下步驟：

步驟4.1：將灰度測度范圍內的每個像素的灰度值帶入各不同地物類別的可變高斯混合模型，計算其在各個可變高斯混合模型中的概率值；

步驟4.2：對每個像素的灰度值在各可變高斯混合模型中的概率值進行歸一化處理，滿足同一地物類別的各像素的灰度值在各可變高斯混合模型中的概率值之和為1的約束條件；

步驟4.3：在概率測度域內融入空間關系：在高分辨率遙感影像的概率測度矩陣上按設定窗口求其均值作為窗口中心的概率測度值，得到新的概率測度矩陣作為高分辨率遙感影像的目標函數矩陣。

5.根據權利要求4所述的基于可變高斯混合模型的高分辨率遙感影像監督分割方法，其特征在于，所述步驟4.3包括如下步驟：

步驟4.3.1：將灰度測度范圍內的每個像素的灰度值在各個可變高斯混合模型中的概率值與待分割高分辨率遙感影像相應像素對應，得到高分辨率遙感影像的概率測度矩陣；

步驟4.3.2：進行高分辨率遙感影像的概率測度矩陣擴展：若高分辨率遙感影像的概率測度矩陣為n×n矩陣，則擴展后的矩陣為(n+1)×(n+1)矩陣，擴展原則為：取概率測度矩陣的第一列與最后一列分別疊加到原概率測度矩陣的第一列與最后一列；再取疊加后的概率測度矩陣的第一行與最后一行分別疊加到新的概率測度矩陣的第一行與最后一行，實現概率測度矩陣擴展；

步驟4.3.3：融入空間關系：對擴展后的概率測度矩陣取3×3窗口求其均值，將該均值作為窗口中心的概率測度值，得到新的概率測度矩陣作為高分辨率遙感影像的目標函數矩陣，該矩陣記錄待分割高分辨率遙感影像中每個像素的灰度值在所有地物類別中的概率測度。