本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，具體是一種遙感影像中地物類別數(shù)估計(jì)方法及系統(tǒng)。
背景技術(shù)：
：確定圖像類別數(shù)是圖像分割過(guò)程中的重要任務(wù)，目前類別數(shù)估計(jì)方法主要分為兩大類，一類是人為確定類別數(shù)，但該方法不適用于細(xì)節(jié)特征明顯的高分辨率大尺度圖像；另一類是通過(guò)設(shè)計(jì)方法自動(dòng)確定類別數(shù)，目前該類方法都是以同時(shí)完成自動(dòng)確定圖像類別數(shù)和區(qū)域分割為目標(biāo)進(jìn)行設(shè)計(jì)，這種設(shè)計(jì)方法原理較為簡(jiǎn)單，但針對(duì)性較強(qiáng)，不具普適性，此外控制類數(shù)變化的閾值較多，多閾值間相互影響，很難獲得較為理想的估計(jì)結(jié)果，并且需要較大的時(shí)間代價(jià)，很難處理大型數(shù)據(jù)，其實(shí)用性不強(qiáng)。技術(shù)實(shí)現(xiàn)要素：針對(duì)現(xiàn)有技術(shù)存在的不足，本發(fā)明提供一種遙感影像中地物類別數(shù)估計(jì)方法。本發(fā)明的技術(shù)方案是：一種遙感影像中地物類別數(shù)估計(jì)方法，包括：步驟1：讀取待分割遙感影像；步驟2：隨機(jī)給定待分割遙感影像初始地物類別數(shù)，將初始地物類別數(shù)作為聚類數(shù)，利用模糊聚類方法對(duì)待分割遙感影像進(jìn)行分割，得到該類別條件下待分割遙感影像的最佳模糊隸屬度及每個(gè)地物類別對(duì)應(yīng)的最佳模糊聚類中心；步驟3：計(jì)算初始地物類別的信息熵，即針對(duì)每個(gè)初始地物類別計(jì)算隸屬于該初始地物類別的各像素的模糊隸屬度與模糊隸屬度的負(fù)對(duì)數(shù)的乘積之和；步驟4：計(jì)算每個(gè)初始地物類別的信息熵上限，若初始地物類別的信息熵大于信息熵上限，則執(zhí)行步驟5，否則執(zhí)行步驟6；步驟5：分裂操作：將初始地物類別的信息熵大于信息熵上限的初始地物類別分裂為兩個(gè)地物類別，將分裂后的地物類別數(shù)作為新的初始地物類別數(shù)，返回步驟2，重新計(jì)算新的地物類別條件下最佳模糊隸屬度及每個(gè)地物類別的最佳模糊聚類中心；步驟6：計(jì)算不同地物類別對(duì)應(yīng)的最佳模糊聚類中心之間的歐幾里得距離，即兩個(gè)聚類中心差值的平方，用來(lái)描述兩地物類別間的相似程度；若歐幾里得距離小于給定閾值，則執(zhí)行步驟7，否則執(zhí)行步驟8；步驟7：合并操作：將歐幾里得距離小于給定閾值的兩個(gè)地物類別合并為一個(gè)地物類別，將合并后的地物類別數(shù)作為新的初始地物類別數(shù)，返回步驟2，重新計(jì)算新的地物類別條件下最佳模糊隸屬度及每個(gè)地物類別的最佳模糊聚類中心；步驟8：當(dāng)前得到的地物類別數(shù)為待分割遙感影像中地物類別數(shù)估計(jì)結(jié)果，得到的影像分割結(jié)果即為最終分割結(jié)果。所述步驟2包括：步驟2.1：隨機(jī)給出初始聚類數(shù)，即初始地物類別數(shù)，采用基于局部信息熵模糊C均值聚類算法構(gòu)建待分割遙感影像的目標(biāo)函數(shù)，該目標(biāo)函數(shù)參數(shù)包括模糊隸屬度和模糊聚類中心；步驟2.2：對(duì)待分割遙感影像目標(biāo)函數(shù)中的模糊隸屬度及模糊聚類中心求偏導(dǎo)，得到模糊隸屬度及模糊聚類中心的數(shù)值解公式；步驟2.3：通過(guò)最小化目標(biāo)函數(shù)方法確定該初始類別條件下待分割遙感影像的最佳模糊聚類中心和各像素的最佳模糊隸屬度。