第33卷,第4期 光谱学与光谱分析 2013年4月 Vol.33 No.4 ppl071-1075 Spectroscopy and Spectral Analysis April 2013 一种基于中性集和均值漂移的彩色遥感图像非监督建筑物提取方法 于博12,牛铮1*,王力1,刘亚奇3,陈方 1.中国科学院遥感与数字地球研究所,遥感科学国家重点实验室,北京100101 2.中国科学院大学,北京100049 3.北京航空航天大学,北京100191 4.中国科学院遥感与数字地球研究所,数字地球重点实验室,北京100094 摘要建筑物的纹理和光谱信息的多样性一直是自动化识别的瓶颈.针对此问题,提出了一种彩色遥感 图像建筑物提取方法,该算法结合中性集和均值漂移,对转换到中性集空间的影像进行均值漂移分割,生成 以影像中主要地物类型为核心的光谱类别图像,提取建筑物.通过中性集空间的增强及分割,克服了传统均 值漂移分割稳定性低、光谐不连续及信息混杂的缺陷,避免了地物识别前提取连通区等操作.实验证明,提 出的算法可以简捷、完整、准确、稳定地提取建筑物,满足高分辨率遥感影像建筑物的提取要求. 关键词均值漂移;中性集;图像分割;建筑物提取 中图分类号:TP391.1文献标识码:ADOI:10.3964/j.issn.1000-0593(2013)04-1071-05 中的事物.现实世界中的每个命题都可以用真、假以及不确 引言 定的概率来表述.同样,图像转换到中性集中由三个子集来 描述,真子集、不确定性子集和假子集.如果用表示中性 建筑物的识别和提取为城乡规划和发展的监督和决策提 集,T F和I分别表示中性集的真、假和不确定子集,那么 供有力的客观依据.基于彩色图像的建筑物提取方法目前主N={(T I F):T I F[0 1]} T={t:tET} I={i:i 要在光谱信息和纹理信息的基础上,利用人工智能和机器学∈I} F={f:fEF};t i和f分别是每个像元转换到中性 习的思想对建筑物提取.其中,均值漂移(mean shift)是由城中是前景、不确定和背景的概率. Fukunaga等在1975年首次提出的.因为需要确定的参数 图像转换到中性集后,地物的光谱差异性得到了增强, 较少、速度快而且稳定性高,近年来被广泛用于图像分割,有助于对与背景地物光谱差异不明显的建筑物的识别.此 滤波等领域,为目标识别莫定了高效的算法基础.沈占峰 外,图像灰度的不确定性往往是由模糊性引起的,因为每个 等将mean shift与eCognition对比分析发现mean shift方法 像元的灰度信息是由光的人射和反射分量共同决定的,而在 在速度上略优于eCognition! 而且两者效果相同.但是利 这两个分量的确定过程中有很多的不确定因子均可归为图像 用mean shift方法对彩色图像分割,同种地物类型光谱信息 模糊的概念.因此我们采用在模糊中性域中对图像进行 不连续,不同地物类型光谱信息区别不大,而且存在大量斑 增强处理,再利用mean shift方法滤波、平滑,减少冗余光 点,不利于建筑物提取. 谱信息,得到一致、准确的光谱分割结果.本算法简称为 中性集(neutrosophic set)是由Smarandache提出的一 NSMS算法. 种模糊集.最初被广泛用于语义网络服务S等方面.Guo 等首先将中性集引人到图像处理领域.从此,中性集在图 1基于均值漂移图像分割方法 像分割、图像分类和阅值设定(]等方面都做了很大贡 献.中性集克服了普通模糊域中只有真、假两个子集的缺...