【技术实现步骤摘要】
本专利技术涉及遥感影像处理的，特别涉及一种基于混合核空间紧密度距离的模糊c均值解混方法。
技术介绍
1、近些年来，遥感图像处理领域广泛应用了自动分类方法。现有的分类方法可分为硬分类和软分类。硬分类认为单个像元对应一种地物，应将该像元归属到某一具体类别中，如最大似然、支持向量机、随机森林等分类方法均属于硬分类。然而在实际情况中，中低分辨率的遥感数据中常存在混合像元，及一个像元对应多种地物。使用硬分类方法会导致错分或漏分。相比之下，软分类技术通过光谱分析对混合像元进行分解，可将影像的分类精度提高到亚像素级别。混合像元分解模型根据像元光谱混合规律的不同，可分为线性和非线性两种。在实际情况中，不同地物经常会以小斑块的形式，进行均匀混合分布，因此，会存在电磁波在不同地物间多次的反射和散射过程，此时需要非线性模型来进行描述。目前学者们也提出了多种非线性混合模型，但非线性模型往往会受到残差误差的影响，且计算复杂。
2、近年来研究者们提出了在已知端元光谱的情况下，将图像混合像元分解问题转换为带有约束的非线性回归问题的新思路。然而，现有的混合像元分解模型在精度和通用性上存在一定的局限性。模糊c均值模型是一种常用的混合像元分解方法，但经典的模糊c均值解混算法对非线性问题处理能力有限，并且对异常点敏感，忽略了待分类点在特征空间中的分布紧密度。
3、术语解释：支持向量数据描述(support vector data description，svdd)基于混合核空间紧密度距离的模糊c均值解混模型(hybrid kernel fuz
4、加权svdd(weighted svdd，wsvdd)
5、紧密度距离(affinity distance，ad)
6、核模糊c均值聚类模型(kernel fuzzy c-means，kfcm)
7、高斯核模糊c均值(g-kfcm
8、混合核模糊c均值(h-kfcm)
9、高斯核模糊支持向量数据描述(g-fsvdd)
10、混合核模糊支持向量数据描述(h-fsvdd)
11、均方根误差(root mean square error，rmse)
12、信噪比(signal noise ratio,snr)
技术实现思路
1、针对现有技术中存在的不足之处，本专利技术的目的是提供一种基于混合核空间紧密度距离的模糊c均值解混方法，节省成本且实现了区域影像地物情况快速、大范围的实时监测，提高了解混结果的精度和鲁棒性，获得较好的解混结果。为了实现根据本专利技术的上述目的和其他优点，提供了一种基于混合核空间紧密度距离的模糊c均值解混方法，包括：
2、s1、通过landsat数据集获取遥感原始影像；
3、s2、对获取的遥感影像进行预处理，进一步计算影像的像元纯度指数，并提取端元信息，构建训练样本；
4、s3、通过混合核函数和支持向量数据描述理论对经典模糊c均值解混模型进行改进，得到模糊c均值解混模型；
5、s4、通过模糊c均值解混模型进行遥感影像数据集的解混，从而得到区域区域对应端元的丰度图即解混结果。
6、优选的，步骤s2中对获取的遥感影像数据分别进行辐射校正，包括辐射定标和大气校正；采用以影像校正影像的方法，对影像数据进行几何校正，得到预处理后的影像数据。
7、优选的，步骤s3中计算遥感影像像元纯度指数，通过将混合核函数和核模糊c均值聚类模型结合，将样本集通过非线性映射至高维空间，并在该空间中进行c均值聚类，得到支持向量数据描述模型的训练样本。
8、优选的，考虑全局和局部性能，选择将多项式核函数和径向基核函数结合，得到外推和内推能力都较强的混合核函数，计算公式为：
9、kmix＝λkpoly+(1-λ)krbf (1)
10、式中，kmix为混合核函数，kpoly为多项式核函数，krbf为径向基核函数，λ∈(0,1)，表示两个核函数的混合比例因子，λ越大，混合核函数的性能越优良；
11、为了更加准确地表示不同的样本点的影响大小，选取基于隶属度的加权svdd模型进行训练，wsvdd的目标函数表达式为：
