全色遥感图像中城区的快速模糊分割算法

提出一种全色遥感图像中城区的快速模糊分割算法。该算法基于模糊集理论,根据贝叶斯准则建立相应的隶属函数,并分析选取城区在全色图像中有效的特征,逐步实现城区的分割。实验以SPOT-5全色图像为例,并对模糊训练的可靠性进行分析,最后与区域增长法和多尺度几何信息分割算法进行比较。实验表明,该算法简单准确快速,能够为一些重要的应用提供有效支持。     

基于图论的遥感图像分割算法分析

遥感图像处理技术目前已经广泛的应用于军事以及农业等众多领域。遥感图像中的目标物如果进行分割,那么就可以得到更多的目标物信息,并且可以为进一步的处理奠定良好基础,比如说对于目标物的跟踪、分析以及识别等。本文对图像分割的标准进行了介绍,并且对基于图论的交互式遥感图像分割法进行了详细的分析。     

自适应多尺度融合遥感图像分割方法

针对遥感图像数据量大、地物对象与空间尺度密切相关的特点,提出一种自适应多尺度融合遥感图像分割方法。使用颜色方差作为距离度量,利用区域邻接图和最近邻区域图对遥感图像进行快速分割,建立阈值和尺度之间的函数关系,通过不同阈值得到多尺度分割结果,并采用融合方法获得最终结果。实验结果表明,与eCognition单尺度分割方法相比,该方法可消除遥感图像过分割或欠分割的现象。     

基于区域生长的多尺度遥感图像分割算法

图像分割是图像解译的关键一步,仅仅利用光谱信息的传统分割方法已不能有效地对高分辨遥感图像进行分割。鉴于高分辨率遥感图像提供了地物光谱、形状和纹理等大量信息,文章提出了一种基于区域生长结合多种特征的多尺度分割算法。首先利用图像梯度信息选取种子点;其次综合高分辨率遥感图像地物的局部光谱信息和全局形状信息作为区域生长的准则进行区域生长。迭代这两个过程,直到所有区域的平均面积大于设定的尺度面积参数则停止生长。该算法用VC实现,实验结果表明该算法能获得不同尺度下的分割结果且分割效率高、分割效果好。     

基于改进区域邻接图的遥感图像多尺度快速分割方法

提出一种针对高分辨率遥感图像的多尺度快速分割方法,首先利用直接分水岭分割得到初始分割结果,而后构建改进的区域邻接图,并在其基础上通过较为快速的区域合并策略得到最终分割结果。合并准则为相邻区域间的特征向量差,合并过程中通过设置区域允许最大标准差和区域允许最大面积两个尺度控制参数以生成不同尺度的分割结果。以QuickBird卫星图像进行实验,通过监督评价以及与eCognition软件进行比较,结果表明本文分割方法在精度和效率方面均效果较好,具备实际应用的潜力。     

基于分割质量的遥感图像最优尺度分割方法研究

实现最优尺度分割是遥感图像自动化分割的理想目标.本文首先定义遥感图像区域对象的分割质量,然后使用连续的多个尺度对遥感图像进行分割,计算每一尺度上所有区域对象的分割质量,最后计算原子区域对象的最优分割尺度,实现遥感图像的最优分割.通过目视判断和定量分析发现最优尺度分割结果优于单尺度分割结果.     

多尺度信息融合的遥感图像语义分割模型

遥感图像分割是目前学术界和工业界的一个研究热点,在城市规划、变化检测以及GIS信息构建等方面有着十分广泛的应用.然而,诸多复杂因素(如多变的尺度、多样化的拓扑形状以及复杂的背景和阴影等)使得遥感图像语义分割成为一项具有挑战性的任务.为此,提出一种基于多尺度信息融合的遥感图像语义分割深层卷积神经网络模型,该模型分为编码器和解码器2部分.在编码阶段,设计了基于DenseNet网络的跨卷积层级的多尺度特征融合策略,采用子区域全局平均池化及多尺度卷积处理复杂的背景区域;在解码阶段,为了准确地恢复图像的细节信息,设计了能够融合不同层级卷积特征的短解码器;最后,在整体模型构建方面设计了一种具有多输出的分层监督机制网络模型,从不同层级获取监督信息,可在充分利用监督信息的同时更好地引导网络的训练.在ISPRS公开数据集以及北京市遥感数据集上,通过实验验证了文中模型的有效性.     

多光谱遥感图像与高分辨率全色图像融合研究

介绍了遥感图像融合的一般过程和特点,研究了像素级融合的常用算法,归纳了融合图像的基本步骤,采用四种融合方法对高空间分辨率的全色图像与高光谱分辨率的多光谱图像进行像素级融合实验,发现基于小波变换的图像融合提供更多细节信息,Brovey变换法融合全色图像与多光谱图像目视效果最好,速度最快。     

基于图像多尺度运动特征的模糊分割算法

从运动分析的角度出发,对所研究的图像序列,提出了一种基于空域－时域连续小波变换（CWT）的模糊分割算法。运用可分离的小波函数作为滤波器来提取不同尺度上的运动参数,由不尺度上的运动特征参数构成特征参数集,然后运用快速模糊聚类算法实现基于运动特征的图象分割。该分割算法不仅对噪声具有较强的适应性,而且也极大地提高了图像分割的速度,同时使得分割结果能够更加准确地反映运动物体的特征。     

遥感图像多尺度分割算法与矢量化算法的集成

在遥感图像处理和分析软件中,图像分割/分类和矢量化是前后独立的过程:先分割/分类,再矢量化整幅图像。由于矢量化后得到的矢量文件未写入图像对象(区域、图斑)的特征信息,只能用于显示而不能用于后续操作。此外,处理复杂图像时还存在矢量文件多边形数目与分割/分类后图像区域数目不一致的问题。为此,将多尺度分割算法与矢量化算法进行一体化集成。对遥感图像进行多尺度分割得到图像对象链表,逐个对图像对象做矢量化处理,同时把特征统计信息写入多边形属性中。集成后不仅可保证矢量多边形数目与图像对象数目完全一致,而且由于特征统计信息已作为多边形区域的属性保存在多边形中,后续的多尺度分割、区域合并、空间关系操作等均可基于矢量多边形进行。     

遥感图像分割中的信息割算法

提出了一种改进的信息割（MIC）算法。首先证明了信息割（IC）模型与Cauchy-Schwarz cut（CScut）等价,并通过图谱方法给出IC目标函数优化问题的最优解;其次利用 图像中像素点间的灰度和空间关联性,在IC算法的基础上提出一种MIC算法,该算法首次使用联合灰度信息和空间位置信息的Parzen窗函数来估计概率密度函数,降低了图像中灰度 变化对图像分割的影响。加噪合成图像及遥感图像分割实验结果表明MIC算法较IC算法具有更好的抗噪性能,且与图谱方法相比计算复杂度显著降低。     

Probabilistic multiscale image segmentation

A method is presented to segment multidimensional images using a multiscale (hyperstack) approach with probabilistic linking. A hyperstack is a voxel-based multiscale data structure whose levels are constructed by convolving the original image with a Gaussian kernel of increasing width. Between voxels at adjacent scale levels, child-parent linkages are established according to a model-directed linkage scheme. In the resulting tree-like data structure, roots are formed to indicate the most plausible locations in scale space where segments in the original image are represented by a single voxel. The final segmentation is obtained by tracing back the linkages for all roots. The present paper deals with probabilistic (or multiparent) linking. The multiparent linkage structure is translated into a list of probabilities that are indicative of which voxels are partial volume voxels and to which extent. Probability maps are generated to visualize the progress of weak linkages in scale space when going from fine to coarser scale. It is demonstrated that probabilistic linking gives a significantly improved segmentation as compared with conventional (single-parent) linking     

