一种遥感影像中地物类别数估计方法及系统

摘要

本发明提供一种遥感影像中地物类别数估计方法及系统，该方法包括：利用模糊聚类方法对待分割遥感影像进行分割，得到最佳模糊隶属度及最佳模糊聚类中心；计算初始地物类别的信息熵和信息熵上限，若大于信息熵上限，则执行分裂操作，否则计算最佳模糊聚类中心之间的欧几里得距离；若小于给定阈值，则两个地物类别相似，执行合并操作，否则不相似，得到地物类别数估计结果和最终分割结果。本发明能与传统图像分割方法结合，有效估计遥感影像中地物类别数。基于信息熵衡量地物类别内信息量的特性，定义分裂条件，并利用欧几里得距离描述不同地物类别间差异性，定义合并条件，在分裂操作中能够分裂聚类算法无法有效区分的区域，提高分割精度。

说明书

技术领域

本发明属于图像处理技术领域，具体是一种遥感影像中地物类别数估计方法及系统。

背景技术

确定图像类别数是图像分割过程中的重要任务，目前类别数估计方法主要分为两大类，一类是人为确定类别数，但该方法不适用于细节特征明显的高分辨率大尺度图像；另一类是通过设计方法自动确定类别数，目前该类方法都是以同时完成自动确定图像类别数和区域分割为目标进行设计，这种设计方法原理较为简单，但针对性较强，不具普适性，此外控制类数变化的阈值较多，多阈值间相互影响，很难获得较为理想的估计结果，并且需要较大的时间代价，很难处理大型数据，其实用性不强。

发明内容

针对现有技术存在的不足，本发明提供一种遥感影像中地物类别数估计方法。

本发明的技术方案是：

一种遥感影像中地物类别数估计方法，包括：

步骤1：读取待分割遥感影像；

步骤2：随机给定待分割遥感影像初始地物类别数，将初始地物类别数作为聚类数，利用模糊聚类方法对待分割遥感影像进行分割，得到该类别条件下待分割遥感影像的最佳模糊隶属度及每个地物类别对应的最佳模糊聚类中心；

步骤3：计算初始地物类别的信息熵，即针对每个初始地物类别计算隶属于该初始地物类别的各像素的模糊隶属度与模糊隶属度的负对数的乘积之和；

步骤4：计算每个初始地物类别的信息熵上限，若初始地物类别的信息熵大于信息熵上限，则执行步骤5，否则执行步骤6；

步骤5：分裂操作：将初始地物类别的信息熵大于信息熵上限的初始地物类别分裂为两个地物类别，将分裂后的地物类别数作为新的初始地物类别数，返回步骤2，重新计算新的地物类别条件下最佳模糊隶属度及每个地物类别的最佳模糊聚类中心；

步骤6：计算不同地物类别对应的最佳模糊聚类中心之间的欧几里得距离，即两个聚类中心差值的平方，用来描述两地物类别间的相似程度；若欧几里得距离小于给定阈值，则执行步骤7，否则执行步骤8；

步骤7：合并操作：将欧几里得距离小于给定阈值的两个地物类别合并为一个地物类别，将合并后的地物类别数作为新的初始地物类别数，返回步骤2，重新计算新的地物类别条件下最佳模糊隶属度及每个地物类别的最佳模糊聚类中心；

