基于模糊聚类的黎曼流形空间遥感图像分割算法

赵天玉,赵泉华

(辽宁工程技术大学 测绘与地理科学学院，辽宁 阜新 123000)

0 引言

图像分割是遥感图像处理的重要环节，快速、准确的分割结果能够极大程度地降低后续数据处理的难度[1-2]。非监督图像分割主要是将图像映射到特征空间，并利用特征空间所表达的图像信息实现自动化图像分割[3-4]。因此，特征空间的表达能力直接影响分割模型的构建及最终分割精度。

传统遥感图像分割算法主要以图像的光谱特征空间为基础，利用表征同一目标的像素在光谱特征空间自主聚类的性质，设计相应的约束条件实现图像分割。Meanshift算法在全局范围内搜索密度最大的点，并将所有图像特征点划分到最大密度点对应的类别中[5]。与之类似，模糊聚类通过最小化同一类型目标的类内距离并最大化不同类型目标的类间距离的方式，将原始遥感图像数据划分为不同聚类，每个聚类代表一个目标[6-9]。

然而，在图像光谱特征空间，不同聚类间的数据存在明显的重叠，直接在光谱特征空间中建模难以有效区分位于重叠区域内的像素。图像域实际上蕴含了像素间的空间相关性。利用图像域邻域相关性增强光谱特征空间数据的可分性能够有效提高分割算法对噪声的鲁棒性，进而获得更加稳定、可靠的分割结果[10-12]。

遥感图像光谱特征空间为有限维欧氏空间，其数据表达能力有限，即便引入约束条件也难以提高该空间内图像数据的可分性。支持向量机利用核函数将原始遥感图像数据映射到高维空间，能够有效提高不同类型目标间的可分性[13-14]。……