基于小波變換的遙感數(shù)據(jù)統(tǒng)計(jì)特性估計(jì)算法
【專利摘要】本發(fā)明公開了一種基于小波變換的遙感數(shù)據(jù)統(tǒng)計(jì)特性估計(jì)算法，包括選取待訓(xùn)練的樣本集，對(duì)樣本集進(jìn)行分塊，并對(duì)每個(gè)樣本塊進(jìn)行小波變換，得到各階小波系數(shù)；對(duì)樣本塊的各階小波系數(shù)進(jìn)行合并，得到整個(gè)樣本集的各階小波系數(shù)；根據(jù)整個(gè)樣本集的各階小波系數(shù)，確定并根據(jù)相對(duì)應(yīng)的小波系數(shù)概率密度分布圖，利用混合高斯模型GMM模擬小波系數(shù)的分布情況；基于EM算法求解混合高斯模型GMM的模型參數(shù)；驗(yàn)證混合高斯模型GMM的合理性。本發(fā)明的有益效果為：本技術(shù)將遙感大數(shù)據(jù)集轉(zhuǎn)換到小波域，對(duì)各階小波系數(shù)進(jìn)行分析，進(jìn)而有效的對(duì)遙感大數(shù)據(jù)的特性進(jìn)行了統(tǒng)計(jì)，有效的克服了現(xiàn)有技術(shù)中存在的難度。
【專利說明】基于小波變換的遙感數(shù)據(jù)統(tǒng)計(jì)特性估計(jì)算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及遙感數(shù)據(jù)特性分析技術(shù)，具體來說，涉及一種基于小波變換的遙感數(shù) 據(jù)統(tǒng)計(jì)特性估計(jì)算法。
【背景技術(shù)】
[0002] 對(duì)于大數(shù)據(jù)集來說，傳統(tǒng)的模型與分析方法已經(jīng)顯得力不從心，為了能夠結(jié)合大 數(shù)據(jù)自身的特性尋找有效的分析方法，對(duì)于大數(shù)據(jù)統(tǒng)計(jì)特性的預(yù)測(cè)和估計(jì)便顯得尤為重 要。
[0003] 其中，遙感數(shù)據(jù)集是由很多大尺度圖像所組成，它的結(jié)構(gòu)、頻譜和紋理特性都相當(dāng) 復(fù)雜，因此，對(duì)于遙感數(shù)據(jù)的統(tǒng)計(jì)存在較大困難，尤其是對(duì)于遙感數(shù)據(jù)呈一定的聚集和連續(xù) 性等特征的統(tǒng)計(jì)。
[0004] 針對(duì)相關(guān)技術(shù)中的問題，目前尚未提出有效的解決方案。
【發(fā)明內(nèi)容】
[0005] 本發(fā)明的目的是提供一種基于小波變換的遙感數(shù)據(jù)統(tǒng)計(jì)特性估計(jì)算法，以克服目 前現(xiàn)有技術(shù)存在的上述不足。
[0006] 本發(fā)明的目的是通過以下技術(shù)方案來實(shí)現(xiàn)： 一種基于小波變換的遙感數(shù)據(jù)統(tǒng)計(jì)特性估計(jì)算法，包括以下步驟： 選取待訓(xùn)練的樣本集，對(duì)所述樣本集進(jìn)行分塊，并分別對(duì)每個(gè)樣本塊進(jìn)行小波變換，得 到所述樣本塊各階小波系數(shù)； 對(duì)所述樣本塊的各階小波系數(shù)進(jìn)行合并，得到整個(gè)樣本集的各階小波系數(shù)； 根據(jù)整個(gè)樣本集的各階小波系數(shù)，確定相對(duì)應(yīng)的小波系數(shù)概率密度分布圖，根據(jù)所得 到的小波系數(shù)概率密度分布圖，利用混合高斯模型GMM模擬小波系數(shù)的分布情況； 基于EM算法求解所述混合高斯模型GMM的模型參數(shù)，以使GMM模型擬合出與整個(gè)樣本 集的各階小波系數(shù)相對(duì)應(yīng)的概率密度分布函數(shù)； 驗(yàn)證所述混合高斯模型GMM的合理性。