步骤8：当前得到的地物类别数为待分割遥感影像中地物类别数估计结果，得到的影像分割结果即为最终分割结果。

所述步骤2包括：

步骤2.1：随机给出初始聚类数，即初始地物类别数，采用基于局部信息熵模糊C均值聚类算法构建待分割遥感影像的目标函数，该目标函数参数包括模糊隶属度和模糊聚类中心；

步骤2.2：对待分割遥感影像目标函数中的模糊隶属度及模糊聚类中心求偏导，得到模糊隶属度及模糊聚类中心的数值解公式；

步骤2.3：通过最小化目标函数方法确定该初始类别条件下待分割遥感影像的最佳模糊聚类中心和各像素的最佳模糊隶属度。

所述步骤2.3，包括：

步骤2.3.1：随机初始化模糊隶属度及模糊聚类中心；

步骤2.3.2：根据初始模糊隶属度及初始模糊聚类中心计算初始目标函数值；

步骤2.3.3：将初始的模糊隶属及模糊聚类中心在模糊隶属度数值解公式及模糊聚类中心的数值解公式中循环迭代，得到新的模糊隶属度及新的模糊聚类中心，再带入目标函数进而得到新的目标函数；

步骤2.3.4：计算两次目标函数之差，若差值大于给定阈值，则返回步骤2.3.3继续循环迭代，否则停止迭代，此时的模糊隶属度和模糊聚类中心为该类别条件下的最佳模糊隶属度及最佳模糊聚类中心。

一种遥感影像中地物类别数估计系统，包括：

影像读取模块，用于读取待分割遥感影像；

影像分割模块，用于随机给定待分割遥感影像初始地物类别数，将初始地物类别数作为聚类数，利用模糊聚类方法对待分割遥感影像进行影像分割，得到该类别条件下待分割遥感影像的最佳模糊隶属度及每个地物类别对应的最佳模糊聚类中心；

信息熵计算模块，用于计算初始地物类别的信息熵，即针对每个初始地物类别计算隶属于该初始地物类别的各像素的模糊隶属度与模糊隶属度的负对数的乘积之和；

信息熵上限判断模块，用于计算每个初始地物类别的信息熵上限，若初始地物类别的信息熵大于信息熵上限，则执行分裂操作，否则调用距离计算模块；

分裂操作模块，用于进行分裂操作：将初始地物类别的信息熵大于信息熵上限的初始地物类别分裂为两个地物类别，将分裂后的地物类别数作为新的初始地物类别数，返回调用影像分割模块，重新计算新的地物类别条件下最佳模糊隶属度及每个地物类别的最佳模糊聚类中心；

距离判断模块，用于计算不同地物类别对应的最佳模糊聚类中心之间的欧几里得距离，即两个聚类中心差值的平方，用来描述两地物类别间的相似程度；若欧几里得距离小于给定阈值，则调用合并操作模块，否则，调用估计结果输出模块；

合并操作模块，用于将欧几里得距离小于给定阈值的两个地物类别合并为一个地物类别，将合并后的地物类别数作为新的初始地物类别数，返回调用影像分割模块，重新计算新的地物类别条件下最佳模糊隶属度及每个地物类别的最佳模糊聚类中心；

估计结果输出模块，用于将当前得到的地物类别数作为待分割遥感影像中地物类别数估计结果，当前的影像分割结果作为最终分割结果输出。

所述影像分割模块，包括：

目标函数构建模块，用于随机给出初始聚类数，即初始地物类别数，采用基于局部信息熵模糊C均值聚类算法构建待分割遥感影像的目标函数，该目标函数参数包括模糊隶属度和模糊聚类中心；

第一计算模块，用于对待分割遥感影像目标函数中的模糊隶属度及模糊聚类中心求偏导，得到模糊隶属度及模糊聚类中心的数值解公式；

第二计算模块，用于通过最小化目标函数方法确定该初始地物类别条件下待分割遥感影像的最佳模糊聚类中心和各像素的最佳模糊隶属度。

所述第二计算模块，包括：

初始化模块，用于随机初始化模糊隶属度及模糊聚类中心；

第三计算模块，用于根据初始模糊隶属度及初始模糊聚类中心计算初始目标函数值；

第四计算模块，用于将初始的模糊隶属及模糊聚类中心在模糊隶属度数值解公式及模糊聚类中心的数值解公式中循环迭代，得到新的模糊隶属度及新的模糊聚类中心，再带入目标函数进而得到新的目标函数；

