均值漂移高分辨率遥感影像多尺度分割的集群实现

多尺度分割是高分辨率遥感信息计算的重要基础,是高分辨率遥感影像图谱认知中“图”提取的关键技术。当前提出的多尺度分割方法普遍存在着占用内存大,耗费计算资源、计算时间长的缺点,并且这些问题随着遥感数据量的增大、算法的改进等进一步加剧。针对这种情况,根据当前集群计算技术的发展,以均值漂移的多尺度分割方法为例,实现了一种基于集群计算环境的多尺度分割算法,集中解决任务分配和结果回收以及数据并行的方式,统计了算法所消耗的时间,对其的效率进行了分析,通过实验说明了集群化对提高多尺度分割效率的有效性。     

先验知识引导的遥感影像均值漂移多尺度分割

针对传统遥感影像分割算法较少考虑目标区域不同类型地物适应分割尺度的差异性问题,文章以适应性和稳健性较好的均值漂移算法为基底,提出了一种先验知识引导的多尺度分割方法。该算法通过引入先期解译土地覆盖/利用图中的图斑边界和类别属性信息,对传统均值漂移分割流程进行了改进,以实现差异化的滤波像斑合并,进而达到改善对象提取的精度的目的。文章利用两套数据集进行了方法测试与效果比对。实验结果表明,较传统的单尺度分割方法,所发展的多尺度方法能更好地结合地类的空间分布信息实现精细的对象边界提取,一定程度上克服了单尺度方法难以平衡过分割和欠分割的问题,为后续的面向对象分析提供了精准的边界形态。     

区域化模糊均值高分辨率彩色遥感影像分割方法

基于像素模糊?? 均值算法(FCM) 及其改进算法难以解决高分辨率遥感影像中地物目标光谱测度相似性减弱和几何噪声增大带来的分割难题, 提出一种基于区域的FCM算法. 该方法利用Voronoi 几何划分将影像域划分为子区域, 并用子区域拟合地物目标的几何形状. 在此基础上, 定义区域FCM目标函数, 通过迭代最小化该目标函数实现高分辨率遥感影像分割. 实验结果表明, 与基于像素的FCM和增强FCM方法相比, 所提出方法可以更加精确地实现高分辨率遥感影像分割.

     

基于均值漂移与空间信息的导向模糊C均值遥感图像分割算法

作为图像数据结构分割的重要工具,模糊C均值已被广泛应用于计算机视觉领域。然而模糊C均值在图像分割过程中不能有效地保留边缘和抑制噪声,往往得不到理想的分割结果。为解决这一问题,本文利用导向滤波器推导出一种新的改进模糊C均值算法。该算法的第一个创新点是其线性平移不变滤波过程,利用边缘保持平滑特性来保留分割中的边缘结构。第二个创新点是该技术通过将空间信息引入目标函数来改善对噪声的鲁棒性,空间信息通过导向滤波的平均输出获得。为了解决聚类算法中初始聚类中心问题,在图像分割过程中使用均值漂移算法选取初始聚类中心。本文方法的主要优点在于其对边缘保留和噪声具有鲁棒性,进而提高分割精度。基于合成图像和真实遥感图像的实验结果表明,与其他主流分割算法相比,该方法在分割性能方面表现出了良好的性能。     

遥感应用分析中影像分割方法

影像分割是数字图像模式识别的基础, 是实现从影像上进行目标计算机自动提取的第一步工作, 在遥感应用分析中具有重要意义。近年来, 随着大量的高质量的高分辨率遥感影像出现, 其相关应用迫切需要有效的、考虑其高分辨率影像特点的影像分割方法。但由于高分辨率遥感影像本身的一些特点, 遥感应用分析中传统常用的分割方法难以达到满意的效果。对遥感应用分析中的影像分割方法进行了总结和分析, 并结合高分辨率遥感影像的特点, 分析了高分辨率遥感影像分割的技术难点, 说明了基于像素的传统影像分割方法的局限性, 着重阐述了数学形态学、面向对象分析等方法能更充分地利用影像中目标的色调、纹理、几何等属性, 因此在高分辨率遥感影像分割方面更具有优势。最后, 探讨了遥感应用分析中影像分割方法的发展趋势。     

