[发明专利]基于IFCM聚类与变分推断的遥感影像分类方法

权利要求书

1.基于IFCM聚类与变分推断的遥感影像分类方法，其特征在于，包括以下步骤：

S1：计算遥感影像的第一聚类中心和第一分割影像区域；

S2：采用IFCM算法对第一聚类中心和第一分割影像区域进行聚类，得到第二聚类中心和第二分割影像区域；

所述IFCM算法的表达式为：

公式(1)中，J表示IFCM算法的目标函数，N表示像素总个数，i表示像素，k表示第一聚类中心，c表示第一聚类中心的总个数，表示像素i对于第一聚类中心k的隶属度，m表示模糊指数，d(i,k)表示像素i与第一聚类中心k的空间距离，表示自适应参数，d(i,r)表示像素i与像素r的空间距离，其中，

公式(2)、(3)、(4)中，

d(i,k)表示像素i与聚类中心k的空间距离；

d(i,r)表示像素i与像素r的空间距离；

P表示权重值，描述对象内部同质度与对象间相关性的比重；

S_i表示像素i所在影像区域R_i的标准差值；

A_i表示像素i所在影像区域R_i的区域面积；

|i-k|表示像素i与第一聚类中心k的欧式距离；

I_a表示像素i与第一聚类中心k的相关性，I_a变大，则相关性变小；

N_r表示像素r所在影像区域R_r中像素的总个数；

SA_ir(k)表示像素i的邻域像素r对第k个聚类中心的空间吸引力；

表示像素r对于第一聚类中心k的隶属度；

S3：采用空间像素模板遍历第二分割影像区域，从而提取遥感影像的像素特征；

S4：基于贝叶斯变分推断法实现遥感影像的图斑分类；

S4-1：采用KL散度定义分布概率和分近似分布概率的接近程度：

公式(6)中，p(θ)表示第二聚类中心的分布概率，q(θ)表示第二聚类中心的近似分布概率，θ表示隐变量；

S4-2：计算第二聚类中心的近似分布概率：

公式(7)中，L表示期望运算，θ_d表示d波段遥感影像的第二聚类中心分布，z_d表示d波段遥感影像中特征向量的分布，γ_d表示θ_d的变分参数，表示z_d的变分参数,q表示指数族分布，表示d波段遥感影像的第n个像素特征向量的概率分布，α，β为超参数；

S4-3：根据第二聚类中心的近似分布概率进行遥感影像的图斑分类；

S5：对遥感影像的图斑分类结果进行评价。

2.如权利要求1所述的基于IFCM聚类与变分推断的遥感影像分类方法，其特征在于，所述S1包括以下步骤：

S1-1：采用遗传算法对遥感影像进行聚类分析，得到初始化的聚类中心；

S1-2：采用FCM算法对遥感影像进行第一聚类，得到第一聚类中心以及相对应的第一分割影像区域。

3.如权利要求1所述的基于IFCM聚类与变分推断的遥感影像分类方法，其特征在于，所述S2中包括以下步骤：

S2-1：构建IFCM算法；

S2-2：采用构建IFCM算法对遥感影像进行第二聚类，得到第二聚类中心和第二分割影像区域。

4.如权利要求1所述的基于IFCM聚类与变分推断的遥感影像分类方法，其特征在于，所述S3包括以下步骤：

S3-1：确定最终空间像素模板；

S3-2：采用最终的空间像素模板提取遥感影像的像素特征。

5.如权利要求4所述的基于IFCM聚类与变分推断的遥感影像分类方法，其特征在于，所述最终空间像素模板的确定按照以下公式：

公式(5)中，表示间像素模板内离中心像素最近的像素与中心像素的方差，表示空间像素模板内像素特征灰度级差值向量的方差，遥感影像的总体方差。