本發(fā)明涉及圖像分割領域，尤其涉及一種基于最優(yōu)模糊因子選擇的可變類遙感圖像分割方法。

背景技術：
：

圖像分割是圖像處理的重要步驟之一，其關鍵問題在于如何準確確定圖像類別數及有效分割同質區(qū)域。大多數現有的圖像分割算法需人為給出恰當的類別數，其中應用較為廣泛的為FCM及其改進算算法。遙感圖像由于覆蓋范圍廣、地物類型復雜，人為確定圖像類別數較為困難。因此，實現圖像的可變類分割具有重要意義。目前，實現可變類圖像分割的方法主要有統(tǒng)計方法和聚類方法，相對于統(tǒng)計方法，基于聚類原理的可變類圖像分割方法眾多，且應用較為廣泛。其中經典的聚類方法有迭代自組織數據分析技術方法(ISODATA)，但是該方法抗噪性能較差。可見，現有的分割方法均不能實現圖像的準確分割。

技術實現要素：
：

針對現有技術的缺陷，本發(fā)明提供一種基于最優(yōu)模糊因子選擇的可變類遙感圖像分割方法。

本發(fā)明的技術方案是：

基于最優(yōu)模糊因子選擇的可變類遙感圖像分割方法，包括以下步驟：

步驟1：讀取待分割的遙感圖像，測量待分割遙感圖像中每個像素的光譜測度矢量，將待分割遙感圖像表示為各個像素的光譜測度矢量的集合；

步驟2：確定待分割遙感圖像的最優(yōu)同質區(qū)域類別數；

步驟2.1：初始化參數：模糊因子初始值γ⁽⁰⁾＝1，迭代次數t＝0，模糊因子最大值為M，模糊因子的變化步長為Δγ；

步驟2.2：對待分割的遙感圖像進行自組織分割；

步驟2.3：歸一化第t+1次迭代后待分割遙感圖像中各個像素的光譜測度矢量屬于各聚類的隸屬度，并計算第t+1次迭代后的劃分熵指數；

步驟2.4：計算第t+1次迭代后的不同聚類中心的個數即待分割的遙感圖像中同質區(qū)域類別數；

步驟2.5：迭代判定：當第t+1次迭代的模糊因子值大于模糊因子最大值M時，停止迭代，進入步驟2.6，所述第t+1次迭代的模糊因子值為第t次迭代產生的模糊因子γ^(t)與模糊因子變化步長Δγ之和；否則，令t＝t+1，，返回步驟2.2；

步驟2.6：以第t+1次迭代產生的劃分熵指數為縱軸、以第t+1次迭代產生的模糊因子為橫軸做劃分熵指數隨模糊因子變化的曲線，以第t+1次迭代產生的不同的聚類中心個數即同質區(qū)域類別數為縱軸，以第t+1次迭代產生的模糊因子為橫軸做同質區(qū)域類別數隨模糊因子變化的曲線；

步驟2.7：通過步驟2.6所得的曲線，選擇劃分熵指數達到穩(wěn)態(tài)時對應的最小的模糊因子γ作為最優(yōu)模糊因子γ^*，最優(yōu)模糊因子γ^*對應的不同的聚類中心個數作為最優(yōu)同質區(qū)域類別數c*，完成待分割圖像的類別數確定；

步驟3：通過反模糊化c*個聚類中心找到待分割遙感圖像中每個像素光譜測度矢量的所屬同質區(qū)域類別，得到待分割遙感圖像的分割結果。

所述步驟2.2包括：

步驟2.2.1：設置內循環(huán)迭代指示器l，并初始化為0；

步驟2.2.2：將待分割圖像的所有光譜測度矢量作為初始聚類中心；

步驟2.2.3：計算第l+1次迭代后第i個像素點的光譜測度矢量屬于第j個聚類的隸屬度||x_i-z_j^(l)||為待分割遙感圖像中第i個像素的光譜測度矢量x_i與第l次迭代后第j個聚類的聚類中心之間的歐氏距離，待分割遙感圖像中各像素的光譜測度矢量的方差其中為待分割遙感圖像中各像素的光譜測度矢量的均值；