所述步驟2.3，包括：步驟2.3.1：隨機(jī)初始化模糊隸屬度及模糊聚類中心；步驟2.3.2：根據(jù)初始模糊隸屬度及初始模糊聚類中心計(jì)算初始目標(biāo)函數(shù)值；步驟2.3.3：將初始的模糊隸屬及模糊聚類中心在模糊隸屬度數(shù)值解公式及模糊聚類中心的數(shù)值解公式中循環(huán)迭代，得到新的模糊隸屬度及新的模糊聚類中心，再帶入目標(biāo)函數(shù)進(jìn)而得到新的目標(biāo)函數(shù)；步驟2.3.4：計(jì)算兩次目標(biāo)函數(shù)之差，若差值大于給定閾值，則返回步驟2.3.3繼續(xù)循環(huán)迭代，否則停止迭代，此時(shí)的模糊隸屬度和模糊聚類中心為該類別條件下的最佳模糊隸屬度及最佳模糊聚類中心。一種遙感影像中地物類別數(shù)估計(jì)系統(tǒng)，包括：影像讀取模塊，用于讀取待分割遙感影像；影像分割模塊，用于隨機(jī)給定待分割遙感影像初始地物類別數(shù)，將初始地物類別數(shù)作為聚類數(shù)，利用模糊聚類方法對(duì)待分割遙感影像進(jìn)行影像分割，得到該類別條件下待分割遙感影像的最佳模糊隸屬度及每個(gè)地物類別對(duì)應(yīng)的最佳模糊聚類中心；信息熵計(jì)算模塊，用于計(jì)算初始地物類別的信息熵，即針對(duì)每個(gè)初始地物類別計(jì)算隸屬于該初始地物類別的各像素的模糊隸屬度與模糊隸屬度的負(fù)對(duì)數(shù)的乘積之和；信息熵上限判斷模塊，用于計(jì)算每個(gè)初始地物類別的信息熵上限，若初始地物類別的信息熵大于信息熵上限，則執(zhí)行分裂操作，否則調(diào)用距離計(jì)算模塊；分裂操作模塊，用于進(jìn)行分裂操作：將初始地物類別的信息熵大于信息熵上限的初始地物類別分裂為兩個(gè)地物類別，將分裂后的地物類別數(shù)作為新的初始地物類別數(shù)，返回調(diào)用影像分割模塊，重新計(jì)算新的地物類別條件下最佳模糊隸屬度及每個(gè)地物類別的最佳模糊聚類中心；距離判斷模塊，用于計(jì)算不同地物類別對(duì)應(yīng)的最佳模糊聚類中心之間的歐幾里得距離，即兩個(gè)聚類中心差值的平方，用來(lái)描述兩地物類別間的相似程度；若歐幾里得距離小于給定閾值，則調(diào)用合并操作模塊，否則，調(diào)用估計(jì)結(jié)果輸出模塊；合并操作模塊，用于將歐幾里得距離小于給定閾值的兩個(gè)地物類別合并為一個(gè)地物類別，將合并后的地物類別數(shù)作為新的初始地物類別數(shù)，返回調(diào)用影像分割模塊，重新計(jì)算新的地物類別條件下最佳模糊隸屬度及每個(gè)地物類別的最佳模糊聚類中心；估計(jì)結(jié)果輸出模塊，用于將當(dāng)前得到的地物類別數(shù)作為待分割遙感影像中地物類別數(shù)估計(jì)結(jié)果，當(dāng)前的影像分割結(jié)果作為最終分割結(jié)果輸出。所述影像分割模塊，包括：目標(biāo)函數(shù)構(gòu)建模塊，用于隨機(jī)給出初始聚類數(shù)，即初始地物類別數(shù)，采用基于局部信息熵模糊C均值聚類算法構(gòu)建待分割遙感影像的目標(biāo)函數(shù)，該目標(biāo)函數(shù)參數(shù)包括模糊隸屬度和模糊聚類中心；第一計(jì)算模塊，用于對(duì)待分割遙感影像目標(biāo)函數(shù)中的模糊隸屬度及模糊聚類中心求偏導(dǎo)，得到模糊隸屬度及模糊聚類中心的數(shù)值解公式；第二計(jì)算模塊，用于通過(guò)最小化目標(biāo)函數(shù)方法確定該初始地物類別條件下待分割遙感影像的最佳模糊聚類中心和各像素的最佳模糊隸屬度。