輸入，建立用于描述高分辨率遙感影像不同地物類別像素灰度值分布特征的線 性神經網絡模型，作為高分辨率遙感影像的目標函數(shù)，將該模型融入空間關系得到高分辨 率遙感影像的目標函數(shù)矩陣;如圖3所示，具體步驟如下：
[0097]步驟6.1:建立線性神經網絡模型的線性函數(shù)模型，對原始訓練數(shù)據利用最小二乘 法進行直方圖擬合求解各個地物類別目標函數(shù)的權重向量及偏移量；
[0098]步驟6.1.1:將每個訓練樣本在所有地物類別中的高斯隸屬函數(shù)值及模糊化高斯 隸屬函數(shù)值的上邊界、下邊界線性組合并加入偏移量，建立線性神經網絡模型中的線性函 數(shù)模型；
[0099 ]將每個訓練樣本在所有地物類別中的高斯隸屬函數(shù)值及模糊化高斯隸屬函數(shù)值 的上邊界、下邊界線性組合成特征向量，本實施方式中，在灰度空間逐一對各地物類別中的 每個訓練樣本計算其在所有地物類別中的高斯隸屬函數(shù)值上、下邊界值及原始高斯隸屬函 數(shù)(公式(1))中的高斯隸屬度，組成特征向量如下：
[0100]
[0101] 其中，u"#表示第i地物類別中第j個訓練樣本在所有地物類別中的高斯隸屬度所 組成的3m維特征向量。
[0102] 本實施方式中根據公式(9)建立如下線性神經網絡模型作為目標函數(shù)：
[0103] vji = f(WiU〃 ji+bi) (10)
[0104] 其中，0<Vjl〈l表示第j個像素的灰度值屬于第i地物類別的隸屬度，i = l，...，m為 地物類別索引，Wi= [Wli+;Wli;Wlf ;…;Wmi+;Wmi;Wmr]為第i地物類別各輸入神經元節(jié)點的權 重向量，f為輸出節(jié)點的激活函數(shù)；
[0105] 步驟6.1.2:以各地物類別訓練樣本在對應的地物類別中出現(xiàn)的頻率值作為已知 值，以各地物類別訓練樣本在對應線性函數(shù)模型中的函數(shù)值作為估計值，建立誤差平方和 函數(shù)；
[0106] 本實施方式中建立以下誤差平方和函數(shù)：
[0107]
[0108] 步驟6.1.3:對各個地物類別的上述誤差平方和函數(shù)中的權重參數(shù)和偏移量求偏 導使其等于零，求解出目標函數(shù)參數(shù)，即權重向量和偏移量。
[0109] 在目標函數(shù)參數(shù)求解過程中涉及求逆矩陣，為了避免產生奇異矩陣，需將原矩陣 加上一個很小的不影響計算結果的矩陣。
[0110] 步驟6.2:建立線性神經網絡模型的激活函數(shù)為分段線性函數(shù)，使目標函數(shù)滿足大 等于零小于1的約束，即〇 < Μ < 1;
[0111] 步驟6.2.1:將每一地物類別訓練樣本帶入線性函數(shù)模型，利用激活函數(shù)進行約 束，當線性函數(shù)值小于零時，令該地物類別訓練樣本的目標函數(shù)值為零;當線性函數(shù)值大于 該地物類別訓練樣本在對應的地物類別中出現(xiàn)的最大頻率值時，令該地物類別訓練樣本的 目標函數(shù)值為該最大頻率值；
[0112] 在本實施方式中，激活函數(shù)f使公式(10)滿足以下約束：
[0113]
[0114] 其中，maX(yi)表示第i類地物最大直方圖頻率值；
[0115]步驟6.2.2:將每一地物類別訓練樣本進行上述操作得到灰度測度上模糊隸屬度 矩陣；
[0116] 在本實施方式中得到以下模糊隸屬度矩陣If:
[0117] U*=[vji]nXm (13)
[0118] 步驟6.2.3:對上述模糊隸屬度矩陣進行歸一化處理，使每一地物類別像素的灰度 值的模糊隸屬度之和為1。
[0120]步驟6.3 :將高分辨率遙感影像像素的灰度值輸入目標函數(shù)，得到模糊隸屬度矩 陣，在高分辨率遙感影像的模糊隸屬度域融入空間關系:對擴展后的高分辨率遙感影像的 模糊隸屬度矩陣取3 X 3窗口求均值，將該均值作為3 X 3窗口中心的高斯隸屬度值，得到新 的隸屬度矩陣作為高分辨率遙感影像的目標函數(shù)矩陣。
[0121 ]步驟6.3.1:將灰度測度上每個像素的灰度值的模糊隸屬度矩陣與待分割高分辨 率遙感影像相應像素對應，得到高分辨率遙感影像的模糊隸屬度矩陣；
[0122] 步驟6.3.2:進行高分辨率遙感影像的模糊隸屬度矩陣擴展:將模糊隸屬度矩陣的 第一列與最后一列分別疊加到原模糊隸屬度矩陣的第一列與最后一列;將疊加后的模糊隸 屬度矩陣的第一行與最后一行疊加到新的模糊隸屬度矩陣的第一行與最后一行，實現(xiàn)模糊 隸屬度矩陣擴展；