第五计算模块，用于计算两次目标函数之差，若差值大于给定阈值，则返回调用第四计算模块继续循环迭代，否则停止迭代，此时的模糊隶属度和模糊聚类中心为该类别条件下的最佳模糊隶属度及最佳模糊聚类中心。

有益效果：

本发明定义地物类别的分裂合并条件，进而提出一种具有普适性的遥感影像中地物类别数估计方法及系统。该方法能够与大多数传统图像分割方法结合，进而有效估计遥感影像中地物类别数。基于信息熵衡量地物类别内信息量的特性，定义地物类别的分裂条件，并利用欧几里得距离描述不同地物类别间差异性，定义地物类别的合并条件，在分裂操作中能够分裂聚类算法无法有效区分的区域，进而在一定程度上提高分割精度，此外，该方法在分裂操作提供过分割结果的基础上执行合并操作，避免循环迭代，有效提高了运行速度。本发明以现有聚类方法分割结果为基础，通过分裂合并操作修正地物类别数，使遥感影像实现正确地物类别数划分，是有效解决时间代价增强方法实用性的有效手段。

附图说明

图1为本发明具体实施方式中遥感影像中地物类别数估计方法流程图；

图2为本发明具体实施方式中遥感影像中地物类别数估计方法步骤2流程图；

图3为本发明具体实施方式中遥感影像中地物类别数估计方法步骤2.3流程图；

图4为本发明具体实施方式中遥感影像中地物类别数估计系统框图；

图5为本发明具体实施方式中遥感影像中地物类别数估计系统影像分割模块框图；

图6为本发明具体实施方式中遥感影像中地物类别数估计系统第二计算模块框图；

图7为本发明具体实施方式中的仿真图像；

图8为本发明具体实施方式中分裂合并操作后仿真图像的分割结果变化；

其中，(a)初始分割结果(4类)，(b)分裂结果(6类)，(c)合并结果(5类)，(d)合并结果(4类)，(e)合并结果(3类)；

图9为本发明具体实施方式中对应图8分割结果频率分布图；

其中，(a)为图8(a)频率分布，(b)为图8(b)频率分布，(c)为图8(c)频率分布，(d)为图8(d)频率分布，(e)为图8(e)频率分布。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

一种遥感影像中地物类别数估计方法，如图1所示，包括：

步骤1：读取待分割遥感影像；

本实施方式中，给定一幅待分割遥感图像x＝{x_i；i＝1，...，N}，其中，i是像素索引，N是像素个数，x_i是第i个像素的强度。待分割遥感影像大小为128×128像素，总像素数n＝16384。

步骤2：随机给定待分割遥感影像初始地物类别数，将初始地物类别数作为聚类数，利用模糊聚类方法对待分割遥感影像进行影像分割，得到该类别条件下待分割遥感影像的最佳模糊隶属度及每个地物类别对应的最佳模糊聚类中心；

本实施方式中，以局部信息熵模糊C均值聚类方法(Fuzzy local information c-means，FLCM)为例，对待分割遥感影像进行影像分割。

如图2所示，所述步骤2包括：

步骤2.1：随机给出初始聚类数，即初始地物类别数，采用基于局部信息熵模糊C均值聚类算法构建待分割遥感影像的目标函数，该目标函数参数包括模糊隶属度和模糊聚类中心；

目标函数J如下：

$J=\underset{i=1}{\overset{N}{\Sigma }}\underset{j=1}{\overset{c}{\Sigma }}\left[u_{ij}^m\right||x_i-v_j|{|}^2+G_{ij}]---\left(1\right)$

其中，j为地物类别索引，c为初始地物类别数，u_ij为模糊隶属度函数，表征待分割遥感影像中第i个像素隶属于第j个地物类别的程度，m表示模糊程度，v_j是第j个聚类的聚类中心，x_i是待分割遥感影像中第i个像素的灰度值，||x_i-v_j||²为第i个像素与第j个聚类中心的欧几里得距离，G_ij为模糊因子，定义为：

