基于可能性中心點(diǎn)聚類的多光譜遙感影像混合像元分解方法
【專利摘要】本發(fā)明屬于遙感圖像處理【技術(shù)領(lǐng)域】，具體為一種基于可能性中心點(diǎn)聚類的多光譜遙感影像混合像元分解方法。本發(fā)明根據(jù)可能性理論和中心點(diǎn)聚類方法的基本原理，構(gòu)建可能性C中心點(diǎn)聚類方法的代價(jià)函數(shù)式和可能性隸屬度函數(shù)，運(yùn)用啟發(fā)式算法對(duì)離散的解空間進(jìn)行搜索，通過迭代運(yùn)算更新聚類中心及可能性隸屬度矩陣，獲得最終的光譜端元和組分比例，即地表覆被的蓋度。本方法不僅對(duì)噪聲和孤立點(diǎn)數(shù)據(jù)有良好的魯棒性，而且可有效處理重疊聚類問題，在聚類間彼此距離較近時(shí)也能準(zhǔn)確地識(shí)別聚類中心，因此，可以在噪聲環(huán)境下獲得高精度的地表覆被蓋度和端元光譜信息。本發(fā)明在采用多光譜遙感影像進(jìn)行高精度地物分類、目標(biāo)檢測方面具有重要的應(yīng)用價(jià)值。
【專利說明】基于可能性中心點(diǎn)聚類的多光譜遙感影像混合像元分解方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于遙感圖像處理【技術(shù)領(lǐng)域】，具體涉及一種基于可能性中心點(diǎn)聚類的從多光譜遙感影像中準(zhǔn)確提取地表覆被蓋度的混合像元分解新方法。
【背景技術(shù)】
[0002]高精度的遙感解譯信息是各類地學(xué)空間分析和過程演化研究的重要數(shù)據(jù)源，如何從遙感數(shù)據(jù)中獲取高精度的解譯信息是遙感研究和應(yīng)用中的基本問題。遙感影像像元記錄的是探測系統(tǒng)的瞬時(shí)視場角所對(duì)應(yīng)的地面范圍內(nèi)目標(biāo)的輻射能量總和[I]。如果瞬時(shí)視場(IFOV)僅包含同一類性質(zhì)的目標(biāo)，則該像元記錄的是同一性質(zhì)地面目標(biāo)的輻射能量的總和，這樣的像元稱為純像元；如果IFOV中包含不止一種土地覆蓋類型或要素，則該像元記錄的是多類不同性質(zhì)的地面目標(biāo)的輻射能量總和，這樣的像元稱為混合像元。遙感影像通常是由純像元和混合像元組合而成，其組合程度取決于IFOV和地面特征的空間復(fù)雜性。在通常情況下，將每個(gè)混合像元賦予單一地表覆蓋類型的硬分類方法往往會(huì)發(fā)生誤分類，并且由于該方法易于忽視小尺寸地物、無法準(zhǔn)確識(shí)別地類邊界，因而難以提供較為精確的地表覆蓋信息。與傳統(tǒng)的硬分類方法相比，混合像元分解方法可以預(yù)測得到遙感影像中每一像元內(nèi)不同組分端元的蓋度信息，從而有效降低遙感影像的分類誤差和不確定性，提高地表覆蓋目標(biāo)的識(shí)別精度。因此，混合像元分解已成為遙感影像解譯與定量研究中的重要方向之一。
[0003]現(xiàn)有的混合像元分類技術(shù)，如光譜混合模型[2]、模糊分類[3]、人工神經(jīng)網(wǎng)絡(luò)
