高分辨率遙感影像具有同一目標區(qū)域內(nèi)像素異質(zhì)性增強、不同目標區(qū)域間像素同質(zhì)性增強等特征,這給其分割方法的設(shè)計帶來了困難和挑戰(zhàn)。在統(tǒng)計意義上,這些特征使得高分辨率遙感影像中各目標區(qū)域內(nèi)像素光譜測度統(tǒng)計分布主要呈現(xiàn)出非對稱、重尾和多峰等復雜統(tǒng)計特性,準確建模高分辨率遙感影像內(nèi)像素光譜測度統(tǒng)計分布是獲得高質(zhì)量影像分割結(jié)果的有效途徑之一,而傳統(tǒng)混合模型難以達到準確建模像素光譜測度復雜統(tǒng)計分布的要求。為此,論文提出一種層次化混合模型用于建模復雜的統(tǒng)計分布,并依此提出高分辨率遙感影像分割方法,主要研究內(nèi)容如下。（1）提出一種具有層次性結(jié)構(gòu)的混合模型,稱為層次化混合模型,用于解決高分辨率遙感影像內(nèi)像素光譜測度復雜統(tǒng)計分布的建模問題。層次化混合模型定義為若干個組份概率分布加權(quán)和,其包括兩層結(jié)構(gòu)。層次化混合模型組份構(gòu)成了第一層結(jié)構(gòu),其定義為若干個分量概率分布加權(quán)和,用于建模影像各目標區(qū)域內(nèi)像素光譜測度復雜統(tǒng)計分布;層次化混合模型分量構(gòu)成了第二層結(jié)構(gòu),由同一已知概率分布定義,用于建模目標區(qū)域中子區(qū)域內(nèi)像素光譜測度的統(tǒng)計分布。通過準確建模像素光譜測度的統(tǒng)計分布,層次化混合模型可有效地利用影像內(nèi)光譜信息,進而提... 

【文章來源】：遼寧工程技術(shù)大學遼寧省

【文章頁數(shù)】：156 頁

【學位級別】：博士

【部分圖文】：

FMM組份的概率分布

基于層次化混合模型的高分辨率遙感影像分割方法20(a)GMM(b)SMM(c)GaMM圖2.2FMMs的概率分布Figure2.2ProbabilitydistributionsofFMMs2.2馬爾可夫隨機場2.2.1馬爾可夫隨機場理論MRF是指具有馬爾可夫性的隨機場，其主要包括馬爾可夫性和隨機場兩個部分[89,90]。其中，馬爾可夫性是指按照時間順序?qū)㈦S機變量序列排列開，第t+1時刻的分布特征僅與第t時刻隨機變量取值相關(guān)，而與第t時刻之前的隨機變量取值無關(guān)，如圖2.3所示。另外，隨機場包含位置和相空間兩個部分，是指依據(jù)某種分布從相空間中選取值賦給每個位置，其全體稱為隨機常其中，相空間內(nèi)包含的是屬性值。t1XtXt1Xt2Xt圖2.3馬爾可夫性Figure2.3Markovproperty構(gòu)建MRF需滿足正性條件和馬爾可夫鏈性條件，其中正性條件表示隨機場內(nèi)各隨機變量的概率分布為正值，馬爾可夫鏈性條件表示隨機場內(nèi)隨機變量的概率分布僅與其鄰域隨機變量有關(guān)。在FMM中，組份權(quán)重表示像素類屬性的先驗概率，各像素的組份權(quán)重集π={πi;i=1,2,...,n}滿足MRF的正性條件和馬爾可夫鏈性條件，因此可將其視為MRF。這兩個條件表示為，lilip,0(2.13)iiiippNC||ππππ(2.14)式中，C為像素的空間域，C-{i}表示兩個集合之間相減，πC-{i}表示不包括像素i在內(nèi)的空間域C上所有像素的組份權(quán)重，iiiiNππN|表示像素i鄰域位置像素的組份權(quán)重集合，i"為鄰域像素索引，Ni為鄰域像素索引(位置)集合。在式(2.13)中，組份權(quán)重的概率分布為正值，滿足MRF正性條件。在式(2.14)中，在給定像素i鄰域組份權(quán)重條件下像素i組份權(quán)重的概率分布等價于給定全局(不包括像素i自身)組份權(quán)重條件下像素i組份權(quán)重的概率分布。由于像素i與其周圍像素具有相同類屬性的可能性很大，尤其是當它們位于同一目

遼寧工程技術(shù)大學博士學位論文33(2.73)，其作為蒙特卡洛方法的一種特例形式。綜上，將求解函數(shù)的積分問題轉(zhuǎn)化為求解變量的概率分布問題，在已知概率分布的前提下，依據(jù)該概率分布采樣n個隨機變量x的樣本集，利用式(2.74)可求得對應函數(shù)的積分。對于復雜的概率分布p(x)，通常采用接受-拒絕采樣獲得該分布的樣本，其基本思想是依據(jù)一定的準則接受或拒絕采樣已知的或可采樣的概率分布的某些樣本，以近似實現(xiàn)復雜概率分布采樣的目的，其具體實現(xiàn)過程如圖2.9。圖中虛線表示b倍已知概率分布p"(x)，實線表示復雜的概率分布p(x)，且在虛線之下。首先，隨機采樣得到樣本x0，然后從(0,bp"(x0))中均勻采樣得到u，若u位于灰色區(qū)域，則拒絕該采樣樣本，否則接受該樣本。重復該采樣過程直到獲得n個被接受的采樣樣本。x0bp"(x0)bp"(x)up(x)圖2.9接受-拒絕采樣原理Figure2.9Principleofaccept-rejectsample綜上，接受-拒絕采樣只能得到一維概率分布的采樣樣本，而對于二維或高維的概率分布，該采樣方法難以獲得其采樣樣本。為此，將馬爾可夫鏈引入蒙特卡洛方法以實現(xiàn)采樣復雜概率分布的樣本集。(2)馬爾可夫鏈的細致平穩(wěn)條件定義：令q(κ,ζ)為馬爾可夫鏈的狀態(tài)轉(zhuǎn)移核，π(·)為概率分布，對所有隨機變量κ和ζ滿足條件：qq,,(2.75)則稱概率分布π(·)為狀態(tài)轉(zhuǎn)移核q(κ,ζ)的細致平穩(wěn)分布。若已知細致平穩(wěn)分布對應的馬爾可夫鏈轉(zhuǎn)移核，可利用該轉(zhuǎn)移核采樣得到復雜概率分布的樣本集。因此，需要構(gòu)建出使概率分布π(·)滿足細致平穩(wěn)分布的轉(zhuǎn)移核q(κ,ζ)，而MCMC方法解決了構(gòu)建滿足平穩(wěn)條件的轉(zhuǎn)移核q(κ,ζ)的問題。(3)MCMC采樣對于任意的馬爾可夫鏈轉(zhuǎn)移核q(κ,ζ)，其不滿足細致平穩(wěn)條件，即，qq,,(2.76)為了使細致平穩(wěn)條件成立，引入接受率a(κ


本文編號：3310331