$G_{ij}=\underset{i^{\prime }\ne i}{\underset{i^{\prime }\in N_i}{\Sigma }}\frac{1}{d_{{\mathrm{ii}}^{\prime }}+1}{(1-u_{i^{\prime }j})}^m\left|\right|x_{i^{\prime }}-v_j|{|}^2---\left(2\right)$

其中，d_ii表示待分割遥感影像中第i个像素和其邻域像素i’的空间距离，u_i′j表示待分割遥感影像中第i’个像素隶属于第j个地物类别的程度，x_i′是待分割遥感影像中第i’个像素的灰度值；

步骤2.2：对待分割遥感影像目标函数中的模糊隶属度及模糊聚类中心求偏导，得到模糊隶属度及模糊聚类中心的数值解公式；

模糊隶属度和模糊聚类中心的数值解公式如下：

$u_{ij}=\frac{1}{\underset{k=1}{\overset{c}{\Sigma }}{\left(\frac{\left|\right|x_i-v_j|{|}^2+G_{ij}}{\left|\right|x_i-v_k|{|}^2+G_{ik}}\right)}^{\frac{1}{m-1}}}---\left(3\right)$

$v_j=\frac{\underset{i=1}{\overset{N}{\Sigma }}{\left(u_{ij}\right)}^m{x}_i}{\underset{i=1}{\overset{N}{\Sigma }}{\left(u_{ij}\right)}^m}---\left(4\right)$

步骤2.3：通过最小化目标函数方法确定该初始地物类别条件下待分割遥感影像的最佳模糊聚类中心和各像素的最佳模糊隶属度。

如图3所示，所述步骤2.3，包括：

步骤2.3.1：随机初始化模糊隶属度及模糊聚类中心；

步骤2.3.2：根据初始模糊隶属度及初始模糊聚类中心计算初始目标函数值；

步骤2.3.3：将初始的模糊隶属及模糊聚类中心在模糊隶属度数值解公式及模糊聚类中心的数值解公式中循环迭代，得到新的模糊隶属度及新的模糊聚类中心，再带入目标函数进而得到新的目标函数；

步骤2.3.4：计算两次目标函数之差，若差值大于给定阈值，则返回步骤2.3.3继续循环迭代，否则停止迭代，此时的模糊隶属度和模糊聚类中心为该类别条件下的最佳模糊隶属度及最佳模糊聚类中心。

步骤3：计算初始地物类别的信息熵，即针对每个初始地物类别计算隶属于该初始地物类别的各像素的模糊隶属度与模糊隶属度的负对数的乘积之和；

信息熵作为一种描述信息量的手段，能够有效衡量地物类别内像素的混乱程度。地物类别内像素强度规律性越强，其信息熵越小，反之，信息熵越大。在该性质的基础上，认为信息熵较大的区域不具有同质性，将该区域进行分裂操作，以保证分裂结果中每个地物类别只包含一类地物目标。

第j个初始地物类别的信息熵公式为：

$E_j=\underset{i\in R_j}{\Sigma }(-u_{ij}{\mathrm{logu}}_{ij})---\left(5\right)$

其中，R_j为隶属于第j个初始地物类别内所有像素的集合；

步骤4：计算每个初始地物类别的信息熵上限，若初始地物类别的信息熵大于信息熵上限，则执行步骤5，否则执行步骤6；

定义信息熵上限阈值函数，该函数参数包括地物类别数及控制信息熵作用强度的系数，公式定义如下：

$f(c,{\theta }_e)=-{\theta }_e\frac{c\times \frac{1}{c}\times log\left(\frac{1}{c}\right)}{c}=-\frac{{\theta }_e}{c}\times log\left(\frac{1}{c}\right)---\left(6\right)$