所述第二計(jì)算模塊，包括：初始化模塊，用于隨機(jī)初始化模糊隸屬度及模糊聚類中心；第三計(jì)算模塊，用于根據(jù)初始模糊隸屬度及初始模糊聚類中心計(jì)算初始目標(biāo)函數(shù)值；第四計(jì)算模塊，用于將初始的模糊隸屬及模糊聚類中心在模糊隸屬度數(shù)值解公式及模糊聚類中心的數(shù)值解公式中循環(huán)迭代，得到新的模糊隸屬度及新的模糊聚類中心，再帶入目標(biāo)函數(shù)進(jìn)而得到新的目標(biāo)函數(shù)；第五計(jì)算模塊，用于計(jì)算兩次目標(biāo)函數(shù)之差，若差值大于給定閾值，則返回調(diào)用第四計(jì)算模塊繼續(xù)循環(huán)迭代，否則停止迭代，此時(shí)的模糊隸屬度和模糊聚類中心為該類別條件下的最佳模糊隸屬度及最佳模糊聚類中心。有益效果：本發(fā)明定義地物類別的分裂合并條件，進(jìn)而提出一種具有普適性的遙感影像中地物類別數(shù)估計(jì)方法及系統(tǒng)。該方法能夠與大多數(shù)傳統(tǒng)圖像分割方法結(jié)合，進(jìn)而有效估計(jì)遙感影像中地物類別數(shù)?；谛畔㈧睾饬康匚镱悇e內(nèi)信息量的特性，定義地物類別的分裂條件，并利用歐幾里得距離描述不同地物類別間差異性，定義地物類別的合并條件，在分裂操作中能夠分裂聚類算法無(wú)法有效區(qū)分的區(qū)域，進(jìn)而在一定程度上提高分割精度，此外，該方法在分裂操作提供過(guò)分割結(jié)果的基礎(chǔ)上執(zhí)行合并操作，避免循環(huán)迭代，有效提高了運(yùn)行速度。本發(fā)明以現(xiàn)有聚類方法分割結(jié)果為基礎(chǔ)，通過(guò)分裂合并操作修正地物類別數(shù)，使遙感影像實(shí)現(xiàn)正確地物類別數(shù)劃分，是有效解決時(shí)間代價(jià)增強(qiáng)方法實(shí)用性的有效手段。附圖說(shuō)明圖1為本發(fā)明具體實(shí)施方式中遙感影像中地物類別數(shù)估計(jì)方法流程圖；圖2為本發(fā)明具體實(shí)施方式中遙感影像中地物類別數(shù)估計(jì)方法步驟2流程圖；圖3為本發(fā)明具體實(shí)施方式中遙感影像中地物類別數(shù)估計(jì)方法步驟2.3流程圖；圖4為本發(fā)明具體實(shí)施方式中遙感影像中地物類別數(shù)估計(jì)系統(tǒng)框圖；圖5為本發(fā)明具體實(shí)施方式中遙感影像中地物類別數(shù)估計(jì)系統(tǒng)影像分割模塊框圖；圖6為本發(fā)明具體實(shí)施方式中遙感影像中地物類別數(shù)估計(jì)系統(tǒng)第二計(jì)算模塊框圖；圖7為本發(fā)明具體實(shí)施方式中的仿真圖像；圖8為本發(fā)明具體實(shí)施方式中分裂合并操作后仿真圖像的分割結(jié)果變化；其中，(a)初始分割結(jié)果(4類)，(b)分裂結(jié)果(6類)，(c)合并結(jié)果(5類)，(d)合并結(jié)果(4類)，(e)合并結(jié)果(3類)；圖9為本發(fā)明具體實(shí)施方式中對(duì)應(yīng)圖8分割結(jié)果頻率分布圖；其中，(a)為圖8(a)頻率分布，(b)為圖8(b)頻率分布，(c)為圖8(c)頻率分布，(d)為圖8(d)頻率分布，(e)為圖8(e)頻率分布。