基于层次化混合模型的高分辨率遥感影像分割方法
发布时间：2021-07-30 00:19
高分辨率遥感影像具有同一目标区域内像素异质性增强、不同目标区域间像素同质性增强等特征,这给其分割方法的设计带来了困难和挑战。在统计意义上,这些特征使得高分辨率遥感影像中各目标区域内像素光谱测度统计分布主要呈现出非对称、重尾和多峰等复杂统计特性,准确建模高分辨率遥感影像内像素光谱测度统计分布是获得高质量影像分割结果的有效途径之一,而传统混合模型难以达到准确建模像素光谱测度复杂统计分布的要求。为此,论文提出一种层次化混合模型用于建模复杂的统计分布,并依此提出高分辨率遥感影像分割方法,主要研究内容如下。（1）提出一种具有层次性结构的混合模型,称为层次化混合模型,用于解决高分辨率遥感影像内像素光谱测度复杂统计分布的建模问题。层次化混合模型定义为若干个组份概率分布加权和,其包括两层结构。层次化混合模型组份构成了第一层结构,其定义为若干个分量概率分布加权和,用于建模影像各目标区域内像素光谱测度复杂统计分布;层次化混合模型分量构成了第二层结构,由同一已知概率分布定义,用于建模目标区域中子区域内像素光谱测度的统计分布。通过准确建模像素光谱测度的统计分布,层次化混合模型可有效地利用影像内光谱信息,进而提...
【文章来源】：辽宁工程技术大学辽宁省
【文章页数】：156 页
【学位级别】：博士
【部分图文】：
FMM组份的概率分布
基于层次化混合模型的高分辨率遥感影像分割方法20(a)GMM(b)SMM(c)GaMM图2.2FMMs的概率分布Figure2.2ProbabilitydistributionsofFMMs2.2马尔可夫随机场2.2.1马尔可夫随机场理论MRF是指具有马尔可夫性的随机场，其主要包括马尔可夫性和随机场两个部分[89,90]。其中，马尔可夫性是指按照时间顺序将随机变量序列排列开，第t+1时刻的分布特征仅与第t时刻随机变量取值相关，而与第t时刻之前的随机变量取值无关，如图2.3所示。另外，随机场包含位置和相空间两个部分，是指依据某种分布从相空间中选取值赋给每个位置，其全体称为随机常其中，相空间内包含的是属性值。t1XtXt1Xt2Xt图2.3马尔可夫性Figure2.3Markovproperty构建MRF需满足正性条件和马尔可夫链性条件，其中正性条件表示随机场内各随机变量的概率分布为正值，马尔可夫链性条件表示随机场内随机变量的概率分布仅与其邻域随机变量有关。在FMM中，组份权重表示像素类属性的先验概率，各像素的组份权重集π={πi;i=1,2,...,n}满足MRF的正性条件和马尔可夫链性条件，因此可将其视为MRF。这两个条件表示为，lilip,0(2.13)iiiippNC||ππππ(2.14)式中，C为像素的空间域，C-{i}表示两个集合之间相减，πC-{i}表示不包括像素i在内的空间域C上所有像素的组份权重，iiiiNππN|表示像素i邻域位置像素的组份权重集合，i"为邻域像素索引，Ni为邻域像素索引(位置)集合。在式(2.13)中，组份权重的概率分布为正值，满足MRF正性条件。在式(2.14)中，在给定像素i邻域组份权重条件下像素i组份权重的概率分布等价于给定全局(不包括像素i自身)组份权重条件下像素i组份权重的概率分布。由于像素i与其周围像素具有相同类属性的可能性很大，尤其是当它们位于同一目
辽宁工程技术大学博士学位论文33(2.73)，其作为蒙特卡洛方法的一种特例形式。综上，将求解函数的积分问题转化为求解变量的概率分布问题，在已知概率分布的前提下，依据该概率分布采样n个随机变量x的样本集，利用式(2.74)可求得对应函数的积分。对于复杂的概率分布p(x)，通常采用接受-拒绝采样获得该分布的样本，其基本思想是依据一定的准则接受或拒绝采样已知的或可采样的概率分布的某些样本，以近似实现复杂概率分布采样的目的，其具体实现过程如图2.9。图中虚线表示b倍已知概率分布p"(x)，实线表示复杂的概率分布p(x)，且在虚线之下。首先，随机采样得到样本x0，然后从(0,bp"(x0))中均匀采样得到u，若u位于灰色区域，则拒绝该采样样本，否则接受该样本。重复该采样过程直到获得n个被接受的采样样本。x0bp"(x0)bp"(x)up(x)图2.9接受-拒绝采样原理Figure2.9Principleofaccept-rejectsample综上，接受-拒绝采样只能得到一维概率分布的采样样本，而对于二维或高维的概率分布，该采样方法难以获得其采样样本。为此，将马尔可夫链引入蒙特卡洛方法以实现采样复杂概率分布的样本集。(2)马尔可夫链的细致平稳条件定义：令q(κ,ζ)为马尔可夫链的状态转移核，π(·)为概率分布，对所有随机变量κ和ζ满足条件：qq,,(2.75)则称概率分布π(·)为状态转移核q(κ,ζ)的细致平稳分布。若已知细致平稳分布对应的马尔可夫链转移核，可利用该转移核采样得到复杂概率分布的样本集。因此，需要构建出使概率分布π(·)满足细致平稳分布的转移核q(κ,ζ)，而MCMC方法解决了构建满足平稳条件的转移核q(κ,ζ)的问题。(3)MCMC采样对于任意的马尔可夫链转移核q(κ,ζ)，其不满足细致平稳条件，即，qq,,(2.76)为了使细致平稳条件成立，引入接受率a(κ
