一种基于树结构的自适应权重k-means算法分割遥感图像的方法技术

本发明专利技术公开了一种基于树结构的自适应权重k‑means算法分割遥感图像的方法，将自适应权重二分类k‑means算法嵌入树结构框架下，采用均值‑方差之间的关系迭代优化学习分割门限，实现当前层的样本标记；在二分类方法下，逐层标记遥感图像像素；最后利用树结构的剪枝技术，修剪部分叶节点，实现遥感图像自动分割。与传统k‑means和非权重树结构k‑means算法相比，本发明专利技术的方法分割所得的遥感图像细节更加清晰，分割边缘明确，能够避免部分误分割。

【技术实现步骤摘要】
一种基于树结构的自适应权重k-means算法分割遥感图像的方法
本专利技术涉及图像处理
，特别是一种基于树结构的自适应权重k-means算法分割遥感图像的方法。
技术介绍
遥感图像分割是把遥感图像分成若干个特定的、具有独特性质区域的过程。从数学角度来看，遥感图像分割是将遥感图像划分成互不相交的区域的过程；遥感图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。遥感图像分割方法主要包括阈值分割法、区域生长法、边缘分割法以及基于特定理论的分割法等几类。区域生长法的基本思想是将具有相似性质的像素集合起来构成区域，具体实施时，通常首先对每个需要分割的区域寻找一个种子像素点(以下简称种子点)作为生长的起点，然后将种子点周围邻域中与种子点有相同或相似性质的像素(根据某种事先确定的生长准则来判定)合并到种子点所在的区域中去，最后将这些新像素作为新的种子点继续进行区域生长，直到再没有满足条件的像素可被合并进来，这样一个较大的图像区域就形成了。k-means聚类算法是遥感图像分割应用最广泛的、经典的算法之一，具有简单、收敛速度快等特点。当同类样本在空间中分布密集且异类样本区别明显时，传统的k-means算法能够获得较好的分割或聚类性能。然而，当各类样本边界是线性不可分、类分布为非高斯分布或为非球型分布时，其聚类效果较差。总的来说，样本数据自身性质影响k-means算法分割的效果，其存在不可避免的缺点有：1)对聚类或分割的初始值、类数较敏感；2)容易陷入局部最优。在传统k-means聚类初始化时，聚类算法需要预先设定聚类数目和初始聚类中心。在许多情况下，数据要聚成几簇是不能够提前确定的，同时，在迭代优化时，随机初始聚类中心易使聚类结果产生较大的波动，聚类结果不稳定。
技术实现思路
本专利技术的目的是针对现有技术中存在的不足，提供一种基于树结构的自适应权重k-means算法分割遥感图像的方法，在树结构框架下，采用样本均值-标准差和自适应权重二分类k-means算法，通过迭代优化和递归方法实现遥感图像自动、分层分割。为达到上述目的，本专利技术是按照以下技术方案实施的：一种基于树结构的自适应权重k-means算法分割遥感图像的方法，将自适应权重二分类k-means算法嵌入树结构框架下，采用均值-方差之间的关系迭代优化学习分割门限，实现当前层的样本标记；在二分类方法下，逐层标记遥感图像像素；最后利用树结构的剪枝技术，修剪部分叶节点，实现遥感图像自动分割，具体步骤如下：S1、读取图像，设定种子的更新次数t，计算图像像素的均值作为种子；S2、根据计算的种子，计算图像像素与种子的距离dis和标准方差STd；S3、计算第t次迭代的门限值Tht，对dis进行判决，小于等于门限值Tht的样本即像素标记为左叶节点样本集合，其余像素标记为右节点；S4、对叶节点内的样本进行计算，并分配相应的权值，并根据权值和左叶节点内样本更新种子；S5、对更新后的种子与跟新前种子比较，同时判断迭代次数是否达到设定的更新次数t；S6、若更新前后种子有差异，未达到更新次数t，返回步骤S2；若更新前后的种子无差异，或者更新次数达到设定值t，则种子作为左叶节点的数据集的聚类中心，并执行步骤S7；S7、对右节点内的样本执行步骤S2-S6，直至标记样本为最佳次左节点为止；S8、对新的右节点，迭代优化并进行标记，直至遥感图像的所有像素标记完成；S9、根据聚类中心的离散度，对树结构叶节点进行剪枝处理，产生自适应聚类数的树结构聚类中心，分割图像像素。进一步，所述步骤S3的具体包括：S31、采用公式(1)计算第t次迭代的门限值；Tht＝α*STdt(1)式(1)中Tht为门限值，a为一可调参数。优选地，所述步骤S4的具体步骤为：S41、对小于门限值Tht的遥感图像像素分配标签归类，记第t次迭代划分的样本集合为左叶节点Sett,i，利用公式(2)：计算集合Sett,i内每个样本对聚类中心的贡献度w；S42、利用公式(2)对叶节点内的样本计算、分配相应的权值，并根据权值和左叶节点内样本由公式(3)更新种子：优选地，所述步骤S1中，当设定种子的更新次数t>1时，以公式(3)的计算结果作为种子。优选地，所述步骤S9中的剪枝处理具体包括：首先对树结构叶节点的聚类中心按照升序或降序排序，同时，每个节点的样本标准差与排序结果一一对应，计算排序后的相邻聚类中心之间的差距，移除聚类中心差距和标准差同时凹陷数据对应的叶节点；移除部分节点后，由叶节点的聚类中心重新对样本分配标签，即完成遥感图像自适应类数的分割。与现有技术相比，本专利技术将自适应权重二分类k-means算法嵌入树结构框架下，采用均值-方差之间的关系迭代优化学习分割门限，实现当前层的样本标记；在二分类方法下，逐层标记遥感图像像素；最后利用树结构的剪枝技术，修剪部分叶节点，实现遥感图像自动分割；与传统k-means和非权重树结构k-means算法相比，本专利技术的方法分割所得的遥感图像细节更加清晰，分割边缘明确，能够避免部分误分割。附图说明图1为本专利技术一种应用实例的遥感影像分割结果图：其中(a)为原始遥感影像；(b)为传统k-means分割结果；(c)为树结构k-means方法分割结果；(d)为本专利技术的树结构的自适应权重k-means算法分割遥感图像的方法分割结果。图2为本专利技术另一种应用实例的遥感影像分割结果图：其中(a)为原始遥感影像；(b)为传统k-means分割结果；(c)为树结构k-means方法分割结果；(d)为本专利技术的树结构的自适应权重k-means算法分割遥感图像的方法分割结果。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步的详细说明。此处所描述的具体实施例仅用于解释本专利技术，并不用于限定专利技术。一种基于树结构的自适应权重k-means算法分割遥感图像的方法，将自适应权重二分类k-means算法嵌入树结构框架下，采用均值-方差之间的关系迭代优化学习分割门限，实现当前层的样本标记；在二分类方法下，逐层标记遥感图像像素；最后利用树结构的剪枝技术，修剪部分叶节点，实现遥感图像自动分割，具体步骤如下：S1、读取图像，设定种子的更新次数t，计算图像像素的均值作为种子；需要说明的是，当设定种子的更新次数t>1时，以公式(3)的计算结果作为种子；S2、根据计算的种子，计算图像像素与种子的距离dis和标准方差STd；S3、采用公式(1)计算第t次迭代的门限值；Tht＝α*STdt(1)式(1)中Tht为门限值，a为一可调参数；S4、对小于门限值Tht的遥感图像像素分配标签归类，记第t次迭代划分的样本集合为左叶节点Sett,i，利用公式(2)：计算集合Sett,i内每个样本文档来自技高网...

