[发明专利]基于II型模糊粗糙模型的遥感影像特征离散化方法及装置

说明书

本发明提供了一种基于II型模糊粗糙模型的遥感影像特征离散化方法及装置，该方法包括：获取目标遥感图像数据，从目标遥感图像数据中提取混合像元，各混合像元分别包含多种地物类型的光谱响应特征；根据混合像元确定各混合像元对应各地物类型的主隶属度；根据主隶属度计算各混合像元归属于各地物类型的次隶属度；根据主隶属度和次隶属度，确定各地物类型的II型模糊粗糙集；对目标遥感图像数据进行特征离散化处理，得到最优离散化结果。本发明实施例以混合像元对应的主隶属度和次隶属度描述遥感影像特征离散化过程中的模糊成分，以主隶属度模糊离散化过程，并以次隶属度将主隶属度进一步模糊化，准确量化混合像元的不确定性，获得精确离散化结果。

技术领域

本发明涉及遥感影像特征提取领域，具体涉及一种基于II型模糊粗糙模型的遥感影像特征离散化方法及装置。

背景技术

遥感作为一种先进的技术手段，已经广泛应用于经济和社会发展的各个领域。空间分辨率、时间分辨率、光谱分辨率以及辐射分辨率的逐渐提高，使得遥感数据具有明显的大数据特征。由于地物要素空间分布的多样性，穿插性和复杂性，遥感图像中每个像元的光谱信号记录着不同的土地覆盖类型，这些像元称为混合像元。特征离散化作为一种最有影响力的数据预处理技术在广泛应用于工业控制的知识发现和数据挖掘领域扮演着重要角色。它能够将连续特征转换成更接近知识层表示的离散特征，使得数据更易于理解，使用和解释，从而提升遥感数据处理的效率和适应那些需要离散型数据作为输入的学习算法。在相关技术中，为实现遥感影像特征离散化，遥感影像的特征离散化算法通常基于一个样本仅属于单一类别的假设，无法描述混合像元引起的不确定性。或者为了简化II型模糊集合的运算，将混合像元的次隶属度定义为常量。尽管模糊粗糙模型通过引入像元对各类别的隶属度来量化不确定性信息，但是混合像元的分解模型存在较大的误差，造成与数据的分布信息不服，无法准确的描述数据的不确定性，造成数据精度的下降。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的特征离散化算法无法准确量化和评估混合像元引起的不确定性的缺陷，从而提供一种基于II型模糊粗糙模型的遥感影像特征离散化方法及装置。

根据第一方面，本发明实施例提供了一种基于II型模糊粗糙模型的遥感影像特征离散化方法，包括以下步骤：获取目标遥感图像数据，从目标遥感图像数据中提取混合像元，各混合像元分别包含多种地物类型的光谱响应特征；根据混合像元确定各混合像元对应各地物类型的主隶属度；根据主隶属度计算各混合像元归属于各地物类型的次隶属度；根据主隶属度和次隶属度，确定各地物类型的II型模糊粗糙集；对目标遥感图像数据进行特征离散化处理，得到最优离散化结果。

可选地，根据混合像元确定各混合像元对应各地物类型的主隶属度，包括：迭代计算预设模糊分割矩阵的模糊均值矢量和模糊协方差矩阵，预设模糊分割矩阵由混合像元对应各地物类型的隶属度组成；根据迭代计算满足迭代终止条件时的模糊分割矩阵，确定各混合像元对应各地物类型的主隶属度。

可选地，根据迭代计算满足迭代终止条件时的模糊分割矩阵，确定各混合像元对应各地物类型的主隶属度，包括：根据模糊分割矩阵，确定各混合像元对应的丰度，并将丰度作为各混合像元对应各地物类型的主隶属度。

可选地，根据主隶属度计算各混合像元归属于各地物类型的次隶属度，包括：根据迭代计算满足迭代终止条件时的模糊分割矩阵，确定硬分割矩阵；根据硬分割矩阵，确定归属于各地物类型的像元构成的集合；计算集合在近似空间中的上近似、下近似、正域、负域、边界域；根据上近似、下近似、正域、负域、边界域确定各混合像元归属于各地物类型的次隶属度。

可选地，对目标遥感图像数据进行特征离散化处理，得到最优离散化结果，包括：从遥感图像数据中获取混合像元的初始断点集；基于初始断点集的断点数量初始化目标遥感图像数据种群；对目标遥感图像数据种群的个体迭代执行遗传算法，确定最优离散化结果；其中，与初始化后的目标遥感图像数据种群相对应的离散化方案为初始离散化方案，每个种群个体对应一个离散化结果。