[发明专利]一种基于树结构的自适应权重k-means算法分割遥感图像的方法

权利要求书

1.一种基于树结构的自适应权重k-means算法分割遥感图像的方法，其特征在于，将自适应权重二分类k-means算法嵌入树结构框架下，采用均值-方差之间的关系迭代优化学习分割门限，实现当前层的样本标记；在二分类方法下，逐层标记遥感图像像素；最后利用树结构的剪枝技术，修剪部分叶节点，实现遥感图像自动分割，具体步骤如下：

S1、读取图像，设定种子的更新次数t，计算图像像素的均值作为种子；

S2、根据计算的种子，计算图像像素与种子的距离dis和标准方差STd；

S3、计算第t次迭代的门限值Th_t，对dis进行判决，小于等于门限值Th_t的样本即像素标记为左叶节点样本集合，其余像素标记为右节点；

S4、对叶节点内的样本进行计算，并分配相应的权值，并根据权值和左叶节点内样本更新种子；

S5、对更新后的种子与跟新前种子比较，同时判断迭代次数是否达到设定的更新次数t；

S6、若更新前后种子有差异，未达到更新次数t，返回步骤S2；若更新前后的种子无差异，或者更新次数达到设定值t，则种子作为左叶节点的数据集的聚类中心，并执行步骤S7；

S7、对右节点内的样本执行步骤S2-S6，直至标记样本为最佳次左节点为止；

S8、对新的右节点，迭代优化并进行标记，直至遥感图像的所有像素标记完成；

S9、根据聚类中心的离散度，对树结构叶节点进行剪枝处理，产生自适应聚类数的树结构聚类中心，分割图像像素。

2.根据权利要求1所述的基于树结构的自适应权重k-means算法分割遥感图像的方法，其特征在于，所述步骤S3的具体包括：

S31、采用公式(1)计算第t次迭代的门限值；

Th_t＝α*STd_t (1)

式(1)中Th_t为门限值，a为一可调参数。

3.根据权利要求1所述的基于树结构的自适应权重k-means算法分割遥感图像的方法，其特征在于，所述步骤S4的具体步骤为：

S41、对小于门限值Th_t的遥感图像像素分配标签归类，记第t次迭代划分的样本集合为左叶节点Set_t,i，利用公式(2)：

计算集合Set_t,i内每个样本对聚类中心的贡献度w；

S42、利用公式(2)对叶节点内的样本计算、分配相应的权值，并根据权值和左叶节点内样本由公式(3)更新种子：

4.根据权利要求3所述的基于树结构的自适应权重k-means算法分割遥感图像的方法，其特征在于，所述步骤S1中，当设定种子的更新次数t1时，以公式(3)的计算结果作为种子。

5.根据权利要求1所述的基于树结构的自适应权重k-means算法分割遥感图像的方法，其特征在于，所述步骤S9中的剪枝处理具体包括：首先对树结构叶节点的聚类中心按照升序或降序排序，同时，每个节点的样本标准差与排序结果一一对应，计算排序后的相邻聚类中心之间的差距，移除聚类中心差距和标准差同时凹陷数据对应的叶节点；移除部分节点后，由叶节点的聚类中心重新对样本分配标签，即完成遥感图像自适应类数的分割。