步驟2.2.4：計算第l+1次迭代后的聚類中心

步驟2.2.5：重復步驟2.2.1～2.2.4，直到當max||z_j^(l+1)-z_j^(l)||＜ε時停止，ε表示判定閾值，否則更新迭代次數l，l＝l+1，并進入步驟2.2.3。

由上述技術方案可知，本發(fā)明的提出的基于最優(yōu)模糊因子選擇的可變類遙感圖像分割方法，采用劃分熵(Partition Entropy，PE)指數作為優(yōu)選模糊因子的指標，當對待分割遙感圖像的模糊因子小于最優(yōu)模糊因子時，PE指數值較大；當對待分割遙感圖像的模糊因子恰好等于最優(yōu)模糊因子時，PE指數會跳變到一個較小的值；隨著模糊因子的進一步增多，PE指數值逐漸趨于穩(wěn)定。因此，選擇PE指數收斂時所對應的最小模糊因子為最優(yōu)模糊因子，在最優(yōu)模糊因子時對應的類別數為最優(yōu)類別數。以最優(yōu)化模糊因子來確定最優(yōu)類別數，實現了自動確定遙感圖像中同質區(qū)域的類別數，可獲得較好的分割結果。通過實驗本發(fā)明和ISODATA方法的合成圖像分割結果進行定量精度評價本發(fā)明各個精度指標均大于ISODATA方法，且最小精度指標值為98.1％。

附圖說明：

圖1為本發(fā)明具體實施方式中基于最優(yōu)模糊因子選擇的可變類遙感圖像分割方法流程圖；

圖2為本發(fā)明具體實施方式中步驟2具體流程圖；

圖3為本發(fā)明具體實施方式中步驟2.2具體流程圖；

圖4為本發(fā)明具體實施方式中以數據點為例的同質區(qū)域類別數和模糊因子的關系，其中(a)為實驗中隨機生成的300個數據點；(b)為模糊因子γ＝1的實驗得到同質區(qū)域類別數c＝1的結果；(c)為模糊因子γ＝5的實驗得到同質區(qū)域類別數c＝3的結果；(d)為模糊因子γ＝50的實驗得到同質區(qū)域類別數c＝28的結果；

圖5為本發(fā)明具體實施方式中對圖4(a)中的數據點實驗得到劃分熵指數和同質區(qū)域類別數分別隨模糊因子變化的曲線，其中，(a)為PE隨γ變化的曲線，(b)為c隨γ變化的曲線；

圖6為本發(fā)明具體實施方式中利用最優(yōu)模糊因子下最優(yōu)同質區(qū)域類別數進行圖像分割的實驗結果；

圖7為本發(fā)明具體實施例中的合成圖像，其中，(a)為合成圖像模板，(b)為合成圖像；

圖8為本發(fā)明具體實施例中對圖7(b)實驗得到的劃分熵指數和同質區(qū)域類別數分別隨模糊因子變化的曲線；

圖9為本發(fā)明具體實施方式中利用本發(fā)明方法和ISODATA方法對圖7(b)的分割結果；

圖10(a)～(b)分別為本發(fā)明具體實施例中應用的兩幅真實遙感圖像；

圖11為本發(fā)明具體實施方式中對真實遙感圖像實驗得到的劃分熵指數和同質區(qū)域類別數分別隨模糊因子變化的曲線，其中，(a)與(c)分別為本發(fā)明方法對圖10(a)實驗得到的劃分熵指數和同質區(qū)域類別數分別隨模糊因子變化的曲線，(b)與(d)分別為本發(fā)明方法對圖10(b)實驗得到的劃分熵指數和同質區(qū)域類別數分別隨模糊因子變化的曲線；

