一种基于中性集和均值漂移的彩色遥感图像非监督建筑物提取方法.pdfVIP

第33卷，第4期 光谱学与光谱分析 0 2 1 3年4月 and SpectroscopySpectralAnalysis April，2013 一种基于中性集和均值漂移的彩色遥感图像非监督建筑物提取方法 于 博1’2，牛 铮h，王 力1，刘亚奇3，陈方4 1．中国科学院遥感与数字地球研究所，遥感科学国家重点实验室，北京 100101 2．中国科学院大学，北京100049 3．北京航空航天大学，北京100191 4．中国科学院遥感与数字地球研究所，数字地球重点实验室，北京 100094 摘要建筑物的纹理和光谱信息的多样性一直是自动化识别的瓶颈。针对此问题，提出了一种彩色遥感 图像建筑物提取方法，该算法结合中性集和均值漂移，对转换到中性集空间的影像进行均值漂移分割，生成 以影像中主要地物类型为核心的光谱类别图像，提取建筑物。通过中性集空问的增强及分割，克服了传统均 值漂移分割稳定性低、光谱不连续及信息混杂的缺陷，避免了地物识别前提取连通区等操作。实验证明，提 出的算法可以简捷、完整、准确、稳定地提取建筑物，满足高分辨率遥感影像建筑物的提取要求。 关键词均值漂移；中性集；图像分割；建筑物提取 中图分类号：TP391．1文献标识码：A DOI：10．3964／j．issrui000—0593[2013)04—1071-05 中的事物。现实世界中的每个命题都可以用真、假以及不确 引 言 定的概率来表述。同样，图像转换到中性集中由三个子集来 描述，真子集、不确定性子集和假子集。如果用N表示中性 建筑物的识别和提取为城乡规划和发展的监督和决策提 集，T，F和f分别表示中性集的真、假和不确定子集，那么 供有力的客观依据。基于彩色图像的建筑物提取方法目前主 要在光谱信息和纹理信息的基础上，利用人工智能和机器学 习的思想对建筑物提取。其中，均值漂移(meanshift)是由域中是前景、不确定和背景的概率。 Fukunaga等在1975年首次提出的[1]。因为需要确定的参数 图像转换到中性集后，地物的光谱差异性得到了增强， 较少、速度快而且稳定性高，近年来被广泛用于图像分割， 有助于对与背景地物光谱差异不明显的建筑物的识别。此 滤波等[2]领域，为目标识别奠定了高效的算法基础。沈占峰 外，图像灰度的不确定性往往是由模糊性引起的，因为每个 等将meanshift与eCognition对比分析发现meanshift方法像元的灰度信息是由光的入射和反射分量共同决定的，而在 在速度上略优于eCognitionE…，而且两者效果相同。但是利 这两个分量的确定过程中有很多的不确定因子均可归为图像 用meanshift方法对彩色图像分割，同种地物类型光谱信息 模糊的概念[1…。因此我们采用在模糊中性域中对图像进行 不连续，不同地物类型光谱信息区别不大，而且存在大量斑 增强处理，再利用meanshift方法滤波、平滑，减少冗余光 点，不利于建筑物提取。 谱信息，得到一致、准确的光谱分割结果。本算法简称为 set)是由srmraIldache[钉提出的一 中性集(neutrosophic N孓MS算法。 种模糊集。最初被广泛用于语义网络服务[51等方面。Guo 等[6]首先将中性集引入到图像处理领域。从此，中性集在图 1基于均值漂移图像分割方法 像分割[7]、图像分类[8]和阈值设定[91等方面都做了很大贡 献。中性集克服了普通模糊域中只有真、假两个子集的缺