[发明专利]基于MeanShift的高分辨率遥感影像分割距离度量优化方法

权利要求书

1.基于MeanShift的高分辨率遥感图像分割距离度量优化方法， 包括以下步骤：

1)、高分辨率遥感图像输入，转换成栅格数据进行处理；

2)、利用MeanShift算法对遥感图像进行滤波处理，得到以模点 为中心的大量同质区域；

3)、对滤波之后的大量同质区域进行区域合并，计算区域之间的 相似性，将传统的欧式距离度量计算方法由光谱匹配度量计算方法或 核光谱映射度量计算方法代替；

4)、设置阈值来评判两区域的相似性度量，初步形成分割结果， 在进一步的尺度区域合并过程中，通过区域之间相似度的比较，融入 新的区域来达到规定的尺度；最终得到精度较高的分割结果。

2.如权利要求1所述的基于MeanShift的高分辨率遥感图像分割 距离度量优化方法，其特征在于：步骤2)中的MeanShift算法是无参 的核密度估计，完全依靠训练数据样本，其具体的算法如下：

设样本集{x_i}，i＝1，...，n，为R^d维空间中的任意点，求其中x点的 密度函数估计，以K(x)为核函数，h为窗宽，利用单位矩阵，得：

f(x)=1nhdΣi=1nK(x-xih)]]>

求概率密度最大点，对上式求导并引用核函数G(x)，以及标准化 系数c_k，d，整理化简可得：

▿^fh,k(x)=2ck,dnhd+2[Σi=1ng(||x-xih||2)][Σi=1nxig(||x-xih||2)Σi=1ng(||x-xih||2)-x]]]>

将等式右边最后面的部分作为MeanShift向量，具体如下：

mh,G(x)=[Σi=1nxig(||x-xih||2)Σi=1ng(||x-xih||2)-x]]]>

从核概率密度式子推导得出MeanShift向量m_h，G(x)，可知其总是指 向概率密度增加最大的方向，利用此性质，可以通过对图像像素点的 迭代处理，经过滤波过程，得到以模点值为中心的大量同质区域。

3.如权利要求1所述的基于MeanShift的高分辨率遥感图像分割 距离度量优化方法，其特征在于：步骤3)中所涉及到的区域相似度 的具体计算方式，传统的欧式距离的计算具体为以下式子：

d(x,y)=Σi=1n(x1-y1)2]]>

其中，x，y为遥感图像中任意像素点，i＝1，...，n，其中n为波段值， 因此两变量可看作是n维向量，此距离度量计算简单，几乎适用于任 意情况下的距离度量计算，但在n值较大的高分辨率影像中，如此计 算的距离度量没有充分考虑光谱值信息，因此合并效果并不能达到令 人满意的效果。

光谱匹配是高光谱影像中像元光谱在每一个波段的变化量与方 向的分析，能够突出特征谱段，提取光谱维信息，充分考虑到遥感图 像数据的特点，从而能够较精确的定量表示像元间的相似性或者差异 性。利用常见的几种光谱匹配技术代替欧式距离计算方法，具体公式 如下：

光谱角度匹配：

θ=arccosxy||x||||y||]]>     θ∈[0，π/2]

||x||=Σi=1nxi2]]>||y||=Σi=1nyi2]]>

x，y为n维光谱矢量，θ为两矢量余弦夹角，计算两者的余弦角 度与两矢量的长度无关，因此不受增益因素影响。

光谱相似度：

d(x,y)=Ed2+(1-rxy)2]]>

rxy=1n[Σi=1n(xi-μx)(yi-μy)σxσy]]]>Ed=1nΣi=1n(xi-yi)2]]>

上式中，μ、σ分别为均值和标准差，r_xy为皮尔逊系数。光谱相 似度综合考虑了光谱间的形状和距离关系，通常值越小，两矢量间的 光谱相似性越大。

核映射光谱匹配度量：

d′_H(x，y)＝arccos exp(-λd²(x，y))

上式中λ为大于0的自定义参数，d(x，y)为光谱相似度量，此度 量方式是光谱相似度结合核函数的作用，在样本计算过程中增加权重 因素来计算区域相似度。

具体执行中将遥感图像不同方式下的距离度量值求出，根据具体 数值可分析不同距离度量的精度效果。