12、f＝r2+c∑iwiδi s.t.||xi-a||2≤r2+δi (2)
13、式中，r代表超球体半径，c是惩罚因子，调节c可以控制超球大小与错误样本数量间的关系，a是超球体球心，wi表示样本点的权值，由混合核模糊c均值模型求出的隶属度确定。
14、优选的，步骤s4具体包括以下步骤：
15、s41、确定地物类别数m、模糊程度参数t、算法迭代停止参数ε、混合核函数的混合参数λ、径向基核函数的宽度参数δ和多项式核函数阶数q的初始值；
16、s42、使用核模糊c均值模型进行样本点分类，得到各样本点属于每类地物的隶属度值；其中，构建的基于解混模型ad-hkfcm中各样本点的隶属度表达式为：
17、
18、其中，d(x0,ai)表示样本点x0到第i类类别中心ai的绝对距离；
19、s43、构建基于隶属度的wsvdd模型，采用网格搜索法对步骤s41中的相关参数进行优化；
20、s44、获得各类别超球球心，以此作为类别中心，计算各样本点至类别中心的ad值，以更新隶属度值及分类结果；ri为第i类超球的半径，则点x0到第i类类别中心ai的紧密度距离ad的公式为：
21、
22、s45、重复步骤s43和s44，直到满足迭代终止条件获得最终各样本点对各类别的隶属度值；
23、s46、针对构建的ad-hkfcm解混模型，设计模拟实验，评估算法的有效性和解混效果。
24、本专利技术与现有技术相比，其有益效果是：该技术方案节省成本且实现了区域影像地物情况快速、大范围的实时监测。综合了支持向量数据描述理论和核函数理论，构建了一种基于混合核空间紧密度距离的模糊c均值解混模型。该模型改进了传统的模糊c均值解混模型，通过有效地减小异常值、端元差异等问题引起的误差，在一定程度上提高了解混结果的精度和鲁棒性。有效解决了中低空间分辨率影像中存在大量混合像元导致影像分类结果精度不高的问题。生成的模型能够对纯像元和混合像元都获得较好的解混结果。
本文档来自技高网...【技术保护点】
1.一种基于混合核空间紧密度距离的模糊C均值解混方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于混合核空间紧密度距离的模糊C均值解混方法，其特征在于，步骤S2中对获取的遥感影像数据分别进行辐射校正，包括辐射定标和大气校正；采用以影像校正影像的方法，对影像数据进行几何校正，得到预处理后的影像数据。
3.如权利要求2所述的一种基于混合核空间紧密度距离的模糊C均值解混方法，其特征在于，步骤S3中计算遥感影像像元纯度指数，通过将混合核函数和核模糊C均值聚类模型结合，将样本集通过非线性映射至高维空间，并在该空间中进行C均值聚类，得到支持向量数据描述模型的训练样本。
4.如权利要求3所述的一种基于混合核空间紧密度距离的模糊C均值解混方法，其特征在于，考虑全局和局部性能，选择将多项式核函数和径向基核函数结合，得到外推和内推能力都较强的混合核函数，计算公式为：
5.如权利要求4所述的一种基于混合核空间紧密度距离的模糊C均值解混方法，其特征在于，步骤S4具体包括以下步骤：
【技术特征摘要】
1.一种基于混合核空间紧密度距离的模糊c均值解混方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于混合核空间紧密度距离的模糊c均值解混方法，其特征在于，步骤s2中对获取的遥感影像数据分别进行辐射校正，包括辐射定标和大气校正；采用以影像校正影像的方法，对影像数据进行几何校正，得到预处理后的影像数据。
3.如权利要求2所述的一种基于混合核空间紧密度距离的模糊c均值解混方法，其特征在于，步骤s3中计算遥感影像像元纯度指数，通过将混...
【专利技术属性】
技术研发人员：宇洁，林怡，陈鑫，荣誉，厉朗，张婷慧，钟代琪，
申请(专利权)人：同济大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。