当前位置：问答库＞论文摘要

本文以无监督遥感图像分割为目的，重点解决了分割过程中由于遥感图像特殊性造成的先验缺失，信息量大，大样本训练图像难以提取以及表面纹理复杂，难以描述等几个难点问题。本文使用马尔可夫（MRF）描述遥感图像纹理的复杂相关性，并且针对MRF参数估计量大的特点，通过对各种具体马尔可夫模型的参数估计算法以及参数对纹理描述的有效性分析最终选择了高斯马尔可夫随机场(GMRF) 模型。并且通过分析各个纹理特征向量的聚集情况，得出各类特征向量可描述为聚集在其均值周围的高斯分布，从而将图像特征向量描述为多元高斯混合分布(GMM)，利用适用于GMM的无监督聚类算法完成纹理类别个数和参数的估计，有效而稳定的得到了纹理类别个数和各纹理参数的估计。本文将遥感图像通过GMRF映射到特征参数空间，将复杂的二维马尔可夫数据映射为简单的多元高斯混合分布，从而利用简单的多通道贝叶斯（Bayes）分类器完成图像像素类别的最大后验估计估计（MAP）。但由于该算法没有充分利用先验知识以及低阶GMRF难以描述大尺度纹理，从而造成分割出现斑点噪声。针对这一缺点，本文采用基于混合图形结构的多尺度分割算法，不但有效利用了先验，并且克服MRF模型的局部局限性，从而很大程度上提高了分割精度，克服了斑点噪声。本文的算法具有无监督，分割精度高，可以并行计算等优点，具有很高的实用价值。