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式做詳細(xì)說(shuō)明。一種遙感影像中地物類別數(shù)估計(jì)方法，如圖1所示，包括：步驟1：讀取待分割遙感影像；本實(shí)施方式中，給定一幅待分割遙感圖像x＝{xi；i＝1，...，N}，其中，i是像素索引，N是像素個(gè)數(shù)，xi是第i個(gè)像素的強(qiáng)度。待分割遙感影像大小為128×128像素，總像素?cái)?shù)n＝16384。步驟2：隨機(jī)給定待分割遙感影像初始地物類別數(shù)，將初始地物類別數(shù)作為聚類數(shù)，利用模糊聚類方法對(duì)待分割遙感影像進(jìn)行影像分割，得到該類別條件下待分割遙感影像的最佳模糊隸屬度及每個(gè)地物類別對(duì)應(yīng)的最佳模糊聚類中心；本實(shí)施方式中，以局部信息熵模糊C均值聚類方法(Fuzzylocalinformationc-means，F(xiàn)LCM)為例，對(duì)待分割遙感影像進(jìn)行影像分割。如圖2所示，所述步驟2包括：步驟2.1：隨機(jī)給出初始聚類數(shù)，即初始地物類別數(shù)，采用基于局部信息熵模糊C均值聚類算法構(gòu)建待分割遙感影像的目標(biāo)函數(shù)，該目標(biāo)函數(shù)參數(shù)包括模糊隸屬度和模糊聚類中心；目標(biāo)函數(shù)J如下：J=Σi=1NΣj=1c[uijm||xi-vj||2+Gij]---(1)]]>其中，j為地物類別索引，c為初始地物類別數(shù)，uij為模糊隸屬度函數(shù)，表征待分割遙感影像中第i個(gè)像素隸屬于第j個(gè)地物類別的程度，m表示模糊程度，vj是第j個(gè)聚類的聚類中心，xi是待分割遙感影像中第i個(gè)像素的灰度值，||xi-vj||2為第i個(gè)像素與第j個(gè)聚類中心的歐幾里得距離，Gij為模糊因子，定義為：Gij=Σi′∈Nii′≠i1dii′+1(1-ui′j)m||xi′-vj||2---(2)]]>其中，dii表示待分割遙感影像中第i個(gè)像素和其鄰域像素i’的空間距離，ui′j表示待分割遙感影像中第i’個(gè)像素隸屬于第j個(gè)地物類別的程度，xi′是待分割遙感影像中第i’個(gè)像素的灰度值；步驟2.2：對(duì)待分割遙感影像目標(biāo)函數(shù)中的模糊隸屬度及模糊聚類中心求偏導(dǎo)，得到模糊隸屬度及模糊聚類中心的數(shù)值解公式；模糊隸屬度和模糊聚類中心的數(shù)值解公式如下：uij=1Σk=1c(||xi-vj||2+Gij||xi-vk||2+Gik)1m-1---(3)]]>vj=Σi=1N(uij)mxiΣi=1N(uij)m---(4)]]>步驟2.3：通過(guò)最小化目標(biāo)函數(shù)方法確定該初始地物類別條件下待分割遙感影像的最佳模糊聚類中心和各像素的最佳模糊隸屬度。如圖3所示，所述步驟2.3，包括：步驟2.3.1：隨機(jī)初始化模糊隸屬度及模糊聚類中心；步驟2.3.2：根據(jù)初始模糊隸屬度及初始模糊聚類中心計(jì)算初始目標(biāo)函數(shù)值；步驟2.3.3：將初始的模糊隸屬及模糊聚類中心在模糊隸屬度數(shù)值解公式及模糊聚類中心的數(shù)值解公式中循環(huán)迭代，得到新的模糊隸屬度及新的模糊聚類中心，再帶入目標(biāo)函數(shù)進(jìn)而得到新的目標(biāo)函數(shù)；步驟2.3.4：計(jì)算兩次目標(biāo)函數(shù)之差，若差值大于給定閾值，則返回步驟2.3.3繼續(xù)循環(huán)迭代，否則停止迭代，此時(shí)的模糊隸屬度和模糊聚類中心為該類別條件下的最佳模糊隸屬度及最佳模糊聚類中心。