基于混合模型遥感影像分类方法研究

ofGeosciencesfortheMasterDegreeofRemoteSensingforNaturalResourcesandEnvironmentMethodsofRemoteSensingImageClassificationBasedonGaussianMixtureModel Major：RemoteSensingforNaturalResourcesandChinaUniversityofGeosciencesWuhan430074P.R.China中国地质大学（ 性本人郑重：本人所呈交的 《基于高斯混合模学（）攻读期间独立进行研究工作所取得的成果。论文中除已注明部分外不包含他人已或撰写过的研究成果，对论文的完成提供过帮助的有关已在文中说明并致以谢意。本人所呈交的没有学术道德和学术规范，没有行为，并愿意承担由此而产生的和法律。作者签 期：2014年5月18考入中国地质大学（）信息，2011年7月获得遥感科学与技术学位；2011年9月免试保送到中国地质大学（）信息，攻读资源与环境遥感学术，师从吴信才教授。研究、英语(含、阅读、翻译)等15门课程；总学分28.5分，其中学位课学分18分，课程平均成绩83.65分。中国博士后科学基金（49批）“基于云模型的高分辨率遥感影像类算法研究，参与《基于高斯混合模型的云变换改进算法及其在图像分割中的应用》大学学报（信息科学版）的撰写（第四）；教育部GIS及其应用工程开放基金，课题“基于云模糊的遥感图分割研究，参与《泛概念层次构建方法及其在遥感图像分类中的应用》大学学报（信息科学版）的撰写（第四）。期间注重实践，2010年10月2011年5月，2012年1月2013年月于中地数码科技（国家地理信息系统（GI）工程技术产业化单位）科技发展实习，任行业技术研究员一职，主要参与工作如书及可行性报告中GIS发展行业分析编写；参与“管理技术系统MapGIS模块开发与完善”项目，主要参与“地质信息网格平台框架功能完善与生产调度指挥模块开发”项目，主要负责2013年度项目实施方案的设计与编写；第4章“遥感影像专题解译与制图”的编写；生：指导教师：吴信才徐世武数进行近，如高斯（Gaussian）分布，然而这类参数化分布密度要求是单峰形式，而实的概率统计特性和近特性。分析了高斯混合模型对高维遥感影像数据的特征建模和分类感影像分类方法。该方法利用高斯混合模型良好的数学性质——它可以近任意一种概率MethodsofRemoteSensingImageClassificationBasedonGaussianMixtureModelMasterCandidaiDeng-chaoSupervisor：WuXin-cai Remotesensingimageclassificationisoneofthemostbasicprobleminremotesensingimageinformationprocessing,andremotesensingimageclassificationmethodhasbeenoneofthehotissuespeopletoexploreandresearch.Inthefieldofremotesensingimageclassification,weoftenneedtoknowtheprobabilitydensityfunctionoftheimage.However,theprobabilitydensityfunctionoftheimageisdifficulttoaccuraysolved.Theusualapproachistobeapproachedbyaknowndensityfunction,suchasGaussiandistribution,however,suchparametersofthedistributiondensityofthesinglepeakisrequired,andpracticalproblems,theformmayincludeadensitymultimodal.Gaussianmixturemodelistheclassicaltheoryofstatisticalpatternrecognition,whichisbasedonanormaldistributiontheory,andprobabilityismainlyusedtodescribethespatialdistributioncharacteristicsoftheobject.ItusesapluralityofGaussdistributionoflinearsuperposition,andaprobabilitydensitymodelis posedintoamodelbasedonGaussianprobabilitydensityfunctionofanumberofsuperimposed.Gaussianmixturemodel-basedapproachhastheformofaflexible,recognitionspeed,stronganti-interferenceability,highrecognitionaccuracy,etc.,inmanyareasofimageprocessinghasbeenwidelyused.ThispapermainlystudiestheGaussianmixturemodel-basedremotesensingimageclassificationmethod.Inthispapertakesfulladvantageofthedifferencesamongthevariousremotesensingimagefeaturerichspectralcharacteristicsandcolorinformation,andtheprobabilityofGaussianmixturemodelandthestatisticalpropertiesofthesurfacefeaturescharacteristicapproach.ItyzestheGaussianmixturemodelforremotesensingimagedataofhighdimensionalfeaturemodelingandclassificationmethods,Gaussianmixturemodeltostudytheremotesensingimageclassificationmethodbasedonspectralandtextureinformation.ThispaperisbasedonGaussmixturemodelasthetheoreticalbasis,throughthestudybasicprinciple,mainmethodsofit,putforwardtheGaussmixturemodelbasedon,toobtaintheoptimalnumberofcomponentsfortheGaussobjectsamplespectrumcharacteristicsofadaptive,andcombinedwiththeclassificationmethodofremotesensingimagetexture.ThemethodusesthegoodmathematicalpropertiesoftheGaussmixedmodelItcanapproximate第一章绪 §1.1研究背景和意 §1.2国内外研究现 §1.4结 §1.5本章小 第二章高斯混合模型与EM算 §2.1有限混合模 §2.2高斯混合模 §2.3EM算 EM算法简 EM算法的原 K均值初始化EM算法参 §2.5贝叶斯分类准 §2.6本章小 §3.4本章小 §4.2遥感影像的纹理特 第五章总结与展 §5.1总 §5.2展 致 参考文 附 随着遥感技术的发展，遥感影像分辨率越来越高，数据量也迅速增加[1]，使能够影像的快速发展更是加深了对自然界的认识。而且遥感影像技术现已不仅仅在传统的也在不断增加和出现，极大地拓宽和丰富了高分辨率遥感影像的应用领域。但是的挑将其分为不同类别的一种思路。通过影像分类，可将影像空间数据转化成需要的数据分类领域，许多研究已获得众多研究成果，然而，目前仍缺乏普遍适用的分类模型和不同，它们在图像上的表现是不一样的。因此，可以根据它们的变化和差异来区分不形式[910]，非常适用有限混合模型理论。该理论通过拟合出所有像元的像素值，得到一个个自然框架和半参数框架，在聚类问题中得到很好应用[1112]。R.Wilson[13]研究了混合高斯模型在多分辨率遥感影像中的函数拟合性能。表明有限混合高斯模型能够高精度近0或正值的黎曼可积函数，且能近任意精度的概率密度分布函数，实例分析结果也阐述了有斯混合密度函数强大的拟合近性能。1894年，混合高斯模型开始受到关注，Day[14]大似然估计精度比其他几类估计算法较优。Dempster[15]EM算法，在此之后，混合高EM算法得以实现，因其优越的性能而能在非监督分类中得遥感影像分类的研究Shashahni[22]等，对于影像分类问题进行研究，并引入法对影像样本概率在特征空间上的分布形式，没有苛刻的要求[2123]。马氏距离分类法考虑机（SVM、Markov随机场分类方法[25]、神经网络（ANN）的分类方法[26]，基于遗传算法的分类方法等。基于统计学习理论的SVM模型，不需对概率分布密度进行估计，且认为ANN模型主要基于人类大脑处理信息的方法，模仿人类思考问题的能力，体现了人类大脑的某些特征，是一种对大脑的抽象、提炼。运用ANN模型分类遥感影像信息，能减小影像混合概率模型的遥感影像分类方,能的大幅度提高，研究集中于对混合模型参数采用极大似然法进行估算。1977写特征识别、生物聚合物中的基序发现、人脸识别和等。Jansen和DenNijs[37]使用正作。Rabiner和Juang[39]描述了如何用隐理论识别孤立数字，其中，与过的各个状态均有关联的概率密度函数是正态混合模型。Revow[40]等对传统的混合模型盟的或蛋白质序列中识别基序。McKenna[42]等，在人脸识别研究中标识每个对象脸部EM算法估计，再用贝叶斯规则估计密混合高斯模型法在影像分割、建立图像背景和检测物体运动特征等方面获得了较方面的研究主要有，骆剑承[8]基于地物光谱空间的多密度混合分布情况，借助最大期望(expectationization，EM)模型估计各个地物类别的概率密度曲线参数，然而它还QB影像中的建筑，不同建筑类型通过不同子高斯项进行表达，进而将建筑划分为更加精细的类别，表明混合高斯方法对单个类别地物分类的可靠性。[45]等用混合高斯理论(Gaussmixturemodel,GMM)表达每一类地物类别光谱信息，且将其在半监督影像分类(semi-supervisedclassification)实践中进行研究，取得了具有较好的应用价值。[46]等研索当中的应用。张伟树[35]研究了高斯混合模型在医学图像分割中的应用。KaiXu[48]等提出GMM的影像分割模型。陈雪峰[49]等探讨了图像高斯混合模型的判别学习方法。，[50]研究了双重高斯混合模型的EM算法的聚类问题研究。任广波[18]主要研究自适应消除概率最小高斯分量数的方法获取训练样本最佳高斯混合分量个数，并采用K均体现直方图的多极值特征，能有效解决影像分类、边缘分割等问题。EMDempster等人于1977年求参数极大似然估计的法。EM模型过程主要有：通过E步和M步构成，由最大化不完整数据的对数似然函数通过迭代来最大化完整数据的对数似然函EM算法，主要是为析，利用K均值算法来初始化混合高斯模型的参数。技术EME步（初始化参数计算后验概率）MYNYN基于高斯混合模型的遥感影像分自适应获取各地物样高斯混合模型的最佳高斯分量贝叶遥感影像分分类结果与精度评EM算法参训练样本特征选 遥感影像数1-1技术路遥感影像数§1.4结EM算法，在此基础上探讨了高斯混合模型的初斯混合模型分类。最后分别选取了以TM影像为代表的中分辨率（多光谱）影像和以§1.5本章主要了本文的研究背景与意义，并对该选题的国内外研究现状进行了分析比有限混合模型最初由Pearson在1984年提出，在图像识别领域中的首次应用则是ChhikaraRegister1979年开发出的第一个基于有限混合模型的数字分类系统[51]𝑓(𝑥) ∑ (2−的权重，且wk>0,k=1,...,N，由归一化条件，即∑𝑁 𝑤𝑘=1。当混合模型中的成分是独立的概率分布时，可以称之为概率混合模型。把f(x)换P(x)，式(2-1)重写为下式:P(x)=∑

