基于IFCM聚类与变分推断的遥感影像分类方法技术

本发明专利技术公开了一种基于IFCM聚类与变分推断的遥感影像分类方法，包括以下步骤：S1：计算遥感影像的第一聚类中心和第一分割影像区域；S2：采用IFCM算法对遥感影像进行聚类，得到第二聚类中心和第二分割影像区域；S3：采用空间像素模板提取遥感影像的像素特征；S4：基于贝叶斯变分推断法实现遥感影像的图斑分类；S5：对遥感影像的图斑分类结果进行评价。通过本发明专利技术对遥感影像进行分类，实现了影像中地物类别的准确分类；本发明专利技术中分类的总体精度达到93％。

【技术实现步骤摘要】
基于IFCM聚类与变分推断的遥感影像分类方法
本专利技术涉及遥感影像分类领域，特别涉及基于IFCM聚类与变分推断的遥感影像分类方法。
技术介绍
遥感影像土地覆盖信息提取和分类一直受到学者的广泛关注和研究。遥感影像分类方法分为基于像素的分类、面向对象的分类、利用智能优化算法的分类、多尺度分类、分层分类及单像素与光谱特征结合的分类等。然而，这些分类算法都存在不足：基于像素的分类容易产生“椒盐效应”；面向对象的分类存在误分现象；智能优化算法由于算法设计本身的缺陷，难以取得良好的分类结果；多尺度分类中，尺度选择问题需要进行大量的实验来获取，成本较高。常用的分类器有神经网络、决策树、极限学习机、SVM等。其中SVM在处理小样本、高维数据情况下具有较好的分类性能，受到国内外学者的青睐，被广泛应用在遥感影像处理方面。针对高分辨率遥感影像地物复杂，光谱混叠的特点以ReliefF_mRMR算法进行特征选择，并结合SVM进行分类的方法计算量较大。随着多核学习的研究发展，多核SVM被应用到遥感影像分类中。高光谱影像的多核SVM分类方法，以多个核函数组合的MKSVM方式实现对高光谱影像的分类，分类精度大大提本文档来自技高网...

【技术保护点】
1.基于IFCM聚类与变分推断的遥感影像分类方法，其特征在于，包括以下步骤：S1：计算遥感影像的第一聚类中心和第一分割影像区域；S2：采用IFCM算法对遥感影像进行聚类，得到第二聚类中心和第二分割影像区域；S3：采用空间像素模板提取遥感影像的像素特征；S4：基于贝叶斯变分推断法实现遥感影像的图斑分类；S5：对遥感影像的图斑分类结果进行评价。

【技术特征摘要】
1.基于IFCM聚类与变分推断的遥感影像分类方法，其特征在于，包括以下步骤：S1：计算遥感影像的第一聚类中心和第一分割影像区域；S2：采用IFCM算法对遥感影像进行聚类，得到第二聚类中心和第二分割影像区域；S3：采用空间像素模板提取遥感影像的像素特征；S4：基于贝叶斯变分推断法实现遥感影像的图斑分类；S5：对遥感影像的图斑分类结果进行评价。2.如权利要求1所述的基于IFCM聚类与变分推断的遥感影像分类方法，其特征在于，所述S1包括以下步骤：S1-1：采用遗传算法对遥感影像进行聚类分析，得到初始化的聚类中心；S1-2：采用FCM算法对遥感影像进行第一聚类，得到第一聚类中心以及相对应的第一分割影像区域。3.如权利要求1所述的基于IFCM聚类与变分推断的遥感影像分类方法，其特征在于，所述S2中包括以下步骤：S2-1：构建IFCM算法；S2-2：采用构建IFCM算法对遥感影像进行第二聚类，得到第二聚类中心和第二分割影像区域。4.如权利要求1或3所述的基于IFCM聚类与变分推断的遥感影像分类方法，其特征在于，所述IFCM算法的表达式为：公式(1)中，J表示IFCM算法的目标函数，N表示像素总个数，i表示像素，k表示第一聚类中心，c表示第一聚类中心的总个数，表示像素i对于第一聚类中心k的隶属度，m表示模糊指数，d(i,k)表示像素i与第一聚类中心k的空间距离，表示自适应参数，d(i,r)表示像素i与像素r的空间距离，其中，公式(2)、(3)、(4)中，d(i,k)表示像素i与聚类中心k的空间距离；d(i,r)表示像素i与像素r的空间距离；P表示权重值，描述对象内部同质度与对象间相关性的比重；Si表示像素i所在影像区域Ri的标准差值；Ai表示像素i所在影像区域Ri的区域面积；|i-k|表示像素i与第一聚类中心k的欧式距离；Ia表示像素i与第一聚类...

【专利技术属性】
技术研发人员：向泽君，黄磊，楚恒，李锋，陈良超，
申请(专利权)人：重庆市勘测院，重庆数字城市科技有限公司，
类型：发明
国别省市：重庆,50