[0007] 進(jìn)一步的，所述驗(yàn)證混合高斯模型GMM合理性步驟包括選取不同波段、不同時(shí)間 以及不同紋理的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，驗(yàn)證模型函數(shù)的合理性。
[0008] 本發(fā)明的有益效果為：本技術(shù)將遙感大數(shù)據(jù)集轉(zhuǎn)換到小波域，并對(duì)各階小波系數(shù) 進(jìn)行分析，發(fā)現(xiàn)對(duì)于傳統(tǒng)模型與算法難以處理的遙感大數(shù)據(jù)，在小波域下仍然滿足一定的 統(tǒng)計(jì)特性，它的各階小波系數(shù)近乎與混合高斯分布。驗(yàn)證了多分辨率分析理論：大部分的自 然圖像基于一組特殊基函數(shù)而分解到另一域后是稀疏的，并且呈現(xiàn)明顯的聚集與連續(xù)性特 征；進(jìn)而可以有效的對(duì)遙感大數(shù)據(jù)的特性進(jìn)行統(tǒng)計(jì)，有效的克服了現(xiàn)有技術(shù)中存在的難度。
【專利附圖】
【附圖說明】
[0009] 為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例中所 需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施 例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲 得其他的附圖。
[0010]圖1是本發(fā)明實(shí)施例所述的基于小波變換的遙感大數(shù)據(jù)統(tǒng)計(jì)特性估計(jì)算法的流 程圖； 圖2是本發(fā)明實(shí)施例所述的實(shí)施例所述的基于小波變換的遙感大數(shù)據(jù)統(tǒng)計(jì)特性估計(jì) 算法的EM算法不意圖。
【具體實(shí)施方式】
[0011] 下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；?本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的 范圍。
[0012] 如圖1所示，根據(jù)本發(fā)明實(shí)施例的一種基于小波變換的遙感數(shù)據(jù)統(tǒng)計(jì)特性估計(jì)算 法，包括以下步驟： 選取待訓(xùn)練的樣本集，對(duì)所述樣本集進(jìn)行分塊，并分別對(duì)每個(gè)樣本塊進(jìn)行小波變換，得 到所述樣本塊各階小波系數(shù)； 對(duì)所述樣本塊的各階小波系數(shù)進(jìn)行合并，得到整個(gè)樣本集的各階小波系數(shù)； 其中，分塊處理是將整幅遙感圖像一次性處理，避免導(dǎo)致電腦內(nèi)存溢出，因此運(yùn)用了分 塊思想，將遙感圖像進(jìn)行分塊，并分別對(duì)每塊進(jìn)行小波變換；分塊處理后，得到了各塊的各 階小波系數(shù)，在統(tǒng)計(jì)小波系數(shù)特性時(shí)，是針對(duì)整個(gè)遙感數(shù)據(jù)集，因此對(duì)每塊的小波系數(shù)進(jìn)行 了合并，得到了整個(gè)數(shù)據(jù)集的各階小波系數(shù)。
[0013] 根據(jù)整個(gè)樣本集的各階小波系數(shù)，確定相對(duì)應(yīng)的小波系數(shù)概率密度分布圖，根據(jù) 所得到的小波系數(shù)概率密度分布圖，選取小波系數(shù)分布函數(shù)為混合高斯模型GMM，用以模擬 小波系數(shù)的分布情況； 由于小波系數(shù)概率密度分布圖呈現(xiàn)，峰值比高斯分布更集中在零點(diǎn)，重尾分布比高斯 更明顯的特點(diǎn)，因此我們選用混合高斯模型（GMM)來模擬小波系數(shù)的分布狀況。