(2−§2.2论上阐述了产生正态分布的条件。中心极限定理的比较直观说明是：如果决定某一随一种因素可以起到压倒一切的作用，那么这个随量一般近似于正态分布。简单来在这种情况下，可以用多个统计分布模型的和来达到较好的拟合效果。高斯混合模型在图像识别领域，基于高斯混合模型的方法具有形式灵活、识别速度快、能力高斯混合模型可表示如下：设X={X1，X2，…，Xd}T是d维的随量，x={x1，x2，…，为µi、方差为∑i的高斯分布，则整个数据集的分布可以用高斯混合模型来描述：f(x|θ)=∑𝑤𝑖𝑝𝑖(𝑥;式中：wi为权重，且满足下列条𝑤𝑖≥0， 𝑤𝑖=1，𝑖={1，…

(2−θ={(wi，ui，Σi)，i=1，2，M}为未知的待估计的GMM𝑝𝑖(x；ui，Σi)为正态分布，且 𝑝(𝑥；𝑢，𝛴)=(2𝜋)−𝑑/2|𝛴|−1/2exp

(𝑥−𝑢)𝑇𝛴−1(𝑥−𝑢 (2− §2.3EMEM算法简EM算法法称期望最大化算法。EMDempster，Laind，Rubin1977年提出的求参数极大似然估计（MLE）的法。它可以从非完整数据集中对参数进行最大似使类内相似度尽可能的大，类间相似度尽可能的小。同时EM算法也是一种迭代算法，主量的参数向量后进行迭代，每一次迭代都能保证似然函数值增加,并且收敛到一个局部极EM算法包括两个步骤：由EM步组成，它是通过迭代地最大化完整数据的对数似然函数的期望来最大化不完整数据的对数似然函数，通过交替使用这两个步骤，EM算EM算法的主要目的是提供一个简单的迭代算法计算后验密度函数。EM算法的原EM算法需要假设选取样本符合高斯混合模型，算法目的是求出高斯混合模型各个正MP(x)iNi(x;i,i

N(x) (2

expd/2

(x)T1(x i

NiP(X|)P(x|)argmaxP(X| （2—i 这里遇到一个问题，混合高斯分布一共有k个分布，并且对于每一个观察到的x，如果同时还知道它是属于k中哪一个分布的，则求各个参数并不是件难事。比如用z来而现实往往是不知道每个x属于哪个分布，也就是说z是观察不到的，z是隐藏变 P(X,Z|)logp(xi,zi|)log(iN(xi;zi,zi （2— Q(,old)Ez[logp(X,Z|)|X,old （2—zQ(,old)E[logp(X,Z|)|X,oldz

logp(X,Z|)f(Z|X,oldlogp(X,Z|)p(Z|X,old Nlog(p(x;,))p(Z|X,old z log(p(x;, p(z|x,old z j...Mlog(p(x;,

p(z|x,oldk z11z21Znk

k1

p(x;,))p(k|x,oldM Mlog(k)p(k|xi,old)log(pk(xi;k,k))p(k|xi,oldk1 k1k

1N

p(k|

Nxip(k|xi,oldNknewNp(k|xi,old

p(k|x,old)(xnew)(xnewknew

NNp(k|xi,old

（2—ip(k|x,(i1可由式（2-13）ip(k|x,old)i

p(k,xi|oldp(k|old)p(x|k,oldM （2—Mp(l|old)p(xi|l,oldloldN(x|old,old | , | , oldN l P(X,Z|)logp(xi,zi|)log(iN(xi;zi,zi 关于条件分布p(Z|X,old的期望Q(,old)E[logp(XZ|)|X,old]M步：M步骤，是将似然函数最大化以获得新的参数值，用new更新old使Q(,oldEM算法的主要目的是提供一个简单的迭代算法计算后验密度函数，它的最大优点是很大。因此，对EM算法初始化参数的研究具有非常重要的意义[55-58]。K均值初EM算法参KK-Mean算法，是应用最为广泛的聚类算法之一[59]。该算法是一种间接聚类算法，是一种基于样本间相似性度量聚类方法，以类中各样本的均值来代表该类，该算法具有十分清晰的几何意义，但性十分的差。K均值算法通常以类中心与数据点之间的距离的总和作为该算法目标函数，如果该算法的目标函数看成为分布归一化有限混合模型似然对数，K均值算法则被看成概率模型算法的推广。影响EM算法迭代效率的稳定性的原因之一就是因为EM算法常常选取随机值，而由于KEM算法用于有限混合模型参数估计有一定吻合性，都是一种分类个数人为确定的动态迭代算法，故可以通过k均值聚类先给出混EM算法迭NY选择C个中心2-1K均值算法框 cc个类的初对于所有的ij，i=1，2，c如果‖X𝑍(𝑘)‖X−𝑍(𝑘)‖，则Xϵ𝑆(𝑘)，其中𝑆(𝑘) 以𝑍(𝑘)为中心第三步：由第二步得到𝑆(𝑘)类新的中心 𝑍(𝑘+1)=

