基于模糊聚类和证据理论的光谱偏振图像分类.pdfVIP

第 36卷第 12期 光 子 学 报 Vo1．36 No．12 2007年 12月 ACTA PH0T()NICA SINICA December 2007 基于模糊聚类和证据理论的光谱偏振图像分类* 王道荣，赵永强，潘泉 (西-ll~I业大学 自动化学院，西安 710072) 摘 要：为了将光谱偏振信息用于物质分类，提出了一种无监督聚类融合算法．算法结合偏振信息 的特性，首先对Stokes参量中的非偏振光强参量、线偏振度参量、偏振角参量进行无监督模糊c均 值聚类(Fuzzy C—mean，FCM)，利用目标表面的偏振特性以及聚类结果分配置信指派，然后对这些 置信指派进行加权融合．仿真实验表明了算法的有效性． 关键词：光谱偏振图像；无监督分类；模糊聚类；D-S理论；加权分配冲突法 中图分类号：TP391 文献标识码：A 文章编号：1004—4213(2007)12—2365-6 0 引言 人脑MRI图像的灰度信息进行了融合分类处理． 本文算法是针对光谱偏振图像，运用对 Dempster 随着遥感技术的发展，光谱偏振信息日益受到 改进的加权分配冲突法[…融合具有不同意义的偏 广泛关注 ]．光谱偏振遥感不仅可以提供多／高光 振度，辐射强度和偏振角信息，融合过程中充分考虑 谱遥感中常用的光谱辐射强度信息，还给出了偏振 了三个偏振参量各自不同的影响，并在此基础上提 度和偏振角随光谱波段而变化的信息，所提供的信 出了分层分类的思想． 息量大．同时，光谱偏振遥感所提供的强度、偏振 度、偏振角信息反映了地物不同物理特性，具有很强 1 光谱偏振信息获取 的互补性和冗余性 ]．目前基于偏振信息的分类 1．1 目标的偏振信息表征 大多只是用单一的偏振度或偏振角进行分类，并用 在遥感探测过程中，多用Stokes矢量表示法定 它们的分类图像与强度图像进行简单的对比 ]，以 量化地给出偏振光的偏振信息 ]．通常Stokes矢量 突出偏振信息的优势，却没有综合利用这些信息进 写成 (j，Q，U， ) 形式，其中j为非偏振光强，Q、U 行物质的自动分类．本文在目前物质先验的光谱偏 分别代表两个方向上的线偏振光， 代表圆偏振光， 振信息缺乏的情况下，融合光谱偏振信息用无监督 在遥感探测中通常假定V一0． 的方法进行物质分类． 偏振光的偏振度P和偏振角0可表示为 遥感图像的无监督分类主要有人工神经网络 P一 F — F (1) 法 ]，迭代自组织算法(Isodata)f 和FCMl7]．神经 0—2 arctan(u／Q) (2) 网络隐节点的选取缺乏理论指导，而且对各类性能 参量P，J，o和J，Q，U都可以表达部分偏振光 差别较大 ]．Isodata算法聚类虽然可以自动调节聚 的偏振态，但在物理上 P，j 所表达的意义更加明 类类别数，但算法过程复杂，聚类过程中类别聚合和 确，能更直观的反映物质的偏振特性． 分裂的阈值也不易选取[6]．FCM算法成熟而且简单 1．2 光谱偏振成像原理 易行，合理选取参量，通常分类效果比较明显l8]．对 Stokes参量都是具