基于超像素的高分遥感影像分割算法

针对高分遥感影像中存在地物数目多,特征信息复杂导致分割边缘不清晰、对象细节丢失等问题,提出一种改进的超像素分割和多特征结合的遥感影像分割合并算法。在对图像进行分割前的预处理阶段,使用超像素分割技术得到初始分割图像;区域合并过程中,基于对象间的异质性和对象内部的同质性,结合光谱、纹理和形状特征,对对象进行合并;通过调整全局分割参数来调整合并尺度,得到最终的影像分割结果。实验结果表明,所提方法能得到较好的影像分割效果。     

一种遥感二值图像目标区域分割的新方法

基于线段扫描法进行二值图像连通域分割时,对数据量较多且形状复杂的遥感二值图像,容易使邻接表存储大量的等价对信息,即浪费存储空间也不利于算法合并处理。针对这一不足,提出了一种基于线段的快速标号算法,采用“双表”实时记录和修正等价标号,很好地解决了标记冲突的问题。经模拟数据和真实遥感二值图像验证表明,该算法比传统算法在处理效率上有显著提高,具有较好的应用价值。     

遥感影像分割边界的平滑方法

为了解决遥感影像分割对象边界的“栅格现象”问题,获取相对真实的分割地物对象边界,提高后续分类精度,提出了一套完整高效的平滑方法.该方法的主要流程是:对分割后所得到的每个对象的边界进行按节点拆分;对每个边界段进行断点筛选等预处理;再通过DP算法提取代表边界信息的特征点;使用3次B样条拟合所得到的特征点,完成边界平滑.实验结果表明,该方法能够获得满意的平滑效果.     

基于图像分割的无人机遥感影像目标提取技术

为全面增强遥感影像上地物波谱的反射特性能力,实现对无人机目标的无误提取,提出基于图像分割的无人机遥感影像目标提取技术;在类哈尔滤波器结构的支持下,按照区域环境中地物目标的颜色特征,完成低层影像特征的量化处理,实现基于图像分割技术的无人机遥感深度图获取;定义与无人机遥感影像相关的基本名词,通过原始特征选择的方式,判定地物波谱的平均反射特性水平,得到准确的特征元素相关性测度数值,完成无人机遥感影像的目标融合处理;在此基础上,分割多分辨率条件下的影像目标,在定义图像纹理与尺度条件的同时,得到最终的地物提取结果,实现基于图像分割无人机遥感影像目标提取技术的应用;对比实验结果表明,在初始采集相位条件及亚像素条件下,目标地物的波谱宽度均超过7.0μm,遥感影像的反射特性能力大幅提升,满足对无人机目标无误提取的实用需求。     

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.

     

基于共生矩阵的遥感图像面向对象分割

为了使通过共生矩阵能得到更合理的纹理特征,实验1研究了开窗大小变化对各纹理特征的影响,从而为计算共生矩阵时的开窗大小选择提供依据。进而按照实验1的研究结果,实验2把纹理特征和光谱特征结合起来对高分辨率遥感影像进行了面向对象的分割,并与不考虑纹理信息的分割结果通过优度实验法进行了对比研究。对比结果表明,考虑了纹理信息的面向对象分割能更真实有效地反映图像中地物目标的整体结构,为进一步有效的地物分类提供保障。     

基于MRF模型的遥感图像建筑物分割研究

为了快速有效地从遥感图像中提取目标建筑物,采用小波分析和Markov随机场(MRF)相结合的方法进行遥感图像建筑物目标分割。首先将小波分解得到图像的多尺度序列作为各个尺度特征场的观测值,采用高斯混合模型建模特征场,以MRF模型作为标记场先验概率分布模型,通过EM算法迭代使得参数估计和图像分割交替进行,最后采用模板匹配检测建筑物目标的位置。选择多幅遥感图片进行实验,结果表明,采用分解层数为3的Haar小波,类别数为2,MLL模型势函数β为1时,该方法能够完成复杂背景下的建筑物目标分割并能对规则目标进行检测。