一种采用高斯隐马尔可夫随机场模型的遥感图像分类算法.pdfVIP

第25卷第1期 电子与信息学报 v0125N¨l Jan2003 ANnINFoRMA，lIoNTEelI＼()1-o(；Y 2003年1月 joURNAI，oFEL匕C‘rRoKICS 一种采用高斯隐马尔可夫随机场模型的遥感图像分类算法1 黄宁 来敏慧 张守融 (中国科学院电子学研究所微波成像重点实验室北京1【J㈣80) 摘 要 设文研究了无监督遥感矧像分类问题．文中构造了图像的隐马尔可犬随饥场模型Illlddell MarkovRandoln F1el(1，I{MRF)，并且提出r基于浚模型的图像分类箅法．浚文采蝌自限高斯混台 Gau翩ian 模型fFlnite Mixture，FGM)描述图像像幕灰度的条件概率分布，使用EM(Exppccatlon— Maxit儿lzation)算法解决从不完整数据中估计概率模型参数问题．针对遥感图像分布的不均匀特性，该文 提出的算法没有采用l刮定的马尔可夫随机场模型参数，而足在递归分类斡法中分级地调整模型参敬以适应区 域的变化．实验结粜表明丁谚丈算法的茸技性，分类兑法处理精鹱高于C—Means聚类赏法。 关键词 遥感，模式分娄，马尔町丈随机场，EM算法 中图号 TN91173．TP75l 1引 言 在缺乏足够先验地物信息的条件下对遥感图像进行分类处理是‘项比较凼难的上作．虽然 针对这个问题迄今已经提出了很多统汁分类方法，但应用这些统计方法的困难在T：分类前图像 的统计模型参数未知，往往需要在分类过程中同时进行模型参数估计，而这种参数估汁要么在 计算上不可实现，要么是所得的参数估汁值无法满足一定的优化要求． 马尔可夫随机场(MRF)理论是一种研究分析物理现象的宅间或时间相关特性的概率理 论．MRF的研究始于60年代，目前在图像处理领域已经有了广泛的应用，如纹理合成、图像 分割、图像复原等．本文设计了一种基于隐马尔可夫随机场模型的遥感图像分类算法结构．算 Cmldm(mal 估计，图像最大后验估计分类中采用ICM(Itera∞d Mode)方法获得一个快速分类 结果． 通常MRF方法是对整幅图像使用一组固定的全局MRF模型参数。这种固定模型参数的 方法实际上并不能很好地描述遥感图像空间上的复杂特性。因此我们引入了一种基于图像块的 MRF模型参数定义方法．首先将整幅图像视作一个图像块，估计出对应浚块的MRF模型参 数．并依据这组参数获得一个图像的分类分布；以当前的图像分类作为初始分类，将当前图像 块分成4个子块，然后估计每个子块不同的MRF模型参数，依据新的MRF模型参数对图像 进行分类；重复以上步骤细分图像，估计各予块的MRF模型参数并对图像进行分类，直到图像 分类达到一定条件的收敛．我们的实验表明这种分块处理的方法能够获得更精确的分类结果． 本文的结构：在第2节我们描述了隐马尔可夫随机场模型，第3节给出r算法的具体实现； 第4节是实验结果和结论． 2隐马尔可夫随机场模型 称·个随机场分布Ⅳ为栅格结构S上的一个马尔可夫随机场，当且仅当对应下一个邻域 系统Ⅳ，X有如下特性： ．D(z)o，V。∈x(正概率)；P(z zI。s一Ⅲ)=P(z；I。M)(马尔可夫性)。 由Hammersly—C1ifrOrd理论可知，MRF与GiI)