[发明专利]基于IFCM聚类与变分推断的遥感影像分类方法

说明书

本发明公开了一种基于IFCM聚类与变分推断的遥感影像分类方法，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算法对遥感影像进行聚类，得到第二聚类中心和第二分割影像区域；S3：采用空间像素模板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；S5：对遥感影像的图斑分类结果进行评价。通过本发明对遥感影像进行分类，实现了影像中地物类别的准确分类；本发明中分类的总体精度达到93％。

技术领域

本发明涉及遥感影像分类领域，特别涉及基于IFCM聚类与变分推断的遥感影像分类方法。

背景技术

遥感影像土地覆盖信息提取和分类一直受到学者的广泛关注和研究。遥感影像分类方法分为基于像素的分类、面向对象的分类、利用智能优化算法的分类、多尺度分类、分层分类及单像素与光谱特征结合的分类等。然而，这些分类算法都存在不足：基于像素的分类容易产生“椒盐效应”；面向对象的分类存在误分现象；智能优化算法由于算法设计本身的缺陷，难以取得良好的分类结果；多尺度分类中，尺度选择问题需要进行大量的实验来获取，成本较高。

常用的分类器有神经网络、决策树、极限学习机、SVM等。其中SVM在处理小样本、高维数据情况下具有较好的分类性能，受到国内外学者的青睐，被广泛应用在遥感影像处理方面。针对高分辨率遥感影像地物复杂，光谱混叠的特点以ReliefF_mRMR算法进行特征选择，并结合SVM进行分类的方法计算量较大。随着多核学习的研究发展，多核SVM被应用到遥感影像分类中。高光谱影像的多核SVM分类方法，以多个核函数组合的MKSVM方式实现对高光谱影像的分类，分类精度大大提高，但该方法只是依靠单个分类器实现分类，其分类器分类性能和泛化能力还有待进一步提高。

近年，监督分类和无监督分类被广泛应用在机器学习领域。其中，无监督分类由于不需要训练样本，节省人力物力并可取得最优实验结果。FCM(Fuzzy C-means，模糊C均值)算法是无监督聚类最常用的方法之一。然而，由于空间分辨率有限，地面物质的复杂性，扰动或光谱变化的多样性，传统的FCM算法往往产生含有椒盐噪声的聚类地图。研究人员将局部空间信息纳入常规FCM中以提高聚类性能。Robust FCM算法通过包含一个空间惩罚项来扩展传统的FCM算法。FCM_S算法的时间复杂度太高，为了降低FCM_S算法的计算复杂度，出现了两个变种FCM_S1算法和FCM_S2算法，用于简化邻域项的计算。为了进一步加速聚类过程，开发了增强型FCM算法和快速广义FCM算法。上述算法的中心像素的识别受其邻近像素的影响很大，封装在本地窗口中的局部信息利用也不够充分，导致分类精度不佳。

MRF(Markov Random Filed，马尔科夫随机场)模型作为描述数据相互作用关系的一种数学方法，在影像数据上下文关系建模中得到了广泛应用。在像素光谱信息的基础上，引入高分影像中目标的几何结构信息和空间上下文信息进行高分影像分类已经成为研究人员的一个共识。综合MRF模型所描述的空间上下文信息和影像数据光谱特性及派生的几何结构信息，采用贝叶斯决策的方法进行统计分类成为高分影像分类的一个有效方法。但现有的MRF模型对不同的地物采用相同的特征向量进行描述，忽略了特征向量在不同类别之间的差异。

在模型参数选择方面应用广泛的推断方法，即是在概率图模型中计算未观测变量(变量集)的后验分布；但现有技术中，很难求得后验分布的精确解，从而无法精确判断遥感影像的主题分类概率。

发明内容

针对现有技术中聚类算法稳定性差、遥感影像分类精度低的问题，本发明提出基于IFCM聚类与变分推断的遥感影像分类方法，用于提高遥感影像的分类精度。

为了实现上述目的，本发明提供以下技术方案：

本发明提供一种基于IFCM聚类与变分推断的遥感影像分类方法，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；