[4]、支持向量機(jī)[5]等不斷涌現(xiàn)，它們通過建立不同的模型對(duì)每一像元內(nèi)的地表覆蓋類型信息進(jìn)行解混以預(yù)測該像元內(nèi)各類型組分的比例。在這些分類方法中，光譜混合模型和模糊分類方法由于被集成于各種遙感圖像處理軟件中而得到了廣泛地應(yīng)用。光譜混合分析使用線性混合模型，假設(shè)圖像中的光譜變異是由有限個(gè)地表覆蓋類型的混合所引起的，即地面上被觀測到的區(qū)域光譜響應(yīng)模式是區(qū)域內(nèi)各種地表覆蓋類型組分(也稱端元組分)的光譜信號(hào)的線性混合。線性光譜混合模型沒有考慮某些諸如多光譜反射的因素，這種反射會(huì)導(dǎo)致光譜混合過程中復(fù)雜的非線性過程。也就是說，從像元中觀測到的光譜信號(hào)可能包括來自各種端元組分光譜信號(hào)的混合物，但同時(shí)可能也包括地物要素間額外的多時(shí)反射信號(hào)，例如，植被和土壤之間的多次交叉反射、散射作用等。對(duì)于這種情況就需要應(yīng)用非線性光譜混合模型[6]。
[0004]模糊分類方法通過計(jì)算每個(gè)像元屬于各光譜端元的隸屬度值來獲取每一端元組分在像元內(nèi)所占的比例，并要求像元中的所有可能端元組分之和必須為I。在各種模糊分類方法中，模糊C均值(FCM)算法作為一種模糊非監(jiān)督分類法被較多地應(yīng)用于遙感影像的混合像元分類。根據(jù)FCM算法的約束條件[3]，其計(jì)算得到的模糊隸屬度值無法準(zhǔn)確表示數(shù)據(jù)點(diǎn)對(duì)聚類中心的歸屬度(belonging)和兼容度(compatibility),而是代表它在類別間的共享(sharing)程度，并且對(duì)于噪聲較多的數(shù)據(jù)集，該算法的分類效果較差。為了克服FCM算法的缺陷，Krishnapuram和Keller [7]在可信度及可能性理論[8] [9]的基礎(chǔ)上,通過構(gòu)建可能性隸屬度函數(shù)和目標(biāo)函數(shù)，提出了可能性C均值(PCM)聚類法，由該法所得的可能性隸屬度值能很好反映數(shù)據(jù)點(diǎn)對(duì)聚類中心的歸屬度和兼容度，并對(duì)噪聲和孤立點(diǎn)數(shù)據(jù)具有一定的魯棒性。但是，PCM對(duì)于聚類中心的初值十分敏感，并且在聚類間彼此距離較近、出現(xiàn)一定程度重疊時(shí)，該算法往往會(huì)收斂于相同的聚類中心。為了避免產(chǎn)生一致的聚類中心，出現(xiàn)了一些改進(jìn)的PCM算法，然而相關(guān)實(shí)驗(yàn)表明，這些方法并不能很好地解決這一問題[10]
[11][12]。因此，上述方法都有成功應(yīng)用的一面，但由于這些算法本身存在的固有缺陷，其分類精度和效率與實(shí)際應(yīng)用要求仍存在一定差距。

【發(fā)明內(nèi)容】

[0005]為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提出一種多光譜遙感影像混合像元分解方法，本發(fā)明可以在噪聲環(huán)境下獲得高精度的地表覆被分類結(jié)果和端元光譜信息，為遙感影像混合像元分解提供了一種有效的新方法。
[0006]本發(fā)明根據(jù)可能性理論和中心點(diǎn)聚類方法的基本原理，構(gòu)建可能性C中心點(diǎn)聚類(PCRMDD)方法的代價(jià)函數(shù)和可能性隸屬度函數(shù)；為提高算法的效率，運(yùn)用啟發(fā)式算法對(duì)離散的解空間進(jìn)行搜索，通過迭代運(yùn)算更新聚類中心及可能性隸屬度矩陣，將代價(jià)函數(shù)達(dá)到最小值時(shí)的聚類中心和隸屬度歸一化結(jié)果作為光譜端元和組分比例。由該方法所得的可能性隸屬度值能很好反映數(shù)據(jù)點(diǎn)對(duì)聚類中心的歸屬度(belonging)和匹配度(compatibility)，并對(duì)噪聲和孤立點(diǎn)數(shù)據(jù)有良好的魯棒性。此外，本發(fā)明由于可以有效處理重疊聚類問題，在聚類間彼此距離較近時(shí)也能準(zhǔn)確地識(shí)別聚類中心，其分類結(jié)果則能正確地反映數(shù)據(jù)集的聚類結(jié)構(gòu)，本發(fā)明提出的遙感影像混合像元分解方法，基本內(nèi)容如下:
[0007]1.初始聚類中心的提取
[0008]首先利用減法聚類法(Subtractive Clustering)獲取初始聚類中心。其核心思想是根據(jù)各個(gè)數(shù)據(jù)點(diǎn)周圍的數(shù)據(jù)點(diǎn)密度來計(jì)算該點(diǎn)作為聚類中心的可能性，被選為聚類中心的數(shù)據(jù)點(diǎn)具有最高的密度值，并通過修正所有數(shù)據(jù)點(diǎn)的密度值，排除聚類中心附近一定范圍內(nèi)的其他點(diǎn)作為聚類中心的可能，再以剩下的數(shù)據(jù)點(diǎn)重復(fù)這一過程，直到所有剩余數(shù)據(jù)點(diǎn)的密度值小于某一閾值或滿足終止準(zhǔn)則為止[13]。減法聚類法是一種簡單而高效的單次(one-pass)算法，由該算法得到的聚類估計(jì)可用于初始化那些基于重復(fù)優(yōu)化過程的聚類方法，其具體步驟如下:
[0009]考慮M維空間的η個(gè)數(shù)據(jù)點(diǎn)(Xl，χ2，…，χη)，并假定所有數(shù)據(jù)點(diǎn)已歸一化到一個(gè)單位超立方體中。該法將每個(gè)數(shù)據(jù)點(diǎn)作為聚類中心的候選者，并構(gòu)造一個(gè)山峰函數(shù)來表示各數(shù)據(jù)點(diǎn)一定鄰域以內(nèi)數(shù)據(jù)點(diǎn)的密集程度，數(shù)據(jù)點(diǎn)Xi處的密度指標(biāo)，即山峰函數(shù)的高度定義為:
【權(quán)利要求】
1.一種基于可能性中心點(diǎn)聚類的多光譜遙感影像混合像元分解方法，其特征在于，根據(jù)可能性理論和中心點(diǎn)聚類方法的基本原理，構(gòu)建可能性中心點(diǎn)聚類方法的代價(jià)函數(shù)式和可能性隸屬度函數(shù)，運(yùn)用啟發(fā)式算法對(duì)離散的解空間進(jìn)行搜索，通過迭代運(yùn)算更新聚類中心及可能性隸屬度矩陣，將代價(jià)函數(shù)達(dá)到最小值時(shí)的聚類中心和隸屬度歸一化結(jié)果作為光譜端元和組分比例，即各類地表覆被的蓋度；具體步驟包括: 1)確定聚類個(gè)數(shù)C、模糊加權(quán)指數(shù)m和最大迭代次數(shù)max_iter，運(yùn)用減法聚類法從數(shù)據(jù)集X中選擇C個(gè)初始聚類中心V = Iv1, V2,…，V。},將迭代次數(shù)iter設(shè)為O ;
2)對(duì)所有數(shù)據(jù)對(duì)象計(jì)算
2.按權(quán)利要求1所述的多光譜遙感影像混合像元分解方法，其特征在于，在迭代運(yùn)算中，對(duì)應(yīng)于前s個(gè)的s個(gè)數(shù)據(jù)對(duì)象，通過取s = 80% Xn，求取目標(biāo)函數(shù)的最小值來獲得算法的 最優(yōu)解。
【文檔編號(hào)】G06T7/00GK104008376SQ201410245727
【公開日】2014年8月27日 申請(qǐng)日期:2014年6月5日 優(yōu)先權(quán)日:2014年6月5日
【發(fā)明者】戴曉燕, 馬蔚純, 張 浩 申請(qǐng)人:復(fù)旦大學(xué)