圖12為本發(fā)明具體實施方式中應用本發(fā)明方法和ISODATA方法對真是遙感圖像的分割結果，其中，(a)與(b)分別為本發(fā)明方法對圖10(a)與圖10(b)的分割結果，(c)與(d)分別為ISODATA方法對圖10(a)與圖10(b)的分割結果。

具體實施方式

下面結合附圖和實施例，對本發(fā)明的具體實施方式作進一步詳細描述。以下實施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。

基于最優(yōu)模糊因子選擇的可變類遙感圖像分割方法，如圖1所示，包括以下步驟：

步驟1：讀取待分割的遙感圖像，測量待分割遙感圖像中每個像素的光譜測度矢量，將待分割遙感圖像表示為各個像素的光譜測度矢量的集合；

本實施方式中，定義待分割的遙感圖像X＝{x_i，i＝1，...，n}，其中，i為像素索引，n為像素數，x_i＝(x_i1，...，x_id)為像素i的光譜測度矢量，d為波段數。

步驟2：確定待分割遙感圖像的最優(yōu)同質區(qū)域類別數；

如圖2所示，步驟2包括：

步驟2.1：初始化參數：模糊因子初始值γ⁽⁰⁾＝1，迭代次數t＝0，模糊因子最大值為M，模糊因子的變化步長為Δγ；

步驟2.2：對待分割的遙感圖像進行自組織分割；

如圖3所示，所述步驟2.2包括：

步驟2.2.1：設置內循環(huán)迭代指示器l，并初始化為0；

步驟2.2.2：將待分割遙感圖像的所有光譜測度矢量作為初始聚類中心；本實施方式中，z＝{z_j，j＝1，...，c}為聚類中心集合，其中，j為聚類索引，c為同質區(qū)域類別數，z_j＝(z_j1，...，z_jd)為第j個聚類中心矢量。

步驟2.2.3：計算第l+1次迭代后第i個像素點的光譜測度矢量屬于第j個聚類的隸屬度||x_i-z_j^(l)||為待分割遙感圖像中第i個像素的光譜測度矢量x_i與第l次迭代后第j個聚類的聚類中心之間的歐氏距離，待分割遙感圖像中各像素的光譜測度矢量的方差其中為待分割遙感圖像中各像素的光譜測度矢量的均值；

步驟2.2.4：計算第l+1次迭代后的聚類中心

本實施方式中，U＝[μ_ij]_n×c表達X的模糊分割，為了得到最優(yōu)模糊分割，定義如下目標函數，

其中，γ(＞0)是模糊因子，表征模糊程度。J(z)描述所有像素的光譜測度矢量對所有同質區(qū)域類別的隸屬度指數之和。為實現最優(yōu)分割，需最大化目標函數。

目標函數對z_j求偏導，

令其為零時求得z_j，

即

步驟2.2.5：重復步驟2.2.1～2.2.4，直到當max||z_j^(l+1)-z_j^(l)||＜ε時停止，ε表示判定閾值，否則更新迭代次數l，l＝l+1，并進入步驟2.2.3。

步驟2.3：歸一化第t+1次迭代后待分割遙感圖像中各個像素的光譜測度矢量屬于各聚類的隸屬度，并計算第t+1次迭代后的劃分熵指數PE^(l+1)；

本實施方式中，首先將μ_ij歸一化為μ_ij′，并使μ_ij′滿足

PE指數定義為：

步驟2.4：計算第t+1次迭代后的不同聚類中心的個數即待分割的遙感圖像中同質區(qū)域類別數c^(l+1)；

步驟2.5：迭代判定：當第t+1次迭代的模糊因子值大于模糊因子最大值M時，停止迭代，得到PE⁽¹⁾...PE^(t+1)和c⁽¹⁾...c^(t+1)，進入步驟2.6，所述第t+1次迭代的模糊因子值γ^(t+1)為第t次迭代產生的模糊因子γ^(t)與模糊因子變化步長Δγ之和；否則，令t＝t+1，，返回步驟2.2；