【技术保护点】
1.一种基于树结构的自适应权重k-means算法分割遥感图像的方法，其特征在于，将自适应权重二分类k-means算法嵌入树结构框架下，采用均值-方差之间的关系迭代优化学习分割门限，实现当前层的样本标记；在二分类方法下，逐层标记遥感图像像素；最后利用树结构的剪枝技术，修剪部分叶节点，实现遥感图像自动分割，具体步骤如下：/nS1、读取图像，设定种子的更新次数t，计算图像像素的均值作为种子；/nS2、根据计算的种子，计算图像像素与种子的距离dis和标准方差STd；/nS3、计算第t次迭代的门限值Th

【技术特征摘要】
1.一种基于树结构的自适应权重k-means算法分割遥感图像的方法，其特征在于，将自适应权重二分类k-means算法嵌入树结构框架下，采用均值-方差之间的关系迭代优化学习分割门限，实现当前层的样本标记；在二分类方法下，逐层标记遥感图像像素；最后利用树结构的剪枝技术，修剪部分叶节点，实现遥感图像自动分割，具体步骤如下：
S1、读取图像，设定种子的更新次数t，计算图像像素的均值作为种子；
S2、根据计算的种子，计算图像像素与种子的距离dis和标准方差STd；
S3、计算第t次迭代的门限值Tht，对dis进行判决，小于等于门限值Tht的样本即像素标记为左叶节点样本集合，其余像素标记为右节点；
S4、对叶节点内的样本进行计算，并分配相应的权值，并根据权值和左叶节点内样本更新种子；
S5、对更新后的种子与跟新前种子比较，同时判断迭代次数是否达到设定的更新次数t；
S6、若更新前后种子有差异，未达到更新次数t，返回步骤S2；若更新前后的种子无差异，或者更新次数达到设定值t，则种子作为左叶节点的数据集的聚类中心，并执行步骤S7；
S7、对右节点内的样本执行步骤S2-S6，直至标记样本为最佳次左节点为止；
S8、对新的右节点，迭代优化并进行标记，直至遥感图像的所有像素标记完成；
S9、根据聚类中心的离散度，对树结构叶节点进行剪枝处理，产生自适应聚类数的树结构聚类中心，分割图像像素。


2.根据权利要求1所述的基于树结构的自适应权重k-mean...

【专利技术属性】
技术研发人员：周同驰，瞿博阳，王延召，温鹏伟，李征，张毫，
申请(专利权)人：中原工学院，
类型：发明
国别省市：河南;41