遥感图像最大似然分类方法的EM改进算法

被引：84

作者：

骆剑承

王钦敏

马江洪

周成虎

梁怡

机构：

[1] 中国科学院地理科学与资源研究所

[2] 福州大学

[3] 西安交通大学

[4] 香港中文大学地理系

来源：

测绘学报 | 2002年 / 03期

关键词：

混合模型; EM算法; 最大似然;

D O I：

暂无

中图分类号：

P237 [测绘遥感技术];

学科分类号：

1404 ;

摘要：

基于参数化密度分布模型的最大似然方法 (MLC)是遥感影像分类最常用手段之一 ,与其他非参数方法 (如神经网络 )相比较 ,它具有清晰的参数解释能力、易于与先验知识融合和算法简单而易于实施等优点。但是由于遥感信息的统计分布具有高度的复杂性和随机性 ,当特征空间中类别的分布比较离散而导致不能服从预先假设的分布 ,或者样本的选取不具有代表性 ,往往得到的分类结果会偏离实际情况。首先介绍了用基于有限混合密度理论的期望最大(EM)算法来作为最大似然函数 (MLC)参数估计的方法———EM MLC。该模型首先假设总体混合密度分布可被分解为有限个参数化的高斯密度分布 ,然后把具有先验知识的样本与随机选取的未知样本混合在一起 ,通过EM迭代计算来估计出各密度分布的最大似然函数的参数集 ,从而一定程度上避免了参数估计可能出现的偏离。最后 ,本文提出了基于EM MLC遥感影像分类的具体实施流程和应用示范 ,并与一般最大似然方法 (MLC)得到的分类结果进行了定性和定量的综合比较 ,认为EM MLC在精度上得到了提高

引用

页码：234 / 239

页数：6

共 8 条

[1] Remote Sensing Digital Image Analysis: An Introduction. RICHARDS J A,JIA X. . 1999
[2] Mixture Densities, Maximum Likelihood and the EM Algorithm. REDNER R A,WALKER H F. SIAM Review . 1984
[3] Mixture Models: Inference and Applications to Clustering. MCLACHLAN G J,BASFORD K E. . 1988
[4] Maximum Likelihood Estimation from Incomplete Data via EM Algorithm. DEMPSTER A P,LAIRD N M,RUBIN D B. Journal of the Royal Statistical Society . 1977
[5] Spatial Statistics for Remote Sensing. STEIN A,MEER F,GORTE B. . 1999
[6] The EM Algorithm and Extensions. MCLACHLAN G J,KRISHNAN T. . 1997
[7] A Neuralstatistical Approach to Multi-temporal and Multi-source Remote-sensing Image Classification. BRUZZONE L,PRIETO D F,SERPICO S B. IEEE Transactions on Geoscience and Remote Sensing . 1999
[8] Robust Parameter Estimation for Mixture Model. TADJUDIN S,LANDGREBE D A. IEEE Transactions on Geo-science and Remote Sensing . 2000

← 1 →