基于空間引力模型的模糊c均值遙感影像自動分類方法
【專利摘要】一種基于空間引力模型的模糊C均值遙感影像自動分類方法，適用于遙感影像、醫(yī)學(xué)圖像及其他圖像的自動分割與分類時使用。步驟為：確定遙感數(shù)字影像的像元數(shù)，并利用標準FCM模型對圖像進行聚類得到初始化，之后依次求每個像元與其鄰域窗口內(nèi)的其他像元之間的空間引力及空間約束懲罰因子，最終得到模糊因子通過將模糊因子加入標準FCM模型從而得到新的聚類目標函數(shù)，并循環(huán)求模糊矩陣和聚類中心直到聚類中心不再繼續(xù)變化或運算達到最大迭代次數(shù)，然后利用最終求得的模糊隸屬度矩陣U＝{uki}c×N，采用最大化隸屬度矩陣準則對遙感影像的每個像元點進行類別標記確定每個像元所述的類別，形成遙感影像分類專題圖，從而實現(xiàn)遙感數(shù)字影像的自動分類。其方法簡單、自動化程度高、受圖像噪聲影響小、圖像分割分類準確性高。
【專利說明】基于空間引力模型的模糊C均值遙感影像自動分類方法
[0001] 技術(shù)鄰域
[0002] 本發(fā)明涉及一種遙感影像自動分類方法，尤其適用于遙感影像、醫(yī)學(xué)圖像及其他 圖像的自動分割與分類中使用的基于空間引力模型的模糊C均值遙感影像自動分類方法。

【背景技術(shù)】
[0003] 遙感數(shù)據(jù)分類是從遙感數(shù)據(jù)中提取專題類別數(shù)據(jù)的一個重要技術(shù)，為各行業(yè)信息 提取提供了豐富的數(shù)據(jù)來源。目前的分類方法主要分為監(jiān)督分類和非監(jiān)督分類方法，與監(jiān) 督分類方法相比，非監(jiān)督分類方法可以不需要先驗知識即可從遙感數(shù)據(jù)中提取信息，因此， 非監(jiān)督分類方法在遙感數(shù)據(jù)分類中具有非常重要的地位。
[0004] 現(xiàn)有的非監(jiān)督分類方法主要有 IS0DATA，KNN，K-means，Markov random field(MRF) 和模糊C-均值聚類算法（FCM)等方法。其中，F(xiàn)CM是一種基于原型的聚類算法，具有簡單、 高效、數(shù)據(jù)適應(yīng)性強等特點，而且與硬分類方法相比較，F(xiàn)CM能得到每個像元屬于每個類別 的隸屬度，可以盡可能多地保留圖像的信息，更適合用來表示具有大量混合像元的遙感影 像。標準FCM算法是由Dune提出，后由Bezdek所推廣，是一種迭代最優(yōu)化方法。但是，標 準FCM聚類過程中沒有考慮相鄰像元間的影響，在分割信噪比較低的圖像時會產(chǎn)生很大的 誤差。為了克服標準FCM算法對噪聲高度敏感這一問題，很多研究人員在標準的FCM模型目 標函數(shù)中加入了圖像的空間約束，提出了許多改進的FCM聚類算法，如FCM_S，F(xiàn)CM_S1，F(xiàn)CM_ S2, BCFCM，GG-FCM，EnFCM，F(xiàn)GFCM等。這些改進算法在一定程度上提高了標準FCM的性能， 然而這些方法的效果受窗口大小、尺度因子等參數(shù)的影響非常嚴重，而且這些參數(shù)的選擇 具有很大的不確定性，因此這些算法的通用性有待于進一步驗證。目前，出現(xiàn)了一種模糊局 部信息C均值聚類算法FLICM，采用的局部約束可以同時將局部空間信息和像素特征集成 在一起，并且不需要額外參數(shù)即可進行計算。然而，當(dāng)圖像噪聲較大時，F(xiàn)LICM算法的分割 準確性仍然較低，主要原因是因為FLICM中只是簡單考慮了中心像元與鄰域像元的空間距 離及鄰域像元的隸屬度值，而沒有考慮中心像元的隸屬度值，而且所提出的模糊因子計算 方法沒有任何物理意義。在FLICM的分割分類結(jié)果中存在區(qū)域邊緣過平滑，并丟失了大量 的細節(jié)信息。因此，急需一種既保留了邊緣細節(jié)信息，又考慮了局部空間信息的高效FCM算 法。


【發(fā)明內(nèi)容】

[0005] 技術(shù)問題：本發(fā)明的主要目的是克服已有技術(shù)中的不足之處，提供一種方法簡單、 自動化程度高、受圖像噪聲影響小、圖像分割分類準確性高的基于空間引力模型的模糊C 均值遙感影像自動分類方法。
[0006] 技術(shù)方案：為實現(xiàn)上述發(fā)明目的，本發(fā)明的基于空間引力模型的模糊C均值遙感 影像自動分類方法，包括以下步驟
[0007] 步驟1 :獲取待分類的遙感數(shù)字影像，根據(jù)圖像尺寸和波段數(shù)獲取遙感數(shù)字影像 的像元個數(shù)，根據(jù)實際分類需要確定遙感數(shù)字影像的聚類類別個數(shù)c和模糊指數(shù)m，并利用 標準的FCM模型對遙感數(shù)字影像進行聚類得到初始化模糊隸屬度矩陣％ = {ukihXN和聚類 中心 V0 = {vk}c ;
[0008] 步驟2 :設(shè)定鄰域窗口大小，根據(jù)設(shè)定的鄰域窗口大小確定遙感數(shù)字影像中將遙 感數(shù)字影像中每個像元作為中心像元的鄰域窗口內(nèi)的像元，通過公式

