基于隐马尔可夫高斯随机场模型的模糊聚类高分辨率遥感影像分割算法

基于隐马尔可夫高斯随机场模型的模糊聚类高分辨率遥感影像

分割算法

赵雪梅;李玉;赵泉华

【摘要】本文利用隐马尔可夫随机场和高斯模型分别建立标号场和特征场的邻域关系，提出了基于隐马尔可夫高斯随机场模型的模糊聚类分割算法。该算法用隐马尔可夫随机场模型定义先验概率，并将该先验概率作为尺度控制因子引入到KL （Kullback-Lerbler）信息中，在目标函数的定义中，KL信息作为规则化项，其系数表示算法的模糊程度。在基于高斯模型的后验概率中，像素相关性被定义在空间和谱间，并用该概率的负对数值表征像素点到聚类中心的非相似性测度。通过对合成遥感影像和高分辨率遥感影像进行分割实验，证明了算法的有效性和普适性。%We establish neighbor relationships on both label field and feature field,and proposed an algorithm called the hidden Markov Gaussian random field fuzzy c-means(HMGRF-FCM) algorithm.In this algorithm,Markov theory is used to define a prior distribution which is introduced to the KL(Kullback-Lerbler) information and acts as a variable which controls the cluster size.KL information is used as a regularization item in the objective function and its coefficients can express the fuzziness of the algorithm.Besides,the posterior distribution is defined by Gaussian model which contains not only neighbor relationships in spatial space but also that in spectral space.Negative log posterior distribution function can express the dissimi-larity between pixels and the cluster center,so it is defined as the dissimilarity measure.The algorithm is described in d-dimen-sional case,so we do some segmentation experiments on 3-

dimensional synthetic remote sensing image,3-dimensional high res-olution IKONOS pan-sharpen images,and 4-dimensional SPOT-5 images to prove its accuracy and universality.

【期刊名称】《电子学报》

【年(卷),期】2016(044)003

【总页数】8页(P679-686)

【关键词】遥感影像分割;隐马尔可夫随机场;高斯模型;模糊C均值算法

【作者】赵雪梅;李玉;赵泉华

【作者单位】辽宁工程技术大学测绘与地理科学学院遥感科学与应用研究院，辽宁阜新123000;辽宁工程技术大学测绘与地理科学学院遥感科学与应用研究院，辽宁阜新123000;辽宁工程技术大学测绘与地理科学学院遥感科学与应用研究院，辽宁阜新123000

【正文语种】中文

【中图分类】TP751

随着遥感器技术的不断发展，遥感影像分辨率日益提高，但随之而来的是影像噪声的大量增加[1].此外，遥感影像还存在同谱异物现象[2,3]，导致遥感影像分割的不确定性.处理这些不确定性最常用的方法是模糊聚类法，而模糊C均值(Fuzzy C-Means,FCM)算法是其中最常用的算法之一[4～6].但是FCM算法[7]只考虑到像素本身对分割的影响，对噪声和异常值敏感.

文献[8]提出一种校正FCM(Bias-Corrected FCM,BCFCM)算法.该算法将邻域像素作用引入目标函数，并给予一定的权值，使之与中心像素加权平均，进而使邻域像

素和中心像素共同作用于影像分割.但是该算法的每次迭代都要重复计算邻域像素

信息，因此算法运行速度较慢.为了提高算法运行速度，文献[9]提出增强

FCM(Enhanced FCM,EnFCM)算法.EnFCM算法首先计算邻域像素值的均值，而

后与中心像素值加权平均，并用该平均值取代原中心像素值以生成新线性权和影像.再利用新生成的影像进行分割，从而有效解决了重复计算邻域信息的问题.此外，

分割过程在灰度级上进行，而非逐像素完成，对于灰度影像，灰度级数远远小于像素数，因此进一步提高了算法的运行速度.在EnFCM算法生成新的线性权和影像时，邻域的权重相同，并未区分邻域像素在距离上的差异.实际上，距离中心像素

越近的邻域像素对中心像素的影响越大.为此，文献[10]提出快速全局FCM(Fast Generalized FCM,FGFCM)算法，该算法同时利用空间和光谱信息定义非相似性

测度，并将该测度作为邻域像素的权值生成一幅新影像，而后对该影像进行分割.

该算法仍采用定义在灰度级上的目标函数，以实现算法的快速收敛.上述算法中对

原影像的加权平均操作，相当于对原影像的平滑滤波，丢失了大量的影像细节信息.文献[11]提出了模糊局部信息(Fuzzy Local Information C-Means,FLICM)聚类算法.该算法利用空间和光谱信息定义一个模糊变量用以控制影像噪声与细节的平衡，且不对原影像进行任何平滑计算，因此能有效提高算法分割精度.

上述算法均采用指数加权的方式表示其模糊程度，而指数加权没有明确的物理解释[12].文献[13]以算术加权的方式将信息熵引入FCM算法目标函数中，提出熵

FCM(Entropy FCM,EFCM)算法.但是该算法对聚类尺度较为敏感，只适用于聚类

尺度接近的影像分割，而当影像聚类尺度差异较大时，易出现误分现象.文献[14]

提出KL信息FCM(Kullback-Lerbler information FCM,KLFCM)算法，该算法用KL信息代替信息熵，有效解决了EFCM算法对聚类尺度敏感问题.在KLFCM算法基础上，文献[12]提出了隐马尔可夫随机场FCM(HMRF-FCM)算法.该算法利用隐马尔可夫随机场理论，在标号场上建立标号间的邻域关系，增强了邻域像素与中心