步驟3：計(jì)算初始地物類別的信息熵，即針對(duì)每個(gè)初始地物類別計(jì)算隸屬于該初始地物類別的各像素的模糊隸屬度與模糊隸屬度的負(fù)對(duì)數(shù)的乘積之和；信息熵作為一種描述信息量的手段，能夠有效衡量地物類別內(nèi)像素的混亂程度。地物類別內(nèi)像素強(qiáng)度規(guī)律性越強(qiáng)，其信息熵越小，反之，信息熵越大。在該性質(zhì)的基礎(chǔ)上，認(rèn)為信息熵較大的區(qū)域不具有同質(zhì)性，將該區(qū)域進(jìn)行分裂操作，以保證分裂結(jié)果中每個(gè)地物類別只包含一類地物目標(biāo)。第j個(gè)初始地物類別的信息熵公式為：Ej=Σi∈Rj(-uijloguij)---(5)]]>其中，Rj為隸屬于第j個(gè)初始地物類別內(nèi)所有像素的集合；步驟4：計(jì)算每個(gè)初始地物類別的信息熵上限，若初始地物類別的信息熵大于信息熵上限，則執(zhí)行步驟5，否則執(zhí)行步驟6；定義信息熵上限閾值函數(shù)，該函數(shù)參數(shù)包括地物類別數(shù)及控制信息熵作用強(qiáng)度的系數(shù)，公式定義如下：f(c,θe)=-θec×1c×log(1c)c=-θec×log(1c)---(6)]]>其中，c為初始地物類別數(shù)，θe為控制信息熵作用強(qiáng)度的系數(shù)。在本實(shí)施方式中，當(dāng)Ej-f(c，θε)＞0時(shí)，地物類別數(shù)c＝c+1，當(dāng)Ej-f(c，θε)≤0，地物類別數(shù)c不變，直接執(zhí)行步驟6。步驟5：分裂操作：將初始地物類別的信息熵大于信息熵上限的初始地物類別分裂為兩個(gè)地物類別，將分裂后的地物類別數(shù)作為新的初始地物類別數(shù)，返回步驟2，根據(jù)公式(1)～(3)重新計(jì)算新的地物類別條件下最佳模糊隸屬度及每個(gè)地物類別的最佳模糊聚類中心；在本實(shí)施方式中，假設(shè)第j個(gè)初始地物類別被分裂成j+和j-兩個(gè)地物類別，則分裂表達(dá)式為：uj+=δujuj-=(1-δ)uj---(7)]]>其中，δ為隨機(jī)矢量，在公式(7)中作為模糊隸屬度矢量uj的權(quán)值，旨在將第j個(gè)地物類別的模糊隸屬度隨機(jī)分成j+和j-兩個(gè)矢量，其取值范圍為[0，1]，通過(guò)隨機(jī)的方式獲取δ。由于該分裂操作能夠保證每個(gè)地物類別內(nèi)信息熵不超過(guò)信息熵上限閾值，而地物類別內(nèi)像素相似性程度越高，其熵值越小。也就是說(shuō)，上述分裂操作能夠分裂初始分割結(jié)果中無(wú)法有效區(qū)分的地物類別，以保證每個(gè)地物類別內(nèi)只包含一類地物目標(biāo)。因此，可利用該分裂操作獲得一個(gè)過(guò)分割結(jié)果(地物類別內(nèi)只包含一類地物目標(biāo))。步驟6：計(jì)算不同地物類別對(duì)應(yīng)的最佳模糊聚類中心之間的歐幾里得距離，即兩個(gè)聚類中心差值的平方，用來(lái)描述兩地物類別間的相似程度；若歐幾里得距離小于給定閾值θd＝30，則兩個(gè)地物類別相似，執(zhí)行步驟7，否則兩個(gè)地物類別不相似，執(zhí)行步驟8；歐幾里得距離能夠準(zhǔn)確描述兩點(diǎn)間的最短距離，應(yīng)用到圖像處理中，可以用來(lái)描述兩個(gè)地物類別間的差異。