第33卷，第4期 2013年4月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
Vol.33,No. 4+pp1071-1075
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2，牛铮1，王力"，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。针对此间题，提出了一种彩色巡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制，克服了传统均值漂移分割制稳定性低、光谱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
引言
文献标识码：A
DOI: 10. 3964/j. issn. 10000593(2013)04-1071-05
中的事物。现实世界中的每个命题都可以用真、假以及不确定的概率来表述。同样，图像转换到中性集中由三个子集来
建筑物的识别和提取为城乡规划和发展的监督和决策提供有力的客观依据。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习的思想对建筑物提取。其中，均值漂移（meanshift)是由 Fukunaga等在1975年首次提出的")。因为需要确定的参数较少、速度快面且稳定性高，近年来被广泛用于图像分割，滤波等(")领域，为目标识别莫定了高效的算法基础。沈占峰等将mean shift与eCognition对比分析发现mean shift方法在速度上略优于eCognition}，而且两者效果相同。但是利用meanshift方法对彩色图像分制，同种地物类型光谱信息不连续，不同地物类型光谱信息区别不大，而且存在大量斑点，不利于建筑物提取。
中性集（neutrosophic set）是由Smarandachel提出的种模糊集。最初被广泛用于语义网络服务["等方而。Guo 等[6首先将中性集引人到图像处理领域。从此，中性集在图像分割"]、图像分类]和阔值设定等方面都傲了很大贡献。中性集克服了普通模糊域中只有真、假两个子集的缺陷，增加了不确定性子集的概念，更真切、可靠的描述现实
收稿日期：2012-08-30，修订日期：2012-11-05
描述，真子集、不确定性子集和假子集。如果用N表示中性集，T，F和I分别表示中性集的真、假和不确定子集，那么 N=((T, I, F), T, I, FC[o, 1J), T=(t tE T), I=(i; i EI)，F=(f：EF)；t，i和分别是每个像元转换到中性域中是前景、不确定和背景的概率。
图像转换到中性集后，地物的光谱差异性得到了增强，有助于对与背景地物光谱差异不明显的建筑物的识别。此外，图像灰度的不确定性往往是由模糊性引起的，因为每个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模糊的概念()。因此我们采用在模糊中性域中对图像进行增强处理，再利用mean shift方法滤波、平滑，减少允余光谱信息，得到一致、准确的光谱分制结果。本算法简称为 NS-MS算法。
基于均值漂移图像分割方法
假设d维空间内有n个相互独立的采样点X；，i=1，2，"，n，均值漂移过程可表达为[312)
基金项目：公益性行业（气象）科研专项经费（GYHY201006042），国家自然科学基金项目（41201345)，国家重点基础研究发展规划项目
(2013CB733405)，国家重点基础研究发展规划项目（2010CB950603)资助
作者简介：于博，1988年生，中国科学院遥感应用研究所博士研究生
通讯联系人
万方数据
e-mail; niuz@irs&, ac. cn
e-mail: yuboirs8, 8c, cn