∑

（2−式中：𝑁𝑗为𝑆(𝑘)类中的样本数。𝑍(𝑘+1)是按照使J最小的原则，J (𝑘)J=∑∑‖X−𝑍𝑗𝑗=1

（2− 模拟数值EM算法和KEM算法聚类效果。我2-2模拟数据的直方果如表2-1所示：真实参EM算k均值初始化EM算KEM算法对原始数据进行聚类后得到的高斯混合EM算法求取的参数更加精确，由此可以看出经过K均值初始化的EM算法的优越性。.........设Ω={ω1,ω2,…,ωc}c个类别状态的有限集合，特征向量Xd维随机向量，Bayes法则，后验概率P(ωj|X)就是P(𝜔|X)= （2− P(X)=∑𝑃(𝑋|𝜔𝑖)因为式中的分母P(X)在做决策时是不起作用的，所以决策法则可用类条件概率密度P(x|wj)和先验概率P(wj)来表示，决策法则就是：如果P(x|w1)p(w1)>P(x|w2)p(w2)，则决策对于上述（1）P(x|w2)p(w1)，就得到以下的决策法则形式如果l(x)=𝑃(𝑥|𝜔1)>𝑃(𝜔2)，则决策ω1；否则决策ω2 而

如果似然比超过某个阈值𝑃(𝜔2)，则做决策ω则§2.6EM算法，在此基础上探讨了高斯混合模型的初始化方法，最后介绍了贝叶光谱特征分析来选择特征参数，将特征空间划分为互不的子空间，然后将影像内各个遥感影像分类算法的是确定判别函数和相应的判别准则，但是在多（高）光谱遥没有类别的先验知识的情况下，指定某一准则让计算机自动判别归类，无需人为，则精度相对偏置精度分析是将分类的类别与其所在的空间位置进行检查来表示精𝑝

1∑ （3− 式中m--分类后的类别数；

=

（3−式中pii--矩阵中第i列元和

=

（3−中的所有样本中，其实测类型却是也为第i类样本所占的比例。总体的Kappa𝑁∑𝑚𝑝𝑖𝑖−∑𝑚(𝑝𝑝𝑖×K （3−𝑁−𝑁−

(𝑝𝑝𝑖×则为极好。Kappa系数也是评价分类精度最重要的指标。 到不同的类中，由此将待分类的模式集分成若干个互不的子集；另一类方法主要是定层次聚类算法(HierarchicalClusterMethod)是对给定的数据集按照分层的原则构成簇，n个子类开始逐步合并最相似的类以形成一个新的聚类，直到算法，它是开始于一个大类，逐步形成n个类或者满足某个终止条件为止。其中代表算法有：BIRCH算法、CURE算法、CHAMELEON算法[61,62]等。划分聚类算法(PartitioningClusterMethod)是给定一个有N个元组或者的数据集，基于密度的聚类方法(Density-basedClusterMethod)与其它方法的一个根本区别是：它代表算法有：DBSCAN算法、OPTICS算法等。基于网格的聚类方法(Grid-basedClusterMethod)首先将数据空间划分成为有限个单元遥感影像的目前的算法大多针对3个波段以下的图像，而遥感影像包含了多个波段，各个遥感影像中包含的地物类型信息复杂，且具有丰富的纹理特征，反映了地物的遥感影像地物高斯混合模型分量数3-1所示；同时，不同的地物在多个波段图像上亮度的呈现规律也不同。因此，草 林 长湖 图3-1TM影像样本直方图EMk进行预先设置，然后（i=12k这会使得拟合效果不够完美[63]k征的缺陷。自适应GMM算法流程如图3-2所示。NY是去掉概率最小的高斯分3-2自适应GMM算法流第一步：在参数空间Θ中为φ选择一个合适的初始值φ0，s=0；k{0𝑘𝑛}，N0，N表示自适应分类EM算法迭代的次数。k>=2，N=N+1，同时进行第三步，如果第三步：E_step：通过当前估值φ0来计算辅助函数𝑄𝑛(φ∙φ𝑧)=E(𝑙𝑜𝑔(φ|x,z))=∫𝑙𝑜𝑔p(x,z|φ)f((z|x, （3−第四步：M_step：在参数空间中是𝑄𝑛(φ∙φ𝑧)极大化，求𝜑Δ=𝜑z+1∈Θ使𝑄𝑛(φ𝑧+1∙φ𝑧)=max𝑄(φ, （3−第五步：如果𝑙𝑜𝑔𝐿(φ𝑧+1𝑙𝑜𝑔𝐿(φ𝑧𝜀2ss1𝑄min⇐𝑄𝑛(φ𝑧+1∙φ𝑧)∙应的𝜑Δ，k遥感影像高斯混合模型非监督分或高斯分布的叠加，各个不同目标高斯分布的和构成了整幅遥感图像的高斯混合模型同地物高斯分布的和构成了遥感影像的高斯混合模型的表达，这是基于高斯混合模型建可以按照式2-32-4进行。w1=0.27733，w2=0.221045，u1=[102.53336947.00211353.65805865.20373387.892538145.678670u2=[91.95881040.10816738.67356027.00455315.274118136.264998u3=[92.86999740.06450140.64425461.31608062.757961143.6668831

-61.1194431.59507 - 59.306153 - - - ---10.729391-

-----------0.644368 2-

1.2762749.408934

--

-

28.05158416.316378 - 31.61004 --

-

-

-

-

--

37.77094712.944067w1=0.313139，w2=0.165621，w3=0.214719，w4=0.132466，w5=0.174056；u1=[98.12426742.65749745.86893250.98483861.790177145.93405936.181761]；u2=[105.56977449.05485957.66832164.51668493.378610146.125199u3=[91.92685540.13287238.65211526.58247014.608044136.038575u4=[86.93800436.61303434.33277465.68428755.866034141.079671u5=[91.25070140.49663340.53915579.00059279.750904142.433615-7.963961