假定用地物類別內(nèi)所有像素的均值表征該地物類別，則兩個(gè)地物類別間的歐幾里得距離即為兩個(gè)地物類別像素均值的2范數(shù)。j+和j-兩個(gè)地物類別的歐幾里得距離：dj+j-=||vj+-vj-||2---(8)]]>其中，vj+和vj-分別表示第j+和j-兩個(gè)地物類別對(duì)應(yīng)的聚類中心，||·||2表示2范數(shù)，即歐幾里得距離；步驟7：合并操作：將歐幾里得距離小于給定閾值θd＝30的兩個(gè)地物類別合并為一個(gè)地物類別，將合并后的地物類別數(shù)作為新的初始地物類別數(shù)，返回步驟2，重新計(jì)算新的地物類別條件下最佳模糊隸屬度及每個(gè)地物類別的最佳模糊聚類中心；合并后的地物類別由j索引，則uj=uj++uj----(9)]]>步驟8：當(dāng)前得到的地物類別數(shù)為待分割遙感影像中地物類別數(shù)估計(jì)結(jié)果，得到的影像分割結(jié)果即為最終分割結(jié)果。本實(shí)施方式還提供一種遙感影像中地物類別數(shù)估計(jì)系統(tǒng)，如圖4所示，包括：影像讀取模塊，用于讀取待分割遙感影像；影像分割模塊，用于隨機(jī)給定待分割遙感影像初始地物類別數(shù)，將初始地物類別數(shù)作為聚類數(shù)，利用模糊聚類方法對(duì)待分割遙感影像進(jìn)行影像分割，得到該類別條件下待分割遙感影像的最佳模糊隸屬度及每個(gè)地物類別對(duì)應(yīng)的最佳模糊聚類中心；信息熵計(jì)算模塊，用于計(jì)算初始地物類別的信息熵，即針對(duì)每個(gè)初始地物類別計(jì)算隸屬于該初始地物類別的各像素的模糊隸屬度與模糊隸屬度的負(fù)對(duì)數(shù)的乘積之和；信息熵上限判斷模塊，用于計(jì)算每個(gè)初始地物類別的信息熵上限，若初始地物類別的信息熵大于信息熵上限，則執(zhí)行分裂操作，否則調(diào)用距離計(jì)算模塊；分裂操作模塊，用于進(jìn)行分裂操作：將初始地物類別的信息熵大于信息熵上限的初始地物類別分裂為兩個(gè)地物類別，將分裂后的地物類別數(shù)作為新的初始地物類別數(shù)，返回調(diào)用影像分割模塊，重新計(jì)算新的地物類別條件下最佳模糊隸屬度及每個(gè)地物類別的最佳模糊聚類中心；距離判斷模塊，用于計(jì)算不同地物類別對(duì)應(yīng)的最佳模糊聚類中心之間的歐幾里得距離，即兩個(gè)聚類中心差值的平方，用來(lái)描述兩地物類別間的相似程度；若歐幾里得距離小于給定閾值，則調(diào)用合并操作模塊，否則，調(diào)用估計(jì)結(jié)果輸出模塊；合并操作模塊，用于將歐幾里得距離小于給定閾值的兩個(gè)地物類別合并為一個(gè)地物類別，將合并后的地物類別數(shù)作為新的初始地物類別數(shù)，返回調(diào)用影像分割模塊，重新計(jì)算新的地物類別條件下最佳模糊隸屬度及每個(gè)地物類別的最佳模糊聚類中心；估計(jì)結(jié)果輸出模塊，用于將當(dāng)前得到的地物類別數(shù)作為待分割遙感影像中地物類別數(shù)估計(jì)結(jié)果，當(dāng)前的影像分割結(jié)果作為最終分割結(jié)果輸出。如圖5所示，所述影像分割模塊，包括：目標(biāo)函數(shù)構(gòu)建模塊，用于隨機(jī)給出初始聚類數(shù)，即初始地物類別數(shù)，采用基于局部信息熵模糊C均值聚類算法構(gòu)建待分割遙感影像的目標(biāo)函數(shù)，該目標(biāo)函數(shù)參數(shù)包括模糊隸屬度和模糊聚類中心；第一計(jì)算模塊，用于對(duì)待分割遙感影像目標(biāo)函數(shù)中的模糊隸屬度及模糊聚類中心求偏導(dǎo)，得到模糊隸屬度及模糊聚類中心的數(shù)值解公式；第二計(jì)算模塊，用于通過(guò)最小化目標(biāo)函數(shù)方法確定該初始地物類別條件下待分割遙感影像的最佳模糊聚類中心、各像素的最佳模糊隸屬度。