其中，c为初始地物类别数，θ_e为控制信息熵作用强度的系数。

在本实施方式中，当E_j-f(c，θ_ε)＞0时，地物类别数c＝c+1，当E_j-f(c，θ_ε)≤0，地物类别数c不变，直接执行步骤6。

步骤5：分裂操作：将初始地物类别的信息熵大于信息熵上限的初始地物类别分裂为两个地物类别，将分裂后的地物类别数作为新的初始地物类别数，返回步骤2，根据公式(1)～(3)重新计算新的地物类别条件下最佳模糊隶属度及每个地物类别的最佳模糊聚类中心；

在本实施方式中，假设第j个初始地物类别被分裂成j⁺和j^-两个地物类别，则分裂表达式为：

$\begin{array}{c}{u}_{j^{+}}={\mathrm{\delta u}}_j\\ u_{j-}=(1-\delta )u_j\end{array}---\left(7\right)$

其中，δ为随机矢量，在公式(7)中作为模糊隶属度矢量u_j的权值，旨在将第j个地物类别的模糊隶属度随机分成j⁺和j^-两个矢量，其取值范围为[0，1]，通过随机的方式获取δ。由于该分裂操作能够保证每个地物类别内信息熵不超过信息熵上限阈值，而地物类别内像素相似性程度越高，其熵值越小。也就是说，上述分裂操作能够分裂初始分割结果中无法有效区分的地物类别，以保证每个地物类别内只包含一类地物目标。因此，可利用该分裂操作获得一个过分割结果(地物类别内只包含一类地物目标)。

步骤6：计算不同地物类别对应的最佳模糊聚类中心之间的欧几里得距离，即两个聚类中心差值的平方，用来描述两地物类别间的相似程度；若欧几里得距离小于给定阈值θ_d＝30，则两个地物类别相似，执行步骤7，否则两个地物类别不相似，执行步骤8；

欧几里得距离能够准确描述两点间的最短距离，应用到图像处理中，可以用来描述两个地物类别间的差异。假定用地物类别内所有像素的均值表征该地物类别，则两个地物类别间的欧几里得距离即为两个地物类别像素均值的2范数。

j⁺和j^-两个地物类别的欧几里得距离：

$d_{j^{+}{j}^{-}}=\left|\right|v_{j^{+}}-v_{j^{-}}|{|}_2---\left(8\right)$

其中，v_j+和v_j-分别表示第j⁺和j^-两个地物类别对应的聚类中心，||·||₂表示2范数，即欧几里得距离；

步骤7：合并操作：将欧几里得距离小于给定阈值θ_d＝30的两个地物类别合并为一个地物类别，将合并后的地物类别数作为新的初始地物类别数，返回步骤2，重新计算新的地物类别条件下最佳模糊隶属度及每个地物类别的最佳模糊聚类中心；

合并后的地物类别由j索引，则

$u_j=u_{j^{+}}+u_{j-}---\left(9\right)$

步骤8：当前得到的地物类别数为待分割遥感影像中地物类别数估计结果，得到的影像分割结果即为最终分割结果。

本实施方式还提供一种遥感影像中地物类别数估计系统，如图4所示，包括：

影像读取模块，用于读取待分割遥感影像；

影像分割模块，用于随机给定待分割遥感影像初始地物类别数，将初始地物类别数作为聚类数，利用模糊聚类方法对待分割遥感影像进行影像分割，得到该类别条件下待分割遥感影像的最佳模糊隶属度及每个地物类别对应的最佳模糊聚类中心；

信息熵计算模块，用于计算初始地物类别的信息熵，即针对每个初始地物类别计算隶属于该初始地物类别的各像素的模糊隶属度与模糊隶属度的负对数的乘积之和；

信息熵上限判断模块，用于计算每个初始地物类别的信息熵上限，若初始地物类别的信息熵大于信息熵上限，则执行分裂操作，否则调用距离计算模块；

分裂操作模块，用于进行分裂操作：将初始地物类别的信息熵大于信息熵上限的初始地物类别分裂为两个地物类别，将分裂后的地物类别数作为新的初始地物类别数，返回调用影像分割模块，重新计算新的地物类别条件下最佳模糊隶属度及每个地物类别的最佳模糊聚类中心；