-4.62 - - -4.62-0.22

-

54.60138522.806226

-

35.59807230.772781 - 238.897032 - - - 6.990197 ------- 11.580489---17.776594 -----9.3539114 45

6.753925----------6.7632675.39943312.855995 -----22.629009-6.394285-38.063402遥感影像高斯混合模型根据地物特征，采用EM算法确定高斯混合模型的参数，然后将未知类别的样本的观测值§3.4半监督半监督学习研究主要关注当训练数据的部分信息缺失的情况下，如何获得具有良能和推广能力的学习机器，这里的信息缺失涵盖数据的类别缺失或者存在噪声，数据学习样本，对大量的学习样本做类别的标记是一项非常费时的工作；非监督学习是一标记样本，这样既减轻了标记样本的工作量，又提供了更高效的分类器,是近年来模式识（（xlX→Y可以准确的对样例x其标记y，其中𝑥𝑖∈𝑋为d维向量，𝑦𝑖∈𝑌为样例x𝑖的类别标方法EME步（初始化参数计算后验概率）M3子图的像元领域，而最大的常见的纹理特征描述和分析方法主要有：直方图分析aw纹理能量测量法、自相关函数分析法、灰度共生矩阵法、傅立叶频谱分析法、小波分析法、随机场分析Law纹理能量测量法的基本思路是设置两个窗口，一个是微窗口（5理能）用在三中，相隔某一距离的两个像素，他们具有相同的灰度级，或者具有不同的ij的像素同时出现§4.3遥感影像的分类实验及评价TM影像的分类实图4-12009年9月6日的地区的TM影像741波段图本文选取2009年9月6日的地区的TM影像进行分类，该区域有长江、城中湖、地物类样本容颜长红湖蓝草绿林品黄地紫3个高斯分量、居民地4个高斯分量、地3个高斯分量。通过EM算法求取各类地物样将本文分类方法和平行六面体法、最小距离法、马氏距离法、最大似然法、支较，分类实验结果如图4-2所示。 （f）传统（g）自适应4-2基于光行矩阵分析，各分类结果矩阵如图表4-2到表4-8所示。 草草林长湖地

7046草005林20000长00000湖0000020地1008

草林长湖地草林长湖地0000000草007林0130长00000湖03029200地000

地0000000草0000000草009林长00037湖0603108地200

地0000000草0000000草010林0000长00000湖010567地2004-64-6SVM分类结

草林长湖地草林长湖地0000000草003林0100长00000湖030007地0000 草草林长湖地0000000草00000林00122长1湖0001地0000

分类图)=表表4-8本文自适应GMM分类结

分类图地0000000草00000000草00000林00122长010湖00011754地000类方法分类结果的矩阵可以看出，本方自适应GMM方法在区分草地和林地，以及居民地和地时，有很好的容错性，符合高斯混合模型的原理，遥感影像的分类实验将本文分类方法和平行六面体法、最小距离法、马氏距离法、最大似然法、支较，分类实验结果如图4-3所示。 （f）传统（g）自适应4-3 草草林长湖地

1草05林10000长00000湖00000207地 矩

草林长湖地草林长湖地0000000草00林0130长00000湖0302200地000 矩

地0000000草0000000草01林长00036湖0905207地200 矩

地0000000草0000000草020林0000长00000湖010567地2004-134-13SVM类结草林长地0000000草015林0030长00000湖0305007地0000

地0000000草0000000草00000林00122长0湖00315754地072 矩

草林长湖地草林长湖地0000000草00000林00122长0湖00315754地02根据图4-3和表4-9至4-15可以分析出，本文分类方法，在根据TM影像的光类方法分类结果的矩阵可以看出，加入纹理信息后，居民地和地的错分率降低了，TMTM影像光谱和纹理信息的高斯混Kappa系数如表4-16所示。 Kappa系Kappa系SVM传统GMM本文自适应GMM法GMMTM影像光谱信息所得的分类结果。试验结果证明了加入纹理信息针对TM影像分类的有效性、可行性和优越性。Quickbird影像的分类实图4-4汉阳莲花湖公园区域Quickbird影像432波段彩色图在针对高空间分辨率遥感影像分类实验时，本文选取汉阳莲花湖公园区域的物，地物信息复杂，尤其是建筑物、地以及道路光谱信息很接近，地理位置交错，分类地物类样本容颜长红湖绿植蓝地黄道蓝品35EM算法求取各类地物样本的将本文分类方法和平行六面体法、最小距离法、马氏距离法、最大似然法、支较，分类实验结果如图4-5所示。 （f）传统（g）自适应 长长湖植地道00006长000湖002植00地300道00000000

