自适应类别的层次高斯混合模型遥感影像分割

为了实现自动确定类别数的高精度遥感影像分割,提出一种自适应类别的层次高斯混合模型(Hierarchical Gaussian Mixture Model,HGMM)遥感影像分割算法.提出算法采用多个高斯混合模型加权和定义HGMM,用于建模具有非对称,重尾和多峰等复杂特性的影像统计模型.采用期望最大化算法(Expectation Maximization,EM)求解模型参数.为了实现自动确定类别数,采用贝叶斯信息准则(Bayesian Information Criterion,BIC)求解最优类别数,其中惩罚项采用加权像素数定义.为了验证提出算法可行性和有效性,对模拟和全色遥感影像进行分割实验,并对分割结果进行定性和定量分析.结果表明HGMM具有准确建模复杂统计分布的能力,提出算法具有高精度和高效率,同时可自动确定最优类别数.

层次化高斯混合模型和M-H的遥感影像分割算法

为了准确建立高分辨率遥感影像同质区域内像素强度呈现的非对称、重尾和多峰等复杂分布的统计模型,并得到高精度的分割结果,提出了一种结合层次化高斯混合模型(HGMM)和Metropolis-Hastings (M-H)算法的高分辨率遥感影像分割算法.提出算法采用HGMM建立高分辨率遥感影像的复杂统计分布模型,HGMM由多个高斯子混合模型(GSMM)的加权和定义.根据贝叶斯理论,结合HGMM和参数先验分布构建后验分布,即分割模型.采用M-H算法模拟分割模型以实现影像分割和模型参数求解.为了验证提出算法的可行性和有效性,分别对合成影像和高分辨率遥感影像进行分割实验,并定量和定性地评价分割结果.结果表明:提出算法具有准确建立复杂统计分布模型的能力,并得到高精度的分割结果.

层次混合模型快速遥感影像分割算法

针对高分辨率遥感影像中同物异谱和同谱异物导致的分割困难问题,提出一种层次高斯混合模型(HGMM)快速遥感影像分割算法.首先采用HGMM构建影像的统计模型,其具有准确建模像素强度统计分布呈现的非对称、重尾和多峰等复杂特性的能力;然后根据贝叶斯理论构建基于HGMM的分割模型,为了简化参数求解并提高算法效率,定义均值和方差为关于权重的函数;最后采用共轭梯度(CGM)求解模型参数.实验中采用所提出算法和传统统计模型分割算法分别对合成、全色和彩色高分辨率遥感影像进行分割实验.实验结果表明,所提出的HGMM具有准确建模复杂统计分布的能力,且能够准确和有效地分割全色和彩色遥感影像.