距离判断模块，用于计算不同地物类别对应的最佳模糊聚类中心之间的欧几里得距离，即两个聚类中心差值的平方，用来描述两地物类别间的相似程度；若欧几里得距离小于给定阈值，则调用合并操作模块，否则，调用估计结果输出模块；

合并操作模块，用于将欧几里得距离小于给定阈值的两个地物类别合并为一个地物类别，将合并后的地物类别数作为新的初始地物类别数，返回调用影像分割模块，重新计算新的地物类别条件下最佳模糊隶属度及每个地物类别的最佳模糊聚类中心；

估计结果输出模块，用于将当前得到的地物类别数作为待分割遥感影像中地物类别数估计结果，当前的影像分割结果作为最终分割结果输出。

如图5所示，所述影像分割模块，包括：

目标函数构建模块，用于随机给出初始聚类数，即初始地物类别数，采用基于局部信息熵模糊C均值聚类算法构建待分割遥感影像的目标函数，该目标函数参数包括模糊隶属度和模糊聚类中心；

第一计算模块，用于对待分割遥感影像目标函数中的模糊隶属度及模糊聚类中心求偏导，得到模糊隶属度及模糊聚类中心的数值解公式；

第二计算模块，用于通过最小化目标函数方法确定该初始地物类别条件下待分割遥感影像的最佳模糊聚类中心、各像素的最佳模糊隶属度。

如图6所示，所述第二计算模块，包括：

初始化模块，用于随机初始化模糊隶属度及模糊聚类中心；

第三计算模块，用于根据初始模糊隶属度及初始模糊聚类中心计算初始目标函数值；

第四计算模块，用于将初始的模糊隶属及模糊聚类中心在模糊隶属度数值解公式及模糊聚类中心的数值解公式中循环迭代，得到新的模糊隶属度及新的模糊聚类中心，再带入目标函数进而得到新的目标函数；

第五计算模块，用于计算两次目标函数之差，若差值大于给定阈值，则返回调用第四计算模块继续循环迭代，否则停止迭代，此时的模糊隶属度和模糊聚类中心为该类别条件下的最佳模糊隶属度及最佳模糊聚类中心。

本发明在CPU为Core(TM)i5-3470 3.20GHz、内存4GB、Windows 7旗舰版系统上使用MATLAB7.12.0软件编程实现仿真。

为了验证本发明的有效性，本实施方式中设计一个如图7所示的模板图像，其各区域裁自不同分辨率的全色遥感图像，其中区域I为农田，区域II为河流，区域III为森林。

本实施方式中，为了更加清楚的展现分裂、合并操作过程及相关结果，如图8所示，其中(a)为初始分割结果其中，(a)初始分割结果(4类)，(b)分裂结果(6类)，(c)合并结果(5类)，(d)合并结果(4类)，(e)合并结果(3类)。对应的不同地物类别灰度频率分布曲线如图9(a)-(e)所示，

观察图8中(a)～(e)可知，初始分割结果(a)中区域II和区域III中存在大量的误分像素，通过本发明的合并操作(b)～(e)可以实现正确地物类别数估计及改善分割质量。

观察图9中原始分割结果及分裂合并过程中对应的灰度分布直方图可以看出，本发明通过对类别数的不断优化使类别数达到最优，验证了提出发明具有可行性。

以上所述，仅为本发明中最基础的具体实施方式，但本发明的保护范围并不局限于此，任何本技术领域人士在本发明所揭露的技术范围内，可理解到的替换，都应涵盖在本发明的包含范围之内，例如将该发明应用到特征提取目标识别等其它图像处理领域，因此，本发明的保护范围应该以权利要求书的保护范围为准。