长长湖植地道0000000长0000湖00植00008地300道100

矩

长湖植地道长湖植地道0000000长0009湖00植0000地000道000

长湖长湖植地道0000000长00000湖0002植0004地600道00表表4-22SVM分类结

长湖植地道长湖植地道0000000长00103湖0202植00007地000道0080表表4-23传统GMM分类结 矩

长湖道植地长湖道植地0000000长00030湖0020道0植00地100 长长湖道植地0000000长00050湖0020道0植000202地000

根据4-54-184-24可以分析出，本文分类方法，在根TM影像的光将本文分类方法和平行六面体法、最小距离法、马氏距离法、最大似然法、支较，分类实验结果如图4-6所示。 （f）传统（g）自适应4-6

分类图长湖植地道长湖植地道209长0009湖0002植00地000道80010001 长长湖植地道0000000长0000湖00植00008地300道100

分类图=

分类图长湖植地长湖植地道0000000长00湖0植00005地000道0907

长湖植长湖植地道0000000长00000湖0002植00043地000道0= 长长湖植地道0000000长00005湖0202植00007地000道008

分类图)=表表4-30传统GMM分类结 矩

分类图长湖植地道长湖植地道0000000长00061湖0020植0地0670道20010 长长湖植地道0000000长000湖020植0地00020道0030

分类图)=4-64-254-31可以分析出，本文分类方法，在根据Quickbird影像法、SVM法和传统GMM法，总体来说，本文分类方法具有较高的分类精度。根据及Kappa系数如表4-32所示。 Kappa系Kappa系SVM传统GMM本文自适应GMM方4-32Quickbird为代表的高空间分辨遥感影像上，基于光谱合模型针对Quickbird影像分类的有效性、可行性和优越性。§5.1GMM遥感影像分类方法，通过结合遥感影像的光谱特征和纹理特征，基于高斯混合模型分类。采用纹理特征§5.2本文在基于高斯混合模型的遥感影像光谱特征分类的基础上，引入纹理特征参采用自适应消除最小权重高斯子分量的方法，判断子高斯分量数的最优值，执本文采用了基于高斯混合模型的遥感影像分类建模，仅考虑到了遥感影像特征的概率性，未考虑到其不确定性（模糊性时光荏苒，岁月如梭，答辩，三年的学习生活也即将画上。回我首先要向导师吴信才教授致以最深最诚挚的谢意。吴老师渊博的知识、严谨的同时还要感谢徐世武教授、许凯讲师在方面给予帮助和指导，两位老师在百忙之中抽出时间悉心指导，从的研究内容、技术路线的确定到实验结果的分析，都给了我很多宝贵的意见，每一次都使我对高斯混合模型遥感影像分类方法的理解进一步加深，给了我很大的启发和帮助。此外还要感谢学弟邓凯强、在实验过给予的帮助。正是因为他们的帮助，才使得我顺利完成了遥感影像分类实验和的感谢“金石团队”成员、、、卢素斋、、、春、、、、郭振辉、等对关心与毫无保留的帮助。感谢一起写论文的李婵、刘伟、等同学，与并肩，使我在过充满了欢乐，更加充们让我在结束每天疲劳的工作和学习有了充满和温馨的休息港湾。还有许许多多的同学、朋友给予过的帮助，不能一一述之，但都默记在心，也一并表示感最后，我要感谢的是我家人。感谢父母对养育和教育，没有就没有今天的我。感谢家人，因为的存在，因为的支持和鼓励，更因为的爱，让我有信心和勇气去面对，在经历一个又一个挫折的过，始终没有放弃，最终完成20145钟燕飞,,湘.遥感影像分类中的模糊聚类有效性研究.大学学报(信息科学英.遥感应用分析原理与方法::科学骆剑承,,马江洪等.遥感图像最大似然分类方法的EM改进算法.测绘学[10]ZhouX,WangX.OptimisationofGaussianmixturemodelforsaliteimageclassification.IEEProceedings-Vision,ImageandSignalProcessing.2006,153(3):349-[11]deMeloACO,deMoraesRM,DosSantosMachadoL.Gaussianmixturemodelsforsupervisedclassificationofremotesensingmultispectralimages:Springer.2003:440-DayNE.Estimatingthecomponentsofamixtureofnormaldistributions.Biometrika.1969,56(3):463-474.DempsterAP,LairdNM,RubinDB.umlikelihoodfrom pletedataviatheEMalgorithm.JournaloftheRoyalstatisticalSociety.1977,39(1):1-38.JainAK,DuinRPW,MaoJ.Statisticalpatternrecognition:Areview.PatternysisandMachineInligence,IEEETransactionson.2000,22(1):4-37.PermuterH,FrancosJ,JermynI.AstudyofGaussianmixturemodelsofcolorandtexturefeaturesforimageclassificationandsegmentation.PatternRecognition.2006,39(4):,,BmS,Landgrebe.TheeffectofunlabeledsamplesinreducingthesmallsamplesizeproblemandmitigatingtheHughesphenomenon.IEEETransactionsonGeoscienceandRemoteSensing.1994,32(5):1087-1095.,高振宇.多分类器联合监督分类方法研究.测绘,2006,29(1):15-16;[24]RichardsJARemotesensingdigitalimageysisanintroduction:Springer.2012.PanjwaniDK,Healey.Markovrandomfieldmodelsforunsupervisedsegmentationoftexturedcolorimages.IEEETransactionsonPatternysisandMachineInligence.1995,17(10):939-954.ChengK,LinJ,MaoC.TheapplicationofcompetitiveHopfieldneuralnetworktomedicalimagesegmentation.IEEETransactionsonMedicalImaging.1996,15(4):560-567.HuangC,DavisLS,TownshendJRG.Anassessmentofsupportvectormachinesforlandcoverclassification.InternationalJournalofRemoteSensing.2002,23(4):725-749.AtkinsonPM,TatnallA.Introductionneuralnetworksinremotesensing.InternationalJournalofremotesensing.1997,18(4):699-709.李德仁.论21世纪遥感与GIS的发展.大学学报(信息科学版),2003(02):127-131;[30]BaatzM,SchäpeAMultiresolutionsegmentation:anoptimizationapproachforhighqualitymulti-scaleimagesegmentation.AngewandteGeographischeInformationsverarbeitungXII.2000:12-23.TobiasOJ,Seara.Imagesegmentationbyhistogramthresholdingusingfuzzysets.IEEETransactionsonImageProcessing.2002,11(12):1457-1465.MushrifMM,Ray.Colorimagesegmentation:Rough-settheoreticapproach.PatternRecognitionLetters.2008,29(4):483-493.WebbAndrewR.,统计模式识别.:电子工业JansenRC,Nijs.Astatisticalmixturemodelforestimatingtheproportionofunreducedpollengrainsinperennialryegrass(LoliumperenneL.)viathesizeofpollengrains.Euphytica.1993,70(3):205-215.LuttrellSP.Partitionedmixturedistribution:anadaptiveBayesiannetworkforlow-energyimageprocessing.IEEProceedings-Vision,ImageandSignalProcessing.1994,141(4):JuangB,RabinerL.MixtureautoregressivehiddenMarkovmodelsforspeechsignals.Acoustics,SpeechandSignalProcessing,IEEETransactionson.1985,33(6):1404-1413.RevowM,WilliamsCK,HintonGE.Usinggenerativemodelsforhandwrittendigitrecognition.PatternysisandMachineInligence,IEEETransactionson.1996,18(6):BaileyTL,ElkanC.Unsupervisedlearningofmultiplemotifsinbiopolymersusing ization.Machinelearning.1995,21(1-2):51-80.MckennaSJ,GongS,RajaY.Modellingfacialcolourandidentitywithgaussianmixtures.Patternrecognition.1998,31(12):1883-1892.VatsavaiRR,ShekharS,BurkTE.Asemi-supervisedlearningmethodforremotesensingdatamining:IEEE.2005:5.KaiX,FangfangW,KunQ.AnimagesegmentationmethodbasedonType-2fuzzyGaussianMixtureModels:IEEE.2010:363-366.,.双重高斯混合模型的EM算法的聚类问题研究.计算机仿MclachlanG,PeelD.Finitemixturemodels:JohnWiley&Sons.2004.[53],王加俊.基于高斯混合模型的纹理图像的分割.微电子学与计算][56],.高斯混合模型聚类中EM算法及初始化的研究.微计算机信[57王鑫基于高斯混合模型的k均值初始化EM算法的研究商丘师范学院学[58],,沈锋.混合高斯分布的变分贝叶斯学习参数估计.交通大学学DavidsonI.UnderstandingK-meansnon-hierarchicalclustering.ComputerScienceDepartmentofStateUniversityofNewYork(SUNY),Albany.2002.GuhaS,RastogiR,ShimK.CURE:anefficientclusteringalgorithmforlargedatabases:ACM.1998:73-84.KarypisG,HanE,KumarV.Chameleon:Hierarchicalclusteringusingdynamicmodeling.Computer.1999,32(8):68-75.宋磊,郑宝忠,张莹等.一种基于高斯混合模型的改进EM算法研究.应用光w1=0.205946,w2=0.579705,w3=u1=[90.34076340.20502640.90554076.55135280.539595141.560505u2=[85.66540737.54130235.14476183.22076978.487868140.708262u3=[89.69049739.35872935.94205990.38389777.017041140.502093

