[发明专利]基于模糊化高斯隶属函数的高分辨率遥感影像分割方法

权利要求书

1.一种基于模糊化高斯隶属函数的高分辨率遥感影像分割方法，包括以下步骤：

步骤1：读取待分割的高分辨率遥感影像；

步骤2：对待分割的高分辨率遥感影像中的每个地物类别进行监督采样提取训练样本，计算训练样本中每个像素的灰度值在对应的地物类别中出现的频率值；

步骤3：利用监督采样提取的训练样本及其在对应的地物类别中出现的频率值，在高分辨率遥感影像的灰度测度空间对不同地物类别建立高斯隶属函数模型；

步骤4：在灰度测度范围内，利用高斯隶属函数模型计算各个地物类别所有像素的灰度值的高斯隶属函数值，并对各地物类别中的所有像素的灰度值的高斯隶属函数值进行归一化，使每个地物类别内的各高斯隶属函数值之和为1；

步骤5：高斯隶属函数模型参数模糊化：保持高斯隶属函数模型系数不变，初始化高斯隶属函数均值的调节因子或初始化高斯隶属函数标准差的调节因子，将高斯隶属函数均值或高斯隶属函数标准差模糊化得到区间型高斯隶属函数均值或区间型高斯隶属函数标准差，进而确定模糊化的高斯隶属函数的上边界、下边界；

步骤6：以所有训练样本的高斯隶属函数值及模糊化高斯隶属函数值的上边界、下边界值作为输入，建立用于描述高分辨率遥感影像不同地物类别像素灰度值分布特征的线性神经网络模型，作为高分辨率遥感影像的目标函数，将该模型融入空间关系得到高分辨率遥感影像的目标函数矩阵；

步骤7：按最大隶属度原则划分高分辨率遥感影像的目标函数矩阵，实现高分辨率遥感影像分割；

步骤8：按照设定步长改变步骤5中的调节因子，即改变模糊化隶属函数均值或标准差的上边界、下边界，并重复步骤5至步骤7，对所有分割结果进行比较，取最优分割作为最终结果；

其特征在于，所述步骤6具体步骤如下：

步骤6.1：建立线性神经网络模型的线性函数模型，对原始训练数据利用最小二乘法进行直方图拟合求解各个地物类别目标函数的权重向量及偏移量；

步骤6.2：建立线性神经网络模型的激活函数为分段线性函数，使目标函数满足大于等于零小于等于1的约束；

步骤6.3：将高分辨率遥感影像像素的灰度值输入目标函数，得到模糊隶属度矩阵，在高分辨率遥感影像的模糊隶属度域融入空间关系：对扩展后的高分辨率遥感影像的模糊隶属度矩阵取3×3窗口求均值，将该均值作为3×3窗口中心的隶属度值，得到新的隶属度矩阵作为高分辨率遥感影像的目标函数矩阵。

2.根据权利要求1所述的基于模糊化高斯隶属函数的高分辨率遥感影像分割方法，其特征在于，所述步骤3具体步骤如下：

步骤3.1：设定高斯隶属函数模型参数的初始值及上限、下限；高斯隶属函数模型参数，包括高斯隶属函数系数、高斯隶属函数均值、高斯隶属函数标准差；

步骤3.2：以已知训练样本在对应的地物类别中出现的频率值与对应的高斯隶属函数值的最小误差平方和为标准，设定迭代阈值；

步骤3.3：利用最小二乘法进行地物类别直方图拟合，建立每个地物类别的高斯隶属函数模型，循环迭代求解高斯隶属函数模型参数；

步骤3.4：当训练样本在对应的地物类别中出现的频率值与对应的高斯隶属函数值的误差平方和大于迭代阈值时，将当前的高斯隶属函数模型参数作为初始值重复步骤3.2～步骤3.4，循环迭代至所述误差平方和小于迭代阈值时迭代结束，此时的高斯隶属函数模型参数为最佳高斯隶属函数模型参数，此时的高斯隶属函数模型为最佳高斯隶属函数模型。

3.根据权利要求1所述的基于模糊化高斯隶属函数的高分辨率遥感影像分割方法，其特征在于，所述步骤5具体步骤如下：

步骤5.1：保持高斯隶属函数模型系数不变，初始化高斯隶属函数均值的调节因子或初始化高斯隶属函数标准差的调节因子，将高斯隶属函数均值或高斯隶属函数标准差模糊化得到区间型高斯隶属函数均值或区间型高斯隶属函数标准差；

步骤5.2：根据区间型高斯隶属函数均值或区间型高斯隶属函数标准差，确定模糊化的高斯隶属函数的上边界、下边界。