[0123] 步驟6.3.3:對擴展后的模糊隸屬度矩陣取3 X 3窗口求均值，將該均值作為3 X 3窗 口中心的隸屬度值，得到新的模糊隸屬度矩陣作為高分辨率遙感影像的目標函數(shù)矩陣。
[0124] 本實施方式中，定義目標函數(shù)公式
，其中化=9為以第j個像素的 灰度值為中心的3X3窗口，k=l，…，9為窗口中像素灰度值的索引；得到以下目標函數(shù)矩 陣：
[0125] U*=[rji]nxm (14)
[0126] 步驟7:按最大隸屬度原則劃分高分辨率遙感影像的目標函數(shù)矩陣，實現(xiàn)高分辨率 遙感影像分割。
[0127] 本實施方式中
[0128] Mj = argi{max{rji} }j = l,...,n；i = l,...,m (15)
[0129] 其中，M謙示第j個像素的灰度值所屬的地物類別，并用···，"}表示高 分辨率遙感影像分割結果。
[0130] 步驟8:按照設定步長改變步驟5中的調節(jié)因子，即改變模糊化隸屬函數(shù)均值或標 準差的上邊界、下邊界，并重復步驟5至步驟7,對所有分割結果進行比較，取最優(yōu)分割作為 最終結果。在本實施方式中，公式(2)中的高斯隸屬函數(shù)均值調節(jié)因子(^按0.5步長自適應 調節(jié)，公式(3)中高斯隸屬函數(shù)標準差調節(jié)因子cU按0.1步長自適應調節(jié)。每迭代一次其分 割結果與上一次進行比較，取最優(yōu)分割結果作為最終結果。
[0131] 本發(fā)明在CPU為Core(TM)i5-34703.20GHz、內存4GB、Windows7旗艦版系統(tǒng)上使用 MATLAB7.12.0軟件編程實現(xiàn)仿真。
[0132] 本實施方式中設計一個含有4個地物類別的合成高分辨率遙感影像及三個地物類 別的真實高分辨遙感影像，如圖4,（a)為從0.5米分辨率World View-II全色影像中截取的 四類地物組成的合成高分辨率遙感影像，包含I顏色深淺不一的水泥路面、Π 森林、m部分 結冰的水域、IV彩鋼房頂4種地物類別。為了充分表達高分辨率遙感影像由于細節(jié)特征突出 所呈現(xiàn)的同類別地物光譜測度差異性顯著的特征，合成高分辨率遙感影像中所選四種地物 類別內部灰度測度差異性均較大。（b)為對應的模板，（c)為1米分辨率的IK0N0S全色影像， 由淺到深包含土地、草坪和林區(qū)三種地物。影像大小均為256X256。應用本發(fā)明方法、標準 FCM方法、最大似然分割方法、沒有融入空間關系的模糊化高斯隸屬函數(shù)分割方法和融入空 間關系的FCM方法進行仿真實驗，并以模板為標準對上述方法的合成高分辨率遙感影像分 割結果進行定量評價。
[0133] 圖5為本實施方式中在沒有融入空間關系時建立的目標函數(shù)（四條曲線）， "+，一，*，?"代表四種不同地物類別的訓練數(shù)據直方圖頻率值，由圖可知本發(fā)明方法可以 高度擬合高分辨率遙感影像復雜的地物分布特征。
[0134] 圖6為合成高分辨率遙感影像分割結果;其中（a)為標準FCM分割結果，（b)為最大 似然分割結果，（c)為沒有融入空間關系的模糊化高斯隸屬函數(shù)分割結果，（d)為融入空間 關系的FCM分割結果(在FCM算法中利用隱馬爾科夫隨機場(Hidden Markov Random Field, HMRF)模型刻畫鄰域關系）；（e)為本發(fā)明的分割結果。通過觀察可以看出，在沒有考慮鄰域 像素空間關系的情況下(a)(b)(c)三種分割方法對噪聲敏感，（c)方法分割結果最優(yōu);融入 空間關系后（圖6(d)和(e))，可以有效克服噪聲，但是(d)方法無法處理塊狀噪聲(如水泥路 面的塊狀深色區(qū)域），而本發(fā)明方法只在區(qū)域內部存在稀少零星噪聲，分割結果與標準模板 (圖4(b))接近，分割結果最優(yōu)。
[0135] 本實施方式中，對合成高分辨率遙感影像應用標準FCM算法、最大似然分割方法、 沒有融入空間關系的模糊化高斯隸屬函數(shù)分割方法、融入空間關系的FCM方法和本發(fā)明方 法分割結果進行定量評價(如表1所示），以模板中各地物類別為標準，生成混淆矩陣，并根 據混淆矩陣計算產品精度、用戶精度、總精度和kappa值?？梢钥闯?，本發(fā)明方法的分割精度 明顯高于對比方法。
[0136] 表1合成高