---

13.17963710.76401127.904103-

- -

-

57.920787 - 1.680125 - 63.3409095.7419512.3079253.289015-3.5122873.850793-0.1664644.70644 2.3079252.0820762.970731-0.9792285.4251990.3090614.52375 3.2890152.9707316.375086-3.63550711.2830231.07161 9.575242

-3.512287-0.979228-3.63550736.64459110.6560270.8754

-3.1953.85079

5.42519911.28302310.65602752.7866643.82688927.6768-0.1664640.3090611.0716160.8754 3.8268891.2244832.497144.7064484.5237529.575249-3.19522927.676842.49714521.466010.4362025.8285716.09042533.80033233.226781.22904911.7914.533374.2020324.533374.2020320.28567720.4697940.690374.202036.173528.17214311.2961320.99237 6.09042 33.80033220.2856778.17214

379.534033918.0015645.67073

6.3004987.116333.2267

20.46979411.296132318.001563506.5919643.93756988.5521.2290490.6903720.9923744.6707354.9375690.8368821.952511.7918717.41878

6.30049387.11634188.5521641.95252829.920w1=0.208951,w2=0.352504,w3=u1=[86.76404737.11064934.67372273.56417465.720461140.185548u2=[80.49835531.99445628.12750960.08079242.820271138.844608u3=[82.81841233.45638029.69887964.41157349.881508139.070066u4=[84.09648934.63489730.84936071.77147455.942336139.4909736.8528944.8337658.238586--51.7748343.2535852

