[發明專利]一種遙感圖像分割方法

在審

• 申請號: 201710874773.6
• 申請日: 2017-09-25
• 公開（公告）號: CN107492102A
• 公開（公告）日: 2017-12-19
• 發明（設計）人: 任大勇;賈振紅
• 申請（專利權）人: 新疆大學
• 主分類號: G06T7/10
• 分類號: G06T7/10
• 代理公司: 北京鼎佳達知識產權代理事務所(普通合伙)11348
• 代理人: 王偉鋒,劉鐵生

技術領域

本發明涉及圖像處理技術領域，具體的說涉及一種結合空間鄰域信息與模糊c-均值算法的遙感圖像分割方法。

背景技術

模糊C均值(Fuzzy C-means)算法簡稱FCM算法，是一種基于目標函數的模糊聚類算法，主要用于數據的聚類分析，理論成熟，應用廣泛，是一種優秀的聚類算法。在遙感圖像分割中某些像素分類具有不確定性和隨機性，FCM聚類算法對處理這種不確定性和隨機性有很大的優勢，但作為一種無監督的分類方法，FCM聚類算法具有很大的缺點，存在噪聲敏感性的問題。

發明內容

鑒于以上所述的技術問題，本發明實施例提供了一種遙感圖像分割方法，解決現有技術采用FCM算法存在噪聲敏感性的問題，在保留了相應的圖像細節的前提下，提高了算法整體迭代的效率。

本發明實施例提供了一種遙感圖像分割方法，其包括：

獲得圖像中連續的空間鄰域信息；

確定空間鄰域信息影響因子β；

將空間鄰域信息、空間淋浴信息影響因子整合FCM算法的目標函數中，以此重建目標函數；

利用重建后的目標函數進行迭代計算；

調整空間鄰域信息影響因子β，直至達到預設條件迭代過程收斂；

獲得所需的分割圖像。

優選地，空間鄰域信息函數表示為

重建后的目標函數表示為

其中：距離函數：

隸屬度函數：

聚類中心向量：

其中：

dkj為第k個樣本到第j個類屬的距離，dik為第i個樣本到第k個類屬的距離；

ujk為第j個樣本對第k個類屬的隸屬度，其中0<＝uik<＝1,uik為第i個樣本對第k個類屬的隸屬度；

xj為第j個樣本；

vi為第i個類屬；

i是從1到樣本點總個數里的任意數；

j是從1到類屬點總個數里的任意數；

c是與類屬相關的常數；

A為歐式距離；

m是無量綱常數；

n為樣本的總個數；

T為矩陣運算中的轉置符號。

優選地，所述初始化算法中的不同參數值可選擇如下：m＝2，ε＝1×10-5，c＝2。

優選地，空間鄰域信息影響因子β的初始值根據噪聲級別的不同進行賦值。

本發明實施例提供的一種遙感圖像分割方法，顯著抑制了FCM算法的噪聲敏感性問題，在保留了相應的圖像細節的前提下，提高了算法整體迭代的效率，在遙感圖像分割問題中噪聲敏感性低，且迭代次數減少。

附圖說明

從下面結合附圖對本發明的具體實施方式的描述中可以更好地理解本發明，其中：

通過閱讀以下參照附圖對非限制性實施例所作的詳細描述，本發明的其它特征、目的和優點將會變得更明顯,其中，相同或相似的附圖標記表示相同或相似的特征。

圖1是不同級別的噪聲對應的β值選擇參考表。

具體實施方式

下面將詳細描述本發明的各個方面的特征和示例性實施例。在下面的詳細描述中，提出了許多具體細節，以便提供對本發明的全面理解。但是，對于本領域技術人員來說很明顯的是，本發明可以在不需要這些具體細節中的一些細節的情況下實施。下面對實施例的描述僅僅是為了通過示出本發明的示例來提供對本發明的更好的理解。本發明決不限于下面所提出的任何具體配置和算法，而是在不脫離本發明的精神的前提下覆蓋了元素、部件和算法的任何修改、替換和改進。在附圖和下面的描述中，沒有示出公知的結構和技術，以便避免對本發明造成不必要的模糊。

現在將參考附圖更全面地描述示例實施方式。然而，示例實施方式能夠以多種形式實施，且不應被理解為限于在此闡述的實施方式；相反，提供這些實施方式使得本發明更全面和完整，并將示例實施方式的構思全面地傳達給本領域的技術人員。在圖中，為了清晰，可能夸大了區域和層的厚度。在圖中相同的附圖標記表示相同或類似的結構，因而將省略它們的詳細描述。

此外，所描述的特征、結構或特性可以以任何合適的方式結合在一個或更多實施例中。在下面的描述中，提供許多具體細節從而給出對本發明的實施例的充分理解。然而，本領域技術人員將意識到，可以實踐本發明的技術方案而沒有所述特定細節中的一個或更多，或者可以采用其它的方法、組元、材料等。在其它情況下，不詳細示出或描述公知結構、材料或者操作以避免模糊本發明的主要技術創意。

本發明實施例提供一種遙感圖像分割方法，其包括：