步驟2.6：以第t+1次迭代產生的劃分熵指數PE⁽¹⁾……PE^(l+1)為縱軸、以第t+1次迭代產生的模糊因子γ⁽¹⁾……γ^(t+1)為橫軸做劃分熵指數隨模糊因子變化的曲線，以第t+1次迭代產生的不同的聚類中心個數即同質區(qū)域類別數c⁽¹⁾……c^(l+1)為縱軸，以第t+1次迭代產生的模糊因子γ⁽¹⁾……γ^(t+1)為橫軸做同質區(qū)域類別數隨模糊因子變化的曲線；

步驟2.7：通過步驟2.6所得的曲線，選擇劃分熵指數達到穩(wěn)態(tài)時對應的最小的模糊因子γ作為最優(yōu)模糊因子γ^*，最優(yōu)模糊因子γ^*對應的不同的聚類中心個數作為最優(yōu)同質區(qū)域類別數c*，完成待分割圖像的類別數確定；

在本實施方式中，PE的穩(wěn)定性可由連續(xù)記錄δ次γ對應的PE值{PE^(γ)，...，PE^(γ+δ)}判斷，即，如果(max{PE^(γ)，...，PE^(γ+δ)}-min{PE^(γ)，...，PE^(γ+δ)})/max{PE^(γ)，...，PE^(γ+δ)}＜ε，則認為PE收斂，其中，δ和ε為預先指定常數。進一步，則有γ*＝arg min{PE^(γ)，...，PE^(γ+δ)}。

步驟3：通過反模糊化c*個聚類中心找到待分割遙感圖像中每個像素光譜測度矢量的所屬同質區(qū)域類別，得到待分割遙感圖像的分割結果。

為驗證本發(fā)明的有效性，本發(fā)明在CPU為Core(TM)i5-3470 3.20GHz、內存4GB、Windows 7旗艦版系統(tǒng)上使用MATLAB R2014b軟件編程實現仿真，并通過以下實驗檢驗本發(fā)明的分割精度。

圖4為本發(fā)明實施方式中以數據點為例說明同質區(qū)域類別數和模糊因子的關系，其中(a)為實驗中隨機生成的300個數據點；(b)為設置模糊因子γ＝1的實驗，得到同質區(qū)域類別數c＝1的結果；(c)為設置模糊因子γ＝5的實驗，得到同質區(qū)域類別數c＝3的結果；(d)為設置模糊因子γ＝50的實驗，得到同質區(qū)域類別數c＝28的結果，圖4(a)、(b)、(c)、(d)中橫坐標x與縱坐標y代表生成數據點的橫軸坐標。由圖4可知，當模糊因子γ越小時得到的同質區(qū)域類別數c越少，當模糊因子γ越大時得到的同質區(qū)域類別數c越多。

圖5為本發(fā)明具體實施方式中對圖4(a)中的數據點實驗得到劃分熵指數和同質區(qū)域類別數分別隨模糊因子變化的曲線；其中，(a)為劃分熵指數隨模糊因子變化的曲線，(b)為同質區(qū)域類別數隨模糊因子變化的曲線。由圖5可知，本發(fā)明得到的最優(yōu)模糊因子γ*＝5，γ*＝5對應的最優(yōu)類別數c*＝3，符合實際同質區(qū)域類別數。本發(fā)明實現了數據點的自動確定類別數。

圖6為本發(fā)明具體實施方式中利用最優(yōu)模糊因子γ*＝5下最優(yōu)類別數c*＝3進行圖像分割的實驗結果，由圖6可知，本發(fā)明的分割結果較好。

圖7為本發(fā)明具體實施方式中的合成圖像，其中，(a)為合成圖像模板，(b)為合成圖像；其中，(a)中I～V代表不同的同質區(qū)域；(b)為以(a)為模板分別截取草地、林地、綠地、海水和裸地5類合成的圖像。