33.811901.289241.18332-0.4951111.195900.2881420.6231.289241.183340.767980.2642 0.518370.1590370.3471.183320.767981.151580.6256550.580750.1974090.259-0.4951110.2642 0.62565514.3056435.20254

-0.0621050.2151.19590

0.5183780.5807595.20254410.461334-0.0265582.6830.2881420.1590370.197409-0.062105-0.0265580.6254450.0810.6233420.3479580.2593840.2152122.6830 0.0816651.9638.23908 3.59814 4.20943 -1.99278383.59814 2.69492 2.50857 -0.403783

1.3 0.8 4.20943 2.50857 3.44696 -1.4597351 1.1-1.99288 -0.4038393181.45195.12155 -0.55461 0.5615 -0.341871.14150

-0.278370.77537

-0.350670.9062

- 30.5615 1.35861

0.86423 1.15979 99.914473.755234.40583-1.4027142.264290.575232.00703.755232.311962.409400.0008651.669180.387371.37534.40583

2.4094093.507264-0.5612772.5320750.4757282.0450 -1.4027140.00086

-0.56127717.6234954.1630710.06038

-0.07972.26429

1.6691812.5320754.16307117.9159030.0663267.01370.5752360.3873710.4757280.0603820.0663260.5617940.25342.0070931.3753172.045081-0.0797247.0137530.2534854.6234w1=0.229249,w2=0.055336,w3=u1=[103.97436049.43204457.15380330.40075411.975896132.000000u2=[102.78012248.64640455.91609529.48552012.348075133.833156u3=[103.67127149.39917156.91022130.03038712.230663133.0000001

0.441075-----0.1104772----1.6656454.06677-----3.6216663.844971.116021.315791.029321.116021.20110.961250.545881.31579

0.96125 1.98227 0.79416

0.5 1.02932 0.54588 0.7941656 1.07.836453 0.00000 1.09240 0.55157 0.63258 0.86453 1.0 0.000000.000000.000000.000000.00.761740.375730.502950.57864w1=0.278857,w2=0.337427,w3=u1=[91.73150339.72074536.58448128.19745015.408264136.770987u2=[86.85095436.40320731.52665221.52245611.815845135.623308u3=[86.95275336.35470832.54366825.89628413.849753136.077388

-

--

1.091629- 1

-

---

-

-

0.5604444.3415907.4801751.2977515.1374172

5.5488925.548892.818252.760560.599050.45500-0.5970570.3072.818253.266472.534321.161630.83833-0.385590.4812.760562.534323.031571.528230.73687-0.1989610.4190.599051.161631.528233.256611.05640.6247260.375

0.83833

0.73687

1.0564

1.78594

0.16761

0.456-0.597057-0.38559-0.1989610.6247260.1676190.6012490.0193

0.30722-

0.48136--

0.41968

0.37524-

0.45658-

0.01978-----

1.1680.0126940.0010610.1647831.0380191.761998w1=0.253888,w2=0.511573,w3=u1=[103.34420345.65217451.26992852.19565277.2246380147.853261u2=[99.314573042.84723646.12864346.88241257.9969850147.324623u3=[94.583333039.15315340.81982035.54504538.2590090149.806306u4=[95.000000039.38461541.92307737.153846148.307692150.307692

---

5.729057- -3.2472841

- -11.323444

-

-

-

65.89515814.445396 - - - 23

--

1.903542----------------3.6841353.16231625.507763.6410842.5704965.1506317.023855----4.375755--------

-

-

- 2053.320513w1=0.152807,w2=0.517578,w3

u1=[143.38414165.97041279.51659685.565605144.682464150.180785u2=[106.45428852.44293265.23666868.81260897.3566130146.4187791

-

-

-

-

-

------

175.115887-13.423023-13.925223--- --- -----

-2.5872768.1871233.92714547.12593w1=0.720225,w2=u1=[86.62358238.11203736.47187781.64373079.190950140.92096810.225952u2=[89.73224039.42850936.57856787.87962077.054413140.62897922.417279

16

---

3.2264951.2635252.751948--

-5 -14.51327752 -0.840079- 1

60.286253 - - 0.09783 -21.14644638.701771 3.517497 - - --7---------w1=0.170141,w2=0.388358，w3=u1=[88.83974837.98080535.60135872.12263862.237123140.03651614.251294u2=[80.26684531.94493528.10467962.53486044.702512138.8061475.306442u3=[83.34269934.15232830.43426367.72374254.447923139.4790437.569606-14-8.074608

-0

-6.968941 29.792803 213566021-0 -1210.788668 5.2121922

-

5

--1.3450951.1910230.930384423.374561-10.270603 --3--w1=u1=[103.68478349.36067256.90415030.08004012.180830132.8270751

-

0.268503-00.1003170.2598320.2368790.1923920.1923921.038775w1=0.295391,w2=u1=[91.13930639.43069336.19739027.95618715.227357136.7555087.4606976.839797u2=[86.79279836.22935731.85638323.54146112.748637135.7836986.1330730.875702-0-1-6.9689414-8.074608 22-0-1-2- 13566021 10.7886685.2121922

--

-

0-

------0.8399080393384--02938190