基于高斯混合模型遥感信息提取方法的研究.pdfVIP

第4期，总第95期 国 土 资 源 遥 感 No．4，2012 2012年12月15日 REMOTE SENSING FOR LAND RESOURCES Dec．，2012 doi：10．6046／gtzyyg．2012．04．08 基于高斯混合模型的遥感信息提取方法研究 胡 波 ， ，朱谷昌。，张远飞 ，冷 超 (1．北京大学，北京 100871；2．中南大学，长沙 410083；3．中色地科矿产勘查股份有限公司，北京 100012； 4．有色金属矿产地质调查中心，北京 100012；5．中国石油东方地球物理公司采集技术支持部，涿州 072751) 摘要：高斯混合模型(Gaussianmixturemodel，GMM)可以描述遥感数据的概率密度函数，通过估计各高斯分布的参 数，计算后验概率，实现信息提取。为了提高利用GMM进行遥感信息提取的准确度，首先在GMM中使用马尔科夫 随机场 (Markovrandomfield，MRF)计算各像元邻域内各类地物的先验概率，代替各类地物的混合概率 ，使其反映出 各类地物的空间相关性 ；然后在参数估计过程中利用模拟退火 (simulatedannealing，SA)思想获得全局最优的参数 估计值；最后利用该参数估计值求出每个像元对于各类地物的后验概率，获得各类地物的空间分布。通过对遥感 实验场的图像数据进行信息提取 ，发现所述新方法取得了更好的效果，证明了上述改进的有效性。 关键词：高斯混合模型(GMM)；期望最大化 (EM)算法 ；模拟退火 (SA)；马尔科夫随机场 (MRF)；遥感信息提取 中图法分类号：TP751．1 文献标志码：A 文章编号：1001—070X(2012)04—0041—07 火(simulatedannealing，SA)思想指导高斯参数的估 0 引言 计过程。SA算法最早由Metropolis等提出，以模拟固 体退火的过程而得名，它能够在温度参数下降过程 高斯分布又称正态分布。大量 自然现象都被证 中，寻找 目标函数的优化解，并有一定概率接受恶化 明服从或近似服从高斯分布。高斯混合模型 解，已被证明是一种能够获得全局最优解的算法。利 (Gaussianmixturemodel，GMM)被广泛应用于语音 用SA算法可以很好地对GMM—MRF模型进行参数 处理、背景消除和纹理分割 等领域。在遥感信 估计，从而提高遥感信息提取的准确性。为验证上述 息提取中，假设每种独立地物的灰度服从一定的高 方法的有效性，本文结合遥感实验场的地面调查数 斯分布，用GMM来表述遥感数据的概率密度函数， 据 ，对 比分析了GMM—MRF—ICM和 GMM—MRF— 通过期望最大化(expectationmaximization，EM)算法 SA这2种方法，对GMM的优化进行了探索。 估计各独立地物高斯分布的参数，然后计算像元内 各独立地物的后验概率，最终获得各类地物的分布。 1 GMM与MRF GMM基于每个像元值是独立的这个假设 ，然而 自然现象是连续分布的，体现出空间相关性 。随 1．1 GMM 着研究的深入，已有部分学者尝试结合 GMM和马 GMM早 在 19世纪末 就 受到 了关 注，之后 尔科夫随机场(Markovrandomfield，MRF)来描述遥 Dempster提出EM算法，并成为了GMM最大似然估 感数据。地物分布的连续性在遥感图像中表现为邻 计的主要算法，使该模型得到了广泛应用。 近像元的相关性。MRF表述了像元的概率仅与其 将作为观测场的遥感图像数据设为随机变量 邻域内像元有关、而与邻域外像元无关的性质，即马 Y=(Yx， ，…，