【權(quán)利要求】
1. 一種基于空間引力模型的模糊C均值遙感影像自動分類方法，其特征在于包含以下 步驟： 步驟1 :獲取待分類的遙感數(shù)字影像，根據(jù)圖像尺寸和波段數(shù)獲取遙感數(shù)字影像的像 元個數(shù)，根據(jù)實際分類需要確定遙感數(shù)字影像的聚類類別個數(shù)C和模糊指數(shù)m，并利用標準 的FCM模型對遙感數(shù)字影像進行聚類得到初始化模糊隸屬度矩陣％ = {ukihXN和聚類中心 V〇 = {vk} c ； 步驟2 :設(shè)定鄰域窗口大小，根據(jù)設(shè)定的鄰域窗口大小確定遙感數(shù)字影像中將遙感數(shù) 字影像中每個像元作為中心像元的鄰域窗口內(nèi)的像元，通過公式
計算 遙感數(shù)字影像中每個像元和其所屬鄰域窗口內(nèi)其它像元之間的空間引力NAm 其中，G為常數(shù)，用來表示調(diào)節(jié)空間約束對聚類目標函數(shù)的貢獻，一般設(shè)G= l，uki表示 鄰域窗口中心像元Xi屬于第k個類別的隸屬度，ukj表示鄰域窗口內(nèi)的第j個像元χ」屬于 第k個類別的隸屬度，Ru表示像元 Xi與像元\之間的歐式空間距離； 步驟3 :利用遙感數(shù)字影像中每個像元與其所屬鄰域窗口內(nèi)的其它像元之間的空間引 力NAU，通過公式
得到遙感數(shù)字影像中像元之間的空間約束懲罰因 子 wij， 其中，表示鄰域窗口內(nèi)的第j個像元\對中心像元Xi的影響權(quán)重，隊表示中心像元 Xi的鄰域窗口內(nèi)的像元，NAU為步驟2中計算得到的圖像中每個像元Xi與將像元Xi作為中 心像元的鄰域窗口內(nèi)的其余像元&之間的空間引力，I Xi-x」表示像元Xi與將像元Xi作為 中心像元的鄰域窗口內(nèi)的像元 Χ?之間的灰度值之差； 步驟4 :通過公另
得到模糊因子〇?；；， 步驟5 :通過公式
將模糊因子g加入到標準FCM模型， 得到聚類目標函數(shù)4， 其中，N為待分類遙感數(shù)字影像的像元個數(shù)，c為分類遙感數(shù)字影像的聚類個數(shù)，<表 示待分類遙感數(shù)字影像中第i的像元屬于第k類的隸屬度，m為待分類遙感數(shù)字影像的模 糊指數(shù)，Xi表示待分類遙感數(shù)字影像的第i個像元，v k為待分類遙感數(shù)字影像第k類的中 心點； 結(jié)合步驟1中得到的初始模糊矩陣％和聚類中心％，利用公式
計算待分類 遙感影像新的聚類中心 <，計為<，表示當(dāng)前得到的新的聚類中心； 再利用公式 計算待分類遙感影像新的隸屬度矩陣 計為
liki， W，表示當(dāng)前得到的新的模糊矩陣；此時V廣1為通過初始的聚類中心％獲得，表示<前一 次得到的聚類中心；為通過初始的模糊矩陣U(1獲得，表示d前一次得到的模糊矩陣； 步驟6 :判斷聚類中心<是否繼續(xù)變化或運算達到最大迭代次數(shù)，設(shè)定迭代停止閾值 ε = le-5為一小正數(shù)，將待分類遙感數(shù)字影像求得的第t個聚類中心< 與第t-Ι個聚類 中心vl"進行比較，若滿足t <"或b > T兩者之一的條件，則迭代結(jié)束，所述b 初始值為〇, T為100,否則，設(shè)定b = b+1，用當(dāng)前得到的模糊矩陣4和聚類中心<分別替 代初始模糊矩陣％和聚類中心％，并設(shè)定為和乂"1，返回到步驟2,重復(fù)執(zhí)行步驟2?步 驟6,直至滿足=丨IK f，或b > T兩者之一的條件； 步驟7 :利用最終得到的模糊隸屬度矩陣U = {ukihXN，根據(jù)如下公式確定每個像元Xi 所屬類別，即對于每個像元Xi，其所屬類別Ci為隸屬度uki中最大的那個類別； Q = argk {max (uki)}，k = 1，2, 3, ...，c 步驟8 :根據(jù)每個像元Xi所屬類別Ci將不同的聚類類別賦予不同的顏色，形成遙感影 像分類專題圖，從而實現(xiàn)遙感數(shù)字影像的自動分類。
【文檔編號】G06K9/46GK104123561SQ201410325747
【公開日】2014年10月29日 申請日期:2014年7月10日 優(yōu)先權(quán)日:2014年7月10日
【發(fā)明者】張華 , 鄭南山 申請人:中國礦業(yè)大學(xué)