基于模糊馬爾科夫隨機(jī)場的遙感圖像分割算法研究.pdf

1、遙感圖像分割，就是指將遙感圖像分成各具特性的區(qū)域并提取出感興趣的目標(biāo)的技術(shù)和過程，在此基礎(chǔ)上才有可能對目標(biāo)進(jìn)一步利用。因此遙感圖像分割是由遙感圖像處理到遙感圖像分析的關(guān)鍵步驟。
　　近年來，以馬爾科夫隨機(jī)場模型作為先驗(yàn)?zāi)Ｐ偷臒o監(jiān)督圖像分割已經(jīng)得到了廣泛應(yīng)用，實(shí)踐證明該模型有利于提高圖像分割質(zhì)量。但是由于環(huán)境和傳感器的影響，遙感圖像具有灰度變化大、紋理復(fù)雜并且邊界模糊等特點(diǎn)，經(jīng)典的馬爾科夫隨機(jī)場模型并不能很好的處理分割中的相干噪聲等

2、問題。本文針對遙感圖像斑點(diǎn)噪聲大，邊界模糊的特點(diǎn)，在分割中引入了結(jié)合模糊集和馬爾科夫算法的模糊馬爾科夫隨機(jī)場的無監(jiān)督算法，以SAR圖像為實(shí)驗(yàn)對象證明了該方法的準(zhǔn)確性。論文的主要工作和創(chuàng)新如下：
　　①分析了基于模糊集和基于馬爾科夫隨機(jī)場的分割算法，這是圖像分割中的兩大主要工具。深入分析對比了這兩種算法在遙感圖像分割上的優(yōu)劣。
　?、跒榱藦浹a(bǔ)以上兩種方法各自的不足，將模糊馬爾科夫隨機(jī)場引入遙感圖像分割中，提出了基于模糊馬爾科夫

3、隨機(jī)場模型在遙感圖像分割算法中的具體構(gòu)架，使得圖像中的各點(diǎn)均從屬于某個(gè)模糊類，而再是屬于指定標(biāo)簽的確定類。該模型結(jié)合了分割問題中的隨機(jī)性與模糊性，以模糊隨機(jī)變量為基礎(chǔ)，從軟分割的角度更合理地獲取了圖像的先驗(yàn)知識，較好地貼合了圖像的特點(diǎn)，因而使得圖像分割過程中使用的先驗(yàn)知識更為準(zhǔn)確。
　?、墼谠O(shè)計(jì)模糊馬爾科夫隨機(jī)場模型的勢函數(shù)時(shí)，本文以傳統(tǒng)的多邏輯模型（MLL）為基礎(chǔ)，建立了模糊MLL模型，這種模糊模型下的勢函數(shù)定量的從兩點(diǎn)的距離入

4、手，比經(jīng)典的勢函數(shù)只是定性的從兩點(diǎn)的異同入手更能細(xì)致的描述先驗(yàn)?zāi)Ｐ停冉?jīng)典的Gibbs隨機(jī)場的勢函數(shù)更細(xì)膩的刻畫了像素間的細(xì)微差別。
　?、芤酝哪：指罴夹g(shù)都把精力放在了圖像的灰度特征上，這對兩類以上的目標(biāo)分割具有明顯的缺陷，為了更加準(zhǔn)確的區(qū)分圖像中的不同區(qū)域，本文在MAP-MRF框架下提取出圖像的灰度特征和紋理特征，以各自的特點(diǎn)分別建模，實(shí)驗(yàn)證明對于多值圖像效果明顯。
　?、菽：R爾科夫隨機(jī)場模型和經(jīng)典馬爾科夫隨機(jī)場一樣

5、都存在一個(gè)問題，就是分割過程高度依賴從圖像特征中估計(jì)出來的參數(shù)，雖然此方法使用到的參數(shù)較少，但是為了實(shí)現(xiàn)無監(jiān)督分割，分割過程必須具備參數(shù)學(xué)習(xí)的能力而無需訓(xùn)練數(shù)據(jù)。為此本文使用了修正的EM算法來估計(jì)特征參數(shù)，再用模擬退火算法獲取全局最優(yōu)解。
　?、拊趯?shí)驗(yàn)中，選擇了具有代表性的模糊C均值算法和經(jīng)典的馬爾科夫隨機(jī)場算法作為對比，通過針對SAR圖像的分割結(jié)果圖和求得的最大錯(cuò)分率證明了模糊馬爾科夫隨機(jī)場算法更好的處理了邊緣的混疊，明顯減少了

6、斑點(diǎn)噪聲，使分割結(jié)果更加準(zhǔn)確。
　?、咴趯?shí)驗(yàn)中作者發(fā)現(xiàn)由于模糊類的引入，導(dǎo)致搜索空間變大，如若仍然采用模擬退火這種全局優(yōu)化算法的話雖然效果很好，但是分割時(shí)間會明顯變長?？紤]到為了提高分割的效率，本文將優(yōu)化方案進(jìn)行了修改，提出了SA-ICM結(jié)合的組合優(yōu)化方法，雖然分割結(jié)果的正確率有稍許下降，但是將分割速度提高了近3倍，以適應(yīng)不同的分割要求。
　　⑧在對算法進(jìn)行實(shí)現(xiàn)中，使用VC++6.0設(shè)計(jì)完成了SAR圖像分割系統(tǒng)，該系統(tǒng)將本文