圖8為本發(fā)明具體實施方式中對圖7(b)實驗得到的劃分熵指數和同質區(qū)域類別數分別隨模糊因子變化的曲線；其中(a)和(b)分別為對圖7(b)實驗得到的劃分熵指數和同質區(qū)域類別數分別隨模糊因子變化的曲線，通過曲線可以看出，合成圖像最優(yōu)模糊因子γ*＝13，相應的最優(yōu)同質區(qū)域類別數c*＝5，符合實際同質區(qū)域類別數。

圖9為本發(fā)明具體實施方式中利用本發(fā)明方法和ISODATA方法對圖7(b)的分割結果；其中，(a)和(b)分別為利用本發(fā)明方法和ISODATA方法對圖7(b)實驗的分割結果；由圖可知，本發(fā)明方法和ISODATA方法均能正確確定同質區(qū)域類別數，但本發(fā)明分割結果較好，而ISODATA方法分割結果有很多被誤分區(qū)域，且噪聲較多。

為了驗證本發(fā)明的有效性，對本發(fā)明和ISODATA方法的合成圖像分割結果進行定量精度評價，以圖7(a)合成圖像模板中各同質區(qū)域為標準計算混淆矩陣，并根據混淆矩陣進一步計算產品精度、用戶精度、總精度和kappa值。精度計算結果如表1所示，可以看出，本發(fā)明各個精度指標均大于ISODATA方法，且最小精度指標值為98.1％。

表1：ISODATA聚類方法和本發(fā)明方法分割結果進行定量評價

圖10(a)～(b)分別為本發(fā)明具體實施例中對應用的兩幅遙真實感圖像；

圖11為本發(fā)明具體實施例中對真實遙感圖像實驗得到的劃分熵指數和類別數分別隨模糊因子變化的曲線，其中，(a)與(c)分別為本發(fā)明方法對圖10(a)實驗得到的劃分熵指數和類別數分別隨模糊因子變化的曲線，(b)與(d)分別為本發(fā)明方法對圖10(b)實驗得到的劃分熵指數和類別數分別隨模糊因子變化的曲線；由圖可以看出，兩幅真實遙感圖像最優(yōu)模糊因子分別為γ*＝8、13，相應的最優(yōu)類別數c*＝3、5。本發(fā)明對兩幅真實遙感圖像均實現了自動確定類別數。

圖12為本發(fā)明具體實施例中應用本發(fā)明方法和ISODATA方法對真實遙感圖像的分割結果，其中，(a)與(b)分別為本發(fā)明方法對圖10(a)與圖10(b)的分割結果，(c)與(d)分別為ISODATA方法對圖10(a)與圖10(b)的分割結果。由圖可以看出，本發(fā)明在正確確定類別數的基礎上，對各同質區(qū)域分割效果均較好，而IOSDATA方法不能克服噪聲影響，分割結果較差。

本發(fā)明提供的基于最優(yōu)模糊因子選擇的可變類遙感圖像分割方法，采用劃分熵(Partition Entropy，PE)指數作為優(yōu)選模糊因子的指標，當對待分割遙感圖像的模糊因子小于最優(yōu)模糊因子時，PE指數值較大；當對待分割遙感圖像的模糊因子恰好等于最優(yōu)模糊因子時，PE指數會跳變到一個較小的值；隨著模糊因子的進一步增多，PE指數值逐漸趨于穩(wěn)定。因此，選擇PE指數收斂時所對應的最小模糊因子為最優(yōu)模糊因子，在最優(yōu)模糊因子時對應的類別數為最優(yōu)類別數。以最優(yōu)化模糊因子來確定最優(yōu)類別數，實現了自動確定遙感圖像的類別數，可獲得較好的分割結果。通過與ISODATA方法進行對比進一步說明了本發(fā)明的可行性和有效性。

最后應說明的是：以上各實施例僅用以說明本發(fā)明的技術方案，而非對其限制；盡管參照前述各實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發(fā)明權利要求所限定的范圍。