遥感图像分析中的主成分分析

本文主要叙述主成分分析的数学原理及其在遥感分类中的应用。在不改变象素数据点空间结构的前提下,利用主成分分析,可找到一组新的坐标集,使类间距离拉大,且可实现因子空间的压缩。     

深度学习语义分割方法在遥感影像分割中的性能分析

针对如何应用深度学习语义分割方法实现遥感影像高性能分割的问题,选择了当前流行的SegNet、PSPnet以及Deeplabv3+三种基于深度学习语义分割算法,利用南方某区域无人机高分辨率遥感影像中4类要素分割为实验,以总体精度、平均精度及平均交并比（MIoU）作为精度衡量指标,全面对比分析了三种算法的精度。结果表明,在迁移学习支持下,三种算法总体精度可提升2至5个百分点。通过对PSPNet算法运用不同骨干网络,验证了不同结构网络对精度的贡献,优选出复杂度低的骨干网络。采用集成学习的思路,利用投票法对多算法模型进行结果融合可提升总体精度1%左右。三种算法对植被及水体的分割效果均要优于建筑物及道路,其中Deeplabv3+算法精度最高,总体精度达到89.3%,MIoU达到80.4%,可实现要素的鲁棒分割。     

主成分分析在遥感图像处理中的研究

用MATLAB软件去编写主成分分析,然后把这一研究成果应用与遥感图像处理程序,通过主成分分析的方法,运用其基本原理,通过软件,也就是ERDAS及MATLB两种软件的分析,然后进行结果对比,通过分析可以得出遥感图像主成分分析能够取得较好的成果,这种成果具有一定的实用性,更多的是具有可靠性。     

3种基于MRF的分割方法在遥感影像分割中的应用

对ICM、RL和HCF等3种基于MRF的图像Excel分割算法.在遥感图像领域的分割应用进行了理论和实验的研究分析.并且提出了改进后的HCF算法,可以实现对遥感图像Excel的快速分割并且得到较好的分割效果.通过实验.给出了它们的各自的性能特点和适用范围.对这3个算法的图像Excel分割性能和优缺点进行了比较.     

应用模糊增强及均值漂移实现红外目标分割

针对复杂环境下红外图像信噪比和对比度低,边缘模糊,目标分割困难的情况,提出一种基于模糊增强和均值漂移图像滤波的红外目标分割方法。首先定义新的隶属度函数,运用模糊集理论进行红外图像增强,避免了传统模糊增强算法的弊病,有效提高目标与背景的对比度;之后利用ICI（交叉置信区）规则确定均值漂移的带宽参数,提出一种新的自适应带宽均值漂移图像滤波方法,实现图像的进一步平滑和聚类;最后利用自适应阈值实现红外目标分割。实验结果表明,算法能够正确有效地分割出复杂环境下的红外目标,并且很好地保持了目标的轮廓细节。     

数学形态学流域分割算法在遥感影像水系图图像分割中的应用

本文把数学形态学的流域分割算法引入到处理遥感影像图上，实现了大数据量遥感影像水系图的流域分割。本文提供的流域分割方法与传统分割方法不同，该方法是根据数学形态学的知识，通过选取极低点，以极低点为中心膨胀得到分割区域来实现的。在膨胀时本文采用了八邻域膨胀的方法，提高了效率，缩短了运行时间，使分割得到了较好的效果。这种方法对于数据量很大的影像图尤其适用。     

一种快速均值漂移图像分割算法

图像分割是图像分析及图像理解的关键步骤。与其他图像分割算法相比,均值漂移(Mean Shift)算法具有原理简单、无需先验知识、可以处理灰度图像及复杂的自然彩色图像等优点。但该算法需要对图像中每个像素点进行迭代计算,因此分割所需要的时间较长。本文提出了一种快速Mean Shift图像分割算法(Fast mean shift,FMS),将少量像素点作为初始点进行迭代计算,而出现在高维球区域内的其他像素点根据其到已有类中心的距离进行归类,从而减少Mean Shift算法的迭代次数,缩短分割时间。实验结果表明,本文提出的快速Mean Shift图像分割算法可以获得良好的分割结果且具有较高的分割效率。     

