[发明专利]一种遥感影像模糊多中心的监督分类方法及应用

说明书

本发明公开了一种遥感影像模糊多中心的监督分类方法及应用，首先采用基于FCM方法的分层聚类方法，在光谱空间将图像分割成大小相似的粒子，其次利用标记样本对这些粒子进行标记和分类，将其分为三类：纯粒子、不纯粒子、未标记粒子；每个纯粒子的中心代表每种土地覆盖类型的一个波谱中心，而各种土地覆盖类型的光谱多样性则由这些中心来表示，每种类型的中心都由覆盖树存储；第三，每个未标记样本属于每种土地覆盖类型的隶属度，都由最邻近的纯粒子来确定。实验结果显示：本发明的监督分类方法实现了复杂遥感数据的多中心表达，描述了遥感数据波谱的多样性，进而提高了遥感分类的精度和可靠性。

基金项目:本申请得到国家自然科学基金（41971410）的支持。

技术领域

本发明涉及遥感科学中的遥感数据的模糊监督分类、非监督分类和半监督方法，更具体的涉及基于多光谱或高光谱遥感数据，用多中心表达地理现象的波谱多样性，进而利用多中心来计算遥感数据中像元的隶属度和确定像元类别的多中心分类方法。

背景技术

模糊性是广泛存在于湿地和森林等地理世界的固有不确定性，在处理和分析多光谱遥感数据时带来了巨大的挑战。近年来，模糊集由于能够表达从一个类别到另一个类别的逐渐过渡性，在模糊土地覆盖分类中得到了广泛的应用。目前存在三类模糊分类方法，第一类是不需要先验知识的非监督分类方法。模糊的c-均值（FCM）聚类是这种类型的一种典型方法。该算法需要两个参数：类别数N和模糊系数m。第二类是监督方法，这类方法需要先验知识来提高分类精度。这类模糊分类方法需要大量的标记样本来训练监督分类方法，但是在实际应用中，选择大量优质样本代价较大且可能比较困难的。第三类是模糊半监督聚类（FSSC），它是为了提高FCM方法的分类精度和降低样本选择的难度而提出来的，然而，这类方法跟FCM等方法一样，均利用一个中心来表达地物的波谱特征。遥感数据同物异谱和同谱异物现象使得遥感数据在波谱空间具有复杂的数据结构，这种复杂的内在结构使得遥感数据的分类或特征提取变得非常困难。然而，非监督和半监督模糊方法往往忽略了复杂的内在结构，并采用单点（单值或区间值）来表示类别的中心，从而导致分类精度有限。光谱多样性可归纳为以下三个层次：（1）土地覆盖类型可能包含多个聚类，2）这些聚类可能具有不同的大小和类别，（3）某些聚类可能相互重叠。现有的单中心分类方法不能很好的处理这些光谱多样性，导致了精度非常有限。

发明内容

为了处理这三个层次的光谱多样性，首先，土地覆盖类型应表示为多个聚类。对于第二个层次，应该识别多维空间中不同大小的聚类。对于第三级，应确定重叠的聚类，因为它们是产生分类不确定性的原因。

本发明提出了一种新的模糊监督分类方法，即多中心监督模糊分类（MCSFC）方法。首先，采用基于FCM方法的分层聚类方法，在光谱空间将图像分割成大小相似的粒子，粒子内波谱特征曲线具有极大的相似性。从而使得一个原始的大而异质的土地覆盖类型被分解成大量的粒子，而一个原始的小或同质的土地覆盖类型则由少量的颗粒组成。其次，利用标记样本对这些粒子进行标记和分类，将其分为三类：（1）纯粒子，仅对应于一类样本，它们位于光谱空间的内部聚类中（这些样本分类可靠）；(2）不纯粒子，对应于多种类型的样本，位于不同样本类型之间的过渡带，用边界类型表示；（3）无样本的未标记粒子。由于不纯粒子是不同类型之间的重叠聚类，将其作为分类参考时会产生很大的不确定性。因此，不纯粒子不能作为分类的参考。每个纯粒子的中心代表每种土地覆盖类型，而各种土地覆盖类型的光谱多样性则由这些中心来表示。每种类型的中心都由覆盖树存储，以提高最近邻中心的检索速度。第三，每个未标记样本属于每种土地覆盖类型的隶属度，都由最邻近的可信参考聚类来确定。

本发明公开了如下的技术内容：

一种遥感影像模糊多中心的监督分类方法，其特征在于：首先采用基于FCM方法的分层聚类方法，在光谱空间将图像分割成大小相似的粒子；其次利用标记样本对这些粒子进行标记和分类，将其分为三类：1）纯粒子； 2）不纯粒子；3）无样本的未标记粒子；第三，每个未标记样本属于每种土地覆盖类型的隶属度，都由最邻近的纯粒子来确定；按如下的步骤进行：

（1）粒度分割模块