遥感图像森林植被纹理的自适应滤波

基于纹理滤波的分割方法被广泛用于遥感图像森林植被分割。遥感图像中森林植被纹理的多样性使得固定参数的纹理滤波方法不能准确表达纹理的特征,导致分割精度不高。提出一种自动适应森林植被纹理的滤波方法,根据遥感图像中典型森林植被区域的纹理基础属性设置滤波参数,实现有针对性的纹理滤波处理。通过蓝噪声探测方法和灰度共生矩阵统计方法获取典型森林植被区域的纹理基元在尺度和灰度分布等方面的属性,结合森林植被纹理的先验知识设置纹理滤波参数,包括滤波器的窗口尺寸、方向、频率和强度以及用于表达纹理特征的局部谱直方图的积分窗口尺寸等。分割实验表明,该方法充分利用了图像中森林植被纹理的特点,纹理滤波表达的特征区分度更大。     

基于蓝噪声理论的多尺度遥感森林植被分割

针对森林植被分割方法中纹理尺度以及植被纹理描述问题,基于蓝噪声理论,提出一种多尺度的结合灰度、形状以及其他纹理特征构建森林纹理结构基元的分割方法。该方法通过对森林植被典型区域进行快速傅里叶变换,探测区域的蓝噪声特征,并计算森林植被纹理单元的尺度和灰度分布。然后结合区域的灰度、形状和其他纹理特征构建不同尺度下森林纹理结构基元,利用森林纹理结构基元对图像进行提取,获取最终分割结果。实验结果表明,本文提出的算法能够提高植被区域分割的准确性,取得了较好的分割效果。     

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。     

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.     

基于多尺度结构张量的多类无监督彩色纹理图像分割方法

由于自然图像中包含丰富的颜色信息与多尺度的纹理信息,伴随多个同质目标区域的出现,依靠半监督手动交互标记的图像分割方法难以实现自动分割,因此提出一种多类无监督彩色纹理图像分割方法.首先,提取了颜色特征(向量结构)与多尺度纹理特征(矩阵集合),并对两者分别进行能量描述;对于2种具有不同特征结构的能量函数,通过多类融合策略计算两者的融合因子,并自适应地融合;再将融合后能量函数的全局最优化问题转化为其对应的多层Graph Cut图割模型,利用最大流?最小割理论计算得到全局近似最优解.为了自适应地控制分割过程,提出了自适应迭代分割收敛准则,并最终在自然图像及合成的彩色纹理图像上进行了质量评估与量化分析.实验结果表明,该方法具有较好的目标区域完整性与一致性,并具有较高的准确率.     

多尺度归一化割用于遥感图像分割

针对高分辨率遥感图像数据量大、地物类型丰富、纹理结构复杂等特点,该文利用多尺度归一化割方法进行高分辨率遥感图像的分割。该方法是一种从全局出发的基于图论的分割方法,能够兼顾粗糙层和精细层的信息,适合复杂地物的分割。利用南京某区域Ikonos数据进行了实验,并与主流遥感图像分割软件eCognition中多尺度分割模块进行了效果对比和定量评价。结果表明,该方法在高分辨率遥感图像分割中可以取得较好的效果,具有较好的研究前景。     

基于动态金字塔标记随机场模型的非监督纹理分割算法

在马尔可夫随机场纹理模型的基础上，提出一个基于金字塔结构的动态多尺度标记随机场模型，应用这个模型实现纹理图像分割．算法应用由粗至细的处理策略，实现了图像的区域紧凑性，克服了一层GRF标记场结构的运算复杂性，减少了运算时间，并且能够获得较好的分割结果。     

符合人类视觉感知的图像对象分割方法

提出一种符合人类视觉感知的图像对象分割方法,包括双尺度的区域分割和基于模型的对象提取。运用非线性尺度算子对图像进行大尺度平滑,结合颜色量化和视觉一致性的颜色聚类完成图像的粗分割。在原尺度上融合区域的纹理、颜色信息对分割区域进行区域合并,并利用对象模型完成图像对象的提取。实验结果表明,该算法的分割结果符合人类视觉感知特性,能够较好地完成图像对象分割。     

一种多尺度无监督遥感图像分割方法

提出了一种多尺度无监督遥感图像分割方法。通过对多尺度图像数据在每个尺度上进行Gauss子集聚类,并将每个像素的邻域内的Gauss子集类别标记作为特征向量,利用Markov四叉树模型进行二次聚类,从而实现无监督图像分割。与其他基于多尺度Markov模型的无监督分割方法和传统动态聚类方法相比,该方法既无需假定每类的分布形式,又能较好地反映数据的概率结构。合成图像与SAR图像的实验结果表明,该方法的分割精度接近于有监督的H-MPM和H-SMAP方法。