顧及鄰域空間約束的極化SAR圖像模糊聚類算法

董鑫 盛瑞 王海松 胡宇軒 程爭(zhēng)

摘 ?要：傳統(tǒng)模糊聚類算法對(duì)噪聲敏感、未考慮鄰域像素的信息，分割效果不理想。為提高算法對(duì)噪聲的魯棒性和分類精度，該文通過(guò)引入像素的鄰域信息來(lái)改進(jìn)目標(biāo)函數(shù)。并且根據(jù)極化數(shù)據(jù)的分布特性，采用Wishart距離替代歐式距離，增強(qiáng)了對(duì)數(shù)據(jù)的非相似性測(cè)度能力。采用真實(shí)的極化SAR數(shù)據(jù)來(lái)驗(yàn)證算法的有效性。實(shí)驗(yàn)結(jié)果表明算法能夠有效抑制噪聲，取得了較好的分類結(jié)果，分類精度可達(dá)94.5%。

關(guān)鍵詞：圖像分類 ?空間約束 ?極化SAR ?模糊聚類

中圖分類號(hào)：TN957 ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-3791（2020）10（a）-0020-03

Abstract： The traditional fuzzy clustering algorithms are sensitive to noise and ignore the information of neighboring pixels， so the segmentation results are not ideal. In order to improve the robustness to noise and classification accuracy， this paper introduces neighborhood information of pixels to improve the objective function. According to the distribution characteristics of polarimetric data， Wishart distance is utilized instead of Euclidean distance， which enhances the ability to measure the non-similarity between data. The validity of the algorithm is verified by real polarimetric SAR data. Experimental results show that the algorithm can effectively suppress noise and achieve better classification results with classification accuracy of 94.5%.

Key Words： Image classification; Spatial constraints; Polarimetric SAR; Fuzzy clustering

圖像分類就是將一幅圖像劃分成多個(gè)不重疊的區(qū)域，使得區(qū)域內(nèi)的像素盡可能地相似，不同區(qū)域內(nèi)的像素差異性盡可能地大。然而受圖像分辨率的限制，極化遙感圖像中的像素具有不確定性，使圖像分類技術(shù)研究具有挑戰(zhàn)性。學(xué)者們嘗試將模糊集理論引入到聚類算法中，其中最著名的算法是模糊C均值聚類（Fuzzy C-Means， FCM）方法。然而，傳統(tǒng)的FCM算法對(duì)含噪聲嚴(yán)重的圖像的分割結(jié)果不甚理想。為了解決這個(gè)問(wèn)題，學(xué)者們將圖像的鄰域信息引入到算法[1-4]，允許像素的類別受鄰域像素的影響，提高了算法對(duì)噪聲的魯棒性，如FCM_S、FCM_S1、FCM_S2、EnFCM等。但鄰域像素對(duì)中心像素的作用力大小需要參數(shù)來(lái)控制，該參數(shù)的設(shè)置一般選取比較困難。針對(duì)這一問(wèn)題，該文提出一種自適應(yīng)鄰域空間約束的模糊聚類算法。此外，針對(duì)歐式距離對(duì)極化SAR數(shù)據(jù)分割不理想的問(wèn)題，該文根據(jù)數(shù)據(jù)服從復(fù)Wishart分布的特性，采用Wishart距離作為像素與聚類中心的非相似性測(cè)度。

1 ?算法描述

模糊聚類是一種無(wú)監(jiān)督得圖像分類算法，它允許每個(gè)像素以不同隸屬度同時(shí)隸屬于多個(gè)聚類中心。假設(shè)圖像一幅原始圖像，，其中表示像素的索引，表示圖像中像素總個(gè)數(shù)，xi表示圖像中第個(gè)像素的特征矢量。圖像有C個(gè)聚類中心，則像素到聚類中心的隸屬度矩陣可以表示為，目標(biāo)函數(shù)可以表示為：

2 ?實(shí)驗(yàn)結(jié)果與討論

為了驗(yàn)證算法的有效性，該文采用AIRSAR系統(tǒng)在Flevoland地區(qū)采集的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。圖像大小為427×299，如圖1（a）所示。其真值圖如圖1（b）所示，圖像包含7個(gè)類別。該文算法分類結(jié)果如圖1（c）所示，從圖中可以看出，該文算法分類結(jié)果較好，對(duì)噪聲的抑制效果也較明顯。

為了定量分析算法的結(jié)果，該文采用精確率、召回率、整體精度和Kappa系數(shù)來(lái)分析，結(jié)果如表1所示。從表中可以看出，該文的整體精度（Overall Accuracy， OA）達(dá)到了94.5%，Kappa系數(shù)達(dá)到了93.3%。驗(yàn)證了該文算法對(duì)噪聲的魯棒性，提高算法的分類精度。

3 ?結(jié)語(yǔ)

該文提出了一種顧及鄰域空間約束的極化SAR圖像模糊聚類方法。通過(guò)引入鄰域像素信息和采用Wishart距離作為非相似性測(cè)度，改進(jìn)了傳統(tǒng)模糊聚類目標(biāo)函數(shù)。對(duì)極化SAR遙感數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，數(shù)據(jù)分析可得算法的整體分類精度達(dá)到了94.5%，Kappa系數(shù)達(dá)到了93.3%，分類結(jié)果視覺(jué)效果較好，驗(yàn)證了算法對(duì)噪聲干擾抑制的有效性。

參考文獻(xiàn)

[1] Hua Zhang， Wenzhong Shi， Ming Hao， et al. An adaptive spatially constrained fuzzy c-means algorithm for multispectral remotely sensed imagery clustering[J].International Journal of Remote Sensing，2018，39（8）：2207-2237.

[2] 張潔玉，李佐勇.基于核空間的加權(quán)鄰域約束直覺(jué)模糊聚類算法[J].電子與信息學(xué)報(bào)，2017，39（9）：2162-2168.

[3] 朱占龍，劉永軍.融合混沌優(yōu)化和改進(jìn)模糊聚類的圖像分割算法[J].電子學(xué)報(bào)，2020，48（5）：975-984.

[4] 周友行，劉漢江，趙晗妘，等.基于像元相互關(guān)系的FCM聚類分割算法[J].儀器儀表學(xué)報(bào)，2019，40（9）：124-131.

[5] Licheng Jiao， Fang Liu. Wishart Deep Stacking Network for Fast POLSAR Image Classification[J]. IEEE Transaction on Image Processing，2016， 25（7）：3273-3286.

[6] Yuwei Guo， Zhuangzhuang Sun， Rong Qu， et al. Fuzzy Superpixels Based Semi-Supervised Similarity-Constrained CNN for PolSAR Image Classification[J]. Remote Sensing，2020，12（10）：1694.