重要性图约束的均值漂移图像分割

针对已有算法结果分割区域过多问题,提出采用边缘正交场构造重要性图,通过边缘特征稳定性约束分割区域,从而有效地提高分割质量。构造边缘正交场,通过高斯积分提高边缘线的连续性和稳定性。采用边缘特征进行距离变换,生成图像的重要性图。采用均值漂移进行图像预分割,根据相邻区域边界上的重要性强度对分割区域结果进行合并。实验结果表明,和原有分割方法相比较,算法在保持原始图像重要区域的同时,对细节区域进行有效合并,明显提高分割质量。     

均值漂移在背景像素模态检测中的应用

自适应背景更新是视频序列运动分割中的重要步骤,而背景像素分布的不规律性是对背景进行更新的困难所在.本文首先对背景像素值分布的模态性特点进行描述,然后提出采用均值漂移(Mean Shift)方法检测背景像素的模态数量,从而为背景建模提供依据,可以针对不同模态数量的背景像素采用不同的建模方法.这种基于背景像素模态分类的方法能够实现背景更新在精度和速度上的折中.     

空间特征在遥感影像分析中的应用

本文基于神经系统科学有关“特征”的研究成果,对“空间特征”的定义及其在高空间分辨率遥感影像目标识别与分类中的应用进行了研究。研究表明,空间特征包括空间原始特征、空间功能特征两种类型,其中,空间原始特征是对空间实体组成要素特性的反映,是有关空间实体的识别特征(说明“是什么”),而空间功能特征则是空间实体的功能性分类标志,是有关空间实体的分类特征(说明“干什么”)。文章还具体结合一个基于高空间分辨率遥感影像对机场目标进行识别与分类的实验,对有关结论做进一步的阐释。     

大数据集快速均值漂移谱聚类算法及其在图像分割中的应用

均值漂移谱聚类(MSSC)算法为模式识别聚类任务提供了一种较新的方案.然而由于其内嵌均值漂移过程的时问复杂度与样本容量呈平方关系,其在大数据集环境的实用性受到大大削弱.利用快速压缩集密度估计器(FRSDE)替代Parren窗密度估计式(PW)并融合基于图的松弛聚类(GRC)方法,提出了快速均值漂移谱聚类(FMSSC)算法.相比原MSSC,该算法的总体渐进时间复杂度与样本容量呈线性关系,并具有自适应性和便捷性.     

基于均值漂移的自适应纹理图像分割方法

提出了一种基于小波多尺度分析和均值漂移的无监督纹理分割方法.该方法利用均值漂移聚类实现基于小波特征的完全无监督自适应多尺度分割,既不需要进行训练也不需要分割类别数等先验知识.该方法根据一定的策略在尺度间进行信息传递,自适应地为图像不同区域确定合适的分割尺度,即纹理内部区域使用粗尺度特征而不同纹理间的交界处使用较细尺度特征,这样就在保证区域一致性的同时更准确地定位图像边缘.对比实验结果表明,该方法在合成纹理和真实纹理图像中都有较好的性能,其多尺度的分割过程类似于人类视觉系统感知,并且较之有监督的传统分割方法也更具优势.     

自步稀疏最优均值主成分分析

主成分分析(PCA)是一种无监督降维方法.然而现有的方法没有考虑样本的差异性,且不能联合地提取样本的重要信息,从而影响了方法的性能.针对以上问题,提出自步稀疏最优均值主成分分析方法.模型以L2,1范数定义损失函数,同时用L2.1范数约束投影矩阵作为正则化项,且将均值作为在迭代中优化的变量,这样可一致地选择重要特征,提高...     

基于图像颜色纹理的均值漂移分割算法

针对传统均值漂移算法对图像纹理特征不敏感的不足,利用图像纹理特征的独特性,提出了一种基于颜色纹理的均值漂移分割算法.结合欧式距离和高斯函数计算当前像素点与其周围像素点的颜色相似度,再使用Gabor变换提取图像不同方向、尺度上的纹理特征,结合颜色的相似度,对该像素点均值漂移的过程加权.该算法充分考虑了图像纹理的周期性、尺度性以及图像颜色的关联性.实验结果表明,算法对色彩信息不明显的纹理图像有良好的分割效果,也会提高彩色图像分割结果的准确性.分割算法用于大型水上桥梁识别,能够提高桥梁识别率.