[0014] 基于EM算法求解所述混合高斯模型GMM的模型參數(shù)，以使GMM模型擬合出與整個(gè) 樣本集的各階小波系數(shù)相對(duì)應(yīng)的概率密度分布函數(shù)； EM算法是一種"軟"聚類方法，由于樣本點(diǎn)所屬類別未知，而極大似然估計(jì)難于求解模 型參數(shù)，EM算法可有效應(yīng)用于此類情況，提高了估計(jì)的準(zhǔn)確性。
[0015] 驗(yàn)證所述混合高斯模型GMM的合理性，具體操作為包括選取不同波段、不同時(shí)間 以及不同紋理的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，驗(yàn)證模型函數(shù)的合理性。
[0016] 在分析樣本集-遙感數(shù)據(jù)集時(shí)，為了解決內(nèi)存溢出的問題，我們采用了分塊合并 的思想，即分塊進(jìn)行小波變換，對(duì)變換后的系數(shù)進(jìn)行合并；此后結(jié)合小波系數(shù)的概率密度函 數(shù)分布特性，選用GMM模型來模擬其分布，并基于EM算法得到了模型的參數(shù)，該模型能較 好的擬合出遙感數(shù)據(jù)集各階小波系數(shù)的概率密度分布函數(shù)；本方法驗(yàn)證了多分辨率分析理 論：大部分的自然圖像基于一組特殊基函數(shù)而分解到另一域后是稀疏的并且呈現(xiàn)明顯的聚 集與連續(xù)性特征，并且可以得到一個(gè)能夠?qū)Ａ繑?shù)據(jù)進(jìn)行統(tǒng)計(jì)特性分析的基本思路。
[0017] 具體應(yīng)用時(shí)，如圖2所示，EM算法求解模型參數(shù)過程如下： UGMM模型表達(dá)式可以寫為：
【權(quán)利要求】
1. 一種基于小波變換的遙感數(shù)據(jù)統(tǒng)計(jì)特性估計(jì)算法，其特征在于，包括以下步驟： 選取待訓(xùn)練的樣本集，對(duì)所述樣本集進(jìn)行分塊，并分別對(duì)每個(gè)樣本塊進(jìn)行小波變換，得 到所述樣本塊各階小波系數(shù)； 對(duì)所述樣本塊的各階小波系數(shù)進(jìn)行合并，得到整個(gè)樣本集的各階小波系數(shù)； 根據(jù)整個(gè)樣本集的各階小波系數(shù)，確定相對(duì)應(yīng)的小波系數(shù)概率密度分布圖，并根據(jù)所 得到的小波系數(shù)概率密度分布圖，利用混合高斯模型GMM模擬小波系數(shù)的分布情況； 基于EM算法求解所述混合高斯模型GMM的模型參數(shù)，以使所述GMM模型擬合出與整個(gè) 樣本集的各階小波系數(shù)相對(duì)應(yīng)的概率密度分布函數(shù)； 驗(yàn)證所述混合高斯模型GMM的合理性。
2. 根據(jù)權(quán)利要求1所述的基于小波變換的遙感數(shù)據(jù)統(tǒng)計(jì)特性估計(jì)算法，其特征在于， 所述驗(yàn)證混合高斯模型GMM合理性步驟包括選取不同波段、不同時(shí)間以及不同紋理的數(shù)據(jù) 進(jìn)行實(shí)驗(yàn)，驗(yàn)證模型函數(shù)的合理性。
【文檔編號(hào)】G06T7/00GK104517288SQ201410759510
【公開日】2015年4月15日 申請(qǐng)日期:2014年12月11日 優(yōu)先權(quán)日:2014年12月11日
【發(fā)明者】王力哲, 劉鵬, 鐘慧, 溫靜 申請(qǐng)人:中國科學(xué)院遙感與數(shù)字地球研究所