董鑫 盛瑞 王海松 胡宇轩 程争
摘 要：传统模糊聚类算法对噪声敏感、未考虑邻域像素的信息，分割效果不理想。为提高算法对噪声的鲁棒性和分类精度，该文通过引入像素的邻域信息来改进目标函数。并且根据极化数据的分布特性，采用Wishart距离替代欧式距离，增强了对数据的非相似性测度能力。采用真实的极化SAR数据来验证算法的有效性。实验结果表明算法能够有效抑制噪声，取得了较好的分类结果，分类精度可达94.5%。
关键词：图像分类 空间约束 极化SAR 模糊聚類
中图分类号：TN957 文献标识码：A文章编号：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
图像分类就是将一幅图像划分成多个不重叠的区域，使得区域内的像素尽可能地相似，不同区域内的像素差异性尽可能地大。然而受图像分辨率的限制，极化遥感图像中的像素具有不确定性，使图像分类技术研究具有挑战性。学者们尝试将模糊集理论引入到聚类算法中，其中最著名的算法是模糊C均值聚类（Fuzzy C-Means， FCM）方法。然而，传统的FCM算法对含噪声严重的图像的分割结果不甚理想。为了解决这个问题，学者们将图像的邻域信息引入到算法[1-4]，允许像素的类别受邻域像素的影响，提高了算法对噪声的鲁棒性，如FCM_S、FCM_S1、FCM_S2、EnFCM等。但邻域像素对中心像素的作用力大小需要参数来控制，该参数的设置一般选取比较困难。针对这一问题，该文提出一种自适应邻域空间约束的模糊聚类算法。此外，针对欧式距离对极化SAR数据分割不理想的问题，该文根据数据服从复Wishart分布的特性，采用Wishart距离作为像素与聚类中心的非相似性测度。
1 算法描述
模糊聚类是一种无监督得图像分类算法，它允许每个像素以不同隶属度同时隶属于多个聚类中心。假设图像一幅原始图像，，其中表示像素的索引，表示图像中像素总个数，xi表示图像中第个像素的特征矢量。图像有C个聚类中心，则像素到聚类中心的隶属度矩阵可以表示为，目标函数可以表示为：
2 实验结果与讨论
为了验证算法的有效性，该文采用AIRSAR系统在Flevoland地区采集的数据进行实验。图像大小为427×299，如图1（a）所示。其真值图如图1（b）所示，图像包含7个类别。该文算法分类结果如图1（c）所示，从图中可以看出，该文算法分类结果较好，对噪声的抑制效果也较明显。
为了定量分析算法的结果，该文采用精确率、召回率、整体精度和Kappa系数来分析，结果如表1所示。从表中可以看出，该文的整体精度（Overall Accuracy， OA）达到了94.5%，Kappa系数达到了93.3%。验证了该文算法对噪声的鲁棒性，提高算法的分类精度。
3 结语
该文提出了一种顾及邻域空间约束的极化SAR图像模糊聚类方法。通过引入邻域像素信息和采用Wishart距离作为非相似性测度，改进了传统模糊聚类目标函数。对极化SAR遥感数据进行实验，数据分析可得算法的整体分类精度达到了94.5%，Kappa系数达到了93.3%，分类结果视觉效果较好，验证了算法对噪声干扰抑制的有效性。
参考文献
[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] 张洁玉，李佐勇.基于核空间的加权邻域约束直觉模糊聚类算法[J].电子与信息学报，2017，39（9）：2162-2168.
[3] 朱占龙，刘永军.融合混沌优化和改进模糊聚类的图像分割算法[J].电子学报，2020，48（5）：975-984.
[4] 周友行，刘汉江，赵晗妘，等.基于像元相互关系的FCM聚类分割算法[J].仪器仪表学报，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.
