可变类空间约束高斯混合模型遥感图像分割.pdf

第38卷第2期 通 信 学 报 、，01．38 No．2 2017年 2月 Journa1onCommunications February2017 doi：10．11959~．issn．1000-436x．2017026 可变类空间约束高斯混合模型遥感图像分割 赵泉华，石雪，王玉，李玉 (辽宁工程技术大学测绘与地理科学学院遥感科学与应用研究所 ，辽宁 阜新 123000) 摘 要：针对传统高斯混合模型 (GMM，Gaussianmixturemode1)难以自动获取类属数和对噪声敏感问题，提出 了一种基于可变类空间约束GMM 的遥感图像分割方法。首先在构建的GMM 中，将像素类属性建模为马尔可夫 随机场 (MRF,Markovrandom field)，并在此基础上定义其先验概率；结合邻域像素类属性的后验概率和先验概 率，定义噪声平滑因子，以提高算法的抗噪性；在参数求解过程中，分别采用可逆跳变马尔可夫链蒙特卡罗 (RJMCMC，reversibleiumpMarkovchainMonteCarlo)方法和最大似然 (ML，maximumlikelihood)方法估计类 属数和模型参数；最后以最小化噪声平滑因子为准则获取最终分割结果。为了验证提出的分割方法，分别对模拟 图像和全色遥感图像进行了可变类分割实验。实验结果表明提出方法的可行性和有效性。 关键词：高斯混合模型；空间约束；最大似然估计；可逆跳变马尔可夫链蒙特卡罗；遥感图像分割 中图分类号：TP391．41 文献标识码：A Remotesensingimagesegmentationbasedonspatially c0nstrainedGaussianmixturemodelwithunknownclassnumber ZHAOQuan—hua，SHIXue，WANGYu，LIYu (InstituteforRemoteSensingScienceandApplication，SchoolofGeomatics，LiaoningTechnicalUniversity,Fuxin123000，China) Abstract：InviewofthetraditionalGaussianmixturemodel(GMM)，itwasdifficulttoobtainthenumberofclassesand sensitivetothenoise．AremotesensingimagesegmentationmethodbasedonspatiallyconstrainedGMM withunknown nmu berofclasseswasproposed．First，inthebuiltGMM，priorprobabilitythatrepresentedthemembershipbetweena pixelandoneclasswasmodeledasaMarkovrandom field(MRF)．Inordertoimprovehtesensitivityofnoise，the smoohtingfactorwasdefinedbycombiningtheaposteriorprobabilityandthepriorprobabiliytofneighboringpixels． Forestimatingthenumberofclassesnadtheparametersofmodel，thereversiblejmu pMarkovchainMonteCarlo (RJMCMC)andmaximum likelihood(ML)estimationwereemployed，respectively．Finally,byminimizingthesmooht— ingfactorthefinalsegmentat