[发明专利]一种结合邻域信息与距离权重的非参贝叶斯过分割方法

权利要求书

1.一种结合邻域信息与距离权重的非参贝叶斯过分割方法，其特征是：该方法包括如下步骤：

首先采集待测区域的全色遥感影像，进行局部直方图特征提取，获得以每个像素i为中心，以一定尺寸的窗口提取的直方图h_i作为特征；然后根据所述直方图特征运用采样的方式进行图像聚类，获得过分割体；

其中所述直方图的横轴为该图像中所有像素的像素值组成的序列；纵轴为一定尺寸的窗口中各个像素值出现的次数；

最后运用采样的方式，对所述全色遥感影像进行图像聚类，获得全色遥感影像过分割体，包括：

运用第一公式，计算参数向量θ_i的似然项F(h_i|θ_i)；

所述第一公式为：

其中，θ_ij是每个像素i直方图特征中每个横坐标值j出现的概率；h_ij为一定尺寸的窗口生成的直方图中各个像素值出现的次数；N_counts为每个直方图横坐标中记录的数据值的个数；N_bins为直方图横坐标分组的数目；Z_M(h_i)为与θ_ij无关的归一化函数；

采用第二公式，计算参数向量θ_i的先验项G₀(θ_i|βπ)；

所述第二公式为：

其中，β为正的尺度因子参数，π是一个N_bins维的概率向量；Z_D(βπ_j)为与θ_ij无关的归一化函数，Γ()为伽马函数符号，其满足Γ(x+1)＝xΓ(x+1)，

采用第三公式，计算每个像素与周边邻域存在的类的聚类中心的距离：

其中，k＝1…,Nc,x_i、y_i为每个像素的横纵坐标值，x_k、y_k为每个类聚类中心的横纵坐标值，Nc为聚类的总数量；

采用第四公式计算，每个类各自的后验概率；

由于

再由于：

所述第四公式为：

其中，Nc为邻域中存在的类别个数；

l为Nc中已存在的某个聚类类别，q_il为第i个像素被分类为第l个聚类的概率值；

q₀新的聚类的概率；

α为一个小于1的尺度参数，控制每个像素采样得到新类别的概率大小；

G₀为狄里克雷过程的基测度；

Ω₀为基测度G₀所在的有限定义域；

q_ik为第i个像素采样到第k个聚类的概率；

M为马尔科夫随机场的交互项函数；

П为马尔科夫随机场的分布；

F_d为距离度量函数；

F_h为直方图度量函数；

L_i为第i个像素所在位置；

L_k为第k个聚类中心所在位置；

P_ik为第k个聚类的概率值计算结果；

为求解聚类过程中，从狄里克雷过程中采样得到的多项式分布的参数；

图像中除去第i个像素类别以外，第k个类的总个数；

在第k个类别中在直方图h_k中第j个像素值发生的概率；

Z_M为与参数β、π，以及观测向量h_i均无关的多项式配分函数,用于简化函数形式，用于计算得到新类的概率值；

Z_D为与参数β、π，以及观测向量h_i均无关的狄里克雷过程配分函数，用于简化函数形式，用于计算得到新类的概率值；

h_i为第i个图像周围8邻域像素构成的像素值个数统计向量，向量长度为256，分别代表0～255像素值，若某个像素值在8邻域中出现，则对应位置个数增加1。