如圖6所示，所述第二計(jì)算模塊，包括：初始化模塊，用于隨機(jī)初始化模糊隸屬度及模糊聚類中心；第三計(jì)算模塊，用于根據(jù)初始模糊隸屬度及初始模糊聚類中心計(jì)算初始目標(biāo)函數(shù)值；第四計(jì)算模塊，用于將初始的模糊隸屬及模糊聚類中心在模糊隸屬度數(shù)值解公式及模糊聚類中心的數(shù)值解公式中循環(huán)迭代，得到新的模糊隸屬度及新的模糊聚類中心，再帶入目標(biāo)函數(shù)進(jìn)而得到新的目標(biāo)函數(shù)；第五計(jì)算模塊，用于計(jì)算兩次目標(biāo)函數(shù)之差，若差值大于給定閾值，則返回調(diào)用第四計(jì)算模塊繼續(xù)循環(huán)迭代，否則停止迭代，此時(shí)的模糊隸屬度和模糊聚類中心為該類別條件下的最佳模糊隸屬度及最佳模糊聚類中心。本發(fā)明在CPU為Core(TM)i5-34703.20GHz、內(nèi)存4GB、Windows7旗艦版系統(tǒng)上使用MATLAB7.12.0軟件編程實(shí)現(xiàn)仿真。為了驗(yàn)證本發(fā)明的有效性，本實(shí)施方式中設(shè)計(jì)一個(gè)如圖7所示的模板圖像，其各區(qū)域裁自不同分辨率的全色遙感圖像，其中區(qū)域I為農(nóng)田，區(qū)域II為河流，區(qū)域III為森林。本實(shí)施方式中，為了更加清楚的展現(xiàn)分裂、合并操作過(guò)程及相關(guān)結(jié)果，如圖8所示，其中(a)為初始分割結(jié)果其中，(a)初始分割結(jié)果(4類)，(b)分裂結(jié)果(6類)，(c)合并結(jié)果(5類)，(d)合并結(jié)果(4類)，(e)合并結(jié)果(3類)。對(duì)應(yīng)的不同地物類別灰度頻率分布曲線如圖9(a)-(e)所示，觀察圖8中(a)～(e)可知，初始分割結(jié)果(a)中區(qū)域II和區(qū)域III中存在大量的誤分像素，通過(guò)本發(fā)明的合并操作(b)～(e)可以實(shí)現(xiàn)正確地物類別數(shù)估計(jì)及改善分割質(zhì)量。觀察圖9中原始分割結(jié)果及分裂合并過(guò)程中對(duì)應(yīng)的灰度分布直方圖可以看出，本發(fā)明通過(guò)對(duì)類別數(shù)的不斷優(yōu)化使類別數(shù)達(dá)到最優(yōu)，驗(yàn)證了提出發(fā)明具有可行性。以上所述，僅為本發(fā)明中最基礎(chǔ)的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何本
技術(shù)領(lǐng)域：
人士在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理解到的替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，例如將該發(fā)明應(yīng)用到特征提取目標(biāo)識(shí)別等其它圖像處理領(lǐng)域，因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書(shū)的保護(hù)范圍為準(zhǔn)。當(dāng)前第1頁(yè)1 2 3