本文编号：3310331
【文章来源】：辽宁工程技术大学辽宁省
【文章页数】：156 页
【学位级别】：博士
【部分图文】：
FMM组份的概率分布
基于层次化混合模型的高分辨率遥感影像分割方法20(a)GMM(b)SMM(c)GaMM图2.2FMMs的概率分布Figure2.2ProbabilitydistributionsofFMMs2.2马尔可夫随机场2.2.1马尔可夫随机场理论MRF是指具有马尔可夫性的随机场，其主要包括马尔可夫性和随机场两个部分[89,90]。其中，马尔可夫性是指按照时间顺序将随机变量序列排列开，第t+1时刻的分布特征仅与第t时刻随机变量取值相关，而与第t时刻之前的随机变量取值无关，如图2.3所示。另外，随机场包含位置和相空间两个部分，是指依据某种分布从相空间中选取值赋给每个位置，其全体称为随机常其中，相空间内包含的是属性值。t1XtXt1Xt2Xt图2.3马尔可夫性Figure2.3Markovproperty构建MRF需满足正性条件和马尔可夫链性条件，其中正性条件表示随机场内各随机变量的概率分布为正值，马尔可夫链性条件表示随机场内随机变量的概率分布仅与其邻域随机变量有关。在FMM中，组份权重表示像素类属性的先验概率，各像素的组份权重集π={πi;i=1,2,...,n}满足MRF的正性条件和马尔可夫链性条件，因此可将其视为MRF。这两个条件表示为，lilip,0(2.13)iiiippNC||ππππ(2.14)式中，C为像素的空间域，C-{i}表示两个集合之间相减，πC-{i}表示不包括像素i在内的空间域C上所有像素的组份权重，iiiiNππN|表示像素i邻域位置像素的组份权重集合，i"为邻域像素索引，Ni为邻域像素索引(位置)集合。在式(2.13)中，组份权重的概率分布为正值，满足MRF正性条件。在式(2.14)中，在给定像素i邻域组份权重条件下像素i组份权重的概率分布等价于给定全局(不包括像素i自身)组份权重条件下像素i组份权重的概率分布。由于像素i与其周围像素具有相同类属性的可能性很大，尤其是当它们位于同一目
辽宁工程技术大学博士学位论文33(2.73)，其作为蒙特卡洛方法的一种特例形式。综上，将求解函数的积分问题转化为求解变量的概率分布问题，在已知概率分布的前提下，依据该概率分布采样n个随机变量x的样本集，利用式(2.74)可求得对应函数的积分。对于复杂的概率分布p(x)，通常采用接受-拒绝采样获得该分布的样本，其基本思想是依据一定的准则接受或拒绝采样已知的或可采样的概率分布的某些样本，以近似实现复杂概率分布采样的目的，其具体实现过程如图2.9。图中虚线表示b倍已知概率分布p"(x)，实线表示复杂的概率分布p(x)，且在虚线之下。首先，随机采样得到样本x0，然后从(0,bp"(x0))中均匀采样得到u，若u位于灰色区域，则拒绝该采样样本，否则接受该样本。重复该采样过程直到获得n个被接受的采样样本。x0bp"(x0)bp"(x)up(x)图2.9接受-拒绝采样原理Figure2.9Principleofaccept-rejectsample综上，接受-拒绝采样只能得到一维概率分布的采样样本，而对于二维或高维的概率分布，该采样方法难以获得其采样样本。为此，将马尔可夫链引入蒙特卡洛方法以实现采样复杂概率分布的样本集。(2)马尔可夫链的细致平稳条件定义：令q(κ,ζ)为马尔可夫链的状态转移核，π(·)为概率分布，对所有随机变量κ和ζ满足条件：qq,,(2.75)则称概率分布π(·)为状态转移核q(κ,ζ)的细致平稳分布。若已知细致平稳分布对应的马尔可夫链转移核，可利用该转移核采样得到复杂概率分布的样本集。因此，需要构建出使概率分布π(·)满足细致平稳分布的转移核q(κ,ζ)，而MCMC方法解决了构建满足平稳条件的转移核q(κ,ζ)的问题。(3)MCMC采样对于任意的马尔可夫链转移核q(κ,ζ)，其不满足细致平稳条件，即，qq,,(2.76)为了使细致平稳条件成立，引入接受率a(κ
本文编号：3310331
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3310331.html
