基于改进JSEG算法的高分辨率遥感图像分割方法

JSEG算法是一种有效的彩色图像分割方法,但该方法直接用于遥感图像分割时,往往会出现因遥感图像区域边界较模糊而导致区域边界分割不准确,或因区域阴影而导致的过分割现象。为了解决上述问题,提出基于改进JSEG算法的遥感图像分割方法,该方法利用能更好描述区域内颜色的同质性的局部同质矩阵来校正传统JSEG算法中的局部J值,以实现对区域边界的准确反映,提高区域边界分割的准确性;利用图像的LBP/C纹理特征,合并具有相似纹理信息的颜色类,以减弱传统JSEG算法的过分割现象。仿真实验验证了上述方法的有效性。     

结合巴氏系数和灰度共生矩阵的遥感影像分割

针对遥感影像纹理信息丰富的特点,以及传统分水岭变换用于遥感影像分割容易出现过分割的问题,提出了一种基于巴氏系数和灰度共生矩阵的区域合并方法改进分水岭算法的分割结果。首先,利用数学形态学的方法提取原始影像的梯度图像,并且从梯度图像中获取标记;其次,在标记的梯度图像上进行分水岭变换,得到初始分割图像;最后,利用所提出的结合巴氏系数和灰度共生矩阵的区域合并方法对过分割区域进行合并,得到最终分割结果。实验结果表明,该算法既能得到连通,封闭的分割轮廓,还能有效解决分水岭分割算法的过分割问题,得到了较为准确的分割结果。     

融合边界信息的高分辨率遥感影像分割优化算法

目的 针对目前区域分割算法获取的区域边界与真实地物边界不一致问题,利用高分辨率遥感影像地物内具有均质性和地物间边缘信息突出的特点,提出一种融合边界信息的高分辨率遥感影像分割优化算法。方法 首先采用Canny算法对遥感影像进行边缘提取并进行边缘连接处理,产生闭合边界;然后将边界与初始分割结果进行融合处理,获得新的分割结果;最后在闭合边界约束下,基于灰度相似性准则对新的分割结果进行区域合并,获得优化后的最终分割结果。结果 采用本文提出的分割优化算法对Mean Shift算法和eCognition软件获得的分割结果进行优化处理,优化后的分割结果与初始分割结果相比正确分割率（RR）平均提高了4%,验证了本文算法的有效性。结论 该优化算法适用性广,可优化基于区域、基于边界和基于聚类等多种分割方法,同时该算法既能保持高分辨率遥感影像分割的区域完整性,又能保持地物边缘细节特征,提高了分割精度。     

大纹理图像多粒度分割新算法

针对大纹理图像分割困难的问题,提出一种大纹理图像分割算法.在获取影像的初始过分割区域后,依次使用区域颜色和背景对区域进行划分,得到区域标记图像;依据不同标记之间的空间交互强度,建立全局最优的标记合并序列,获取多粒度的分割结果;提出边界类别分布模型来建模区域或标记的空间交互关系.对比实验结果表明,该算法在处理大纹理图像分割方面有明显优势.     

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。     

纹理图像分割的非局部Mumford-Shah-TV模型及其ADMM算法

为了提高纹理图像分割的准确率,解决纹理图像中纹理图像成分及纹理区域边界难以描述的问题.基于总变差(total variation, TV)规则项可得到纹理图像区域隐藏的图像结构、非局部算子可以描述纹理图像特征的特点,综合TV模型、非局部Mumford-Shah模型,并用二值标记函数划分区域,提出纹理图像分割的非局部Mumford-Shah-TV变分模型;为了提高计算效率,对所提出的模型设计了相应的交替方向乘子算法,将原问题分解为一系列优化子问题求解.数值实验结果表明,该模型计算的纹理图像区域边界较好,并具有较高的准确率.     

基于分割的图像超分辨率重构算法

鉴于当前算法不能很好解决重构效果和算法复杂度之间的矛盾,提出了一种基于分割的图像超分辨率重构算法.首先提出了一种基于纹理的图像分割方法,将图像分为纹理较多和较少两个区域,然后针对纹理较少区域提出了改进型小波多尺度插值方法,纹理较多区域提出了固定训练集神经网络方法.本算法综合了小波方法的简单性和神经网络方法的精确性.实验结果表明,新算法重构效果良好,复杂度较低,操作性好.     

结合纹理去除的遥感图像分割

针对包含复杂纹理信息的遥感图像难以进行精准图像分割的问题,提出了一种结合纹理去除的遥感图像分割方法。首先,改进了相对全变差纹理去除方法,通过引入新的范数约束使相对全变差纹理去除方法可以在去除纹理信息的同时凸显图像中的主要结构,达到辅助分割的效果;然后,使用均值漂移算法对经过纹理去除的遥感图像进行无监督聚类,达到分割的目的;最后,提出的遥感图像分割算法在不同遥感图像上进行了测试。实验结果表明,在高分辨遥感图像的分割上,所提算法可以分割出遥感图像中的主要目标,和直接分割或者结合其他纹理去除方法相比取得了更好的分割结果。所提出的分割算法可以降低纹理信息对图像分割的影响,提高遥感图像分割的精度。     

基于K均值聚类分割彩色图像算法的改进

基于人类视觉将图像分割成若干个有意义的区域是目标检测和模式识别的基础.应用K均值聚类算法对图像进行分析,分析了图像的空间、色彩以及纹理特征对聚类效果的影响,针对K均值算法的存在的过分割问题提出了一种修正方法,先基于空间、颜色和纹理特征分割图像,再基于色彩及纹理特征进行合并,解决了K均值聚类产生的过分割问题,并在区域合并时引入修正函数,抑制了图像中因场景明暗变化而产生的斑点.实验结果表明提出的聚类算法对图像分割效果有明显提高.     

多分辨模型下的无监督统计纹理分割算法

针对基于统计的纹理分割算法存在的不足,提出了一种新的多分辨模型下的无监督统计纹理分割算法。该算法分层次对纹理图像进行动态分割,有效地利用了不同分辨率上最能表述某一纹理特性的统计特征,然后结合纹理的结构信息对边缘区域进行边界提取,进而得到较准确的纹理分割图。实验证明了这种区域与边界相结合的算法对纹理图像的分割具有高效、准确、通用性强的特点。     

无监督纹理遥感图像分形分割仿真

针对无监督纹理遥感图像分形分割时,仅利用光谱信息,没有充分利用遥感图像中的纹理信息造成过分割或是欠分割的问题,提出结合光谱信息和纹理信息的无监督遥感图像分形分割方法。方法首先借助于双边滤波算法建立双边滤波模型,对无监督遥感图像进行平滑处理,利用边缘检测算子获取无监督遥感图像的纹理梯度和光谱梯度,保留遥感图像的纹理信息。将图像纹理梯度和光谱梯度的内积范数作为K-means算法的距离测度,针对K-means算法易陷入局部寻优问题,将遗传算法与K-means算法相结合实现全局寻优,完成无监督纹理遥感图像分形分割。通过在高分辨率遥感图像上的分割对比实验,证明上述方法能充分利用遥感图像的光谱和纹理信息,分割效果良好。     

基于灰度与纹理信息融合的影像分割方法

文章提出了一种融合遥感影像像元各波段灰度信息与影像纹理信息的图像分割方法, 设计并实现了一种基于四分树的区域分开-合并算法。该方法有效地利用了遥感影像像元各波段灰度信息以及影像纹理信息, 用SPOT 5 卫星数据的实验结果表明, 该方法对影像分类以及制图工作有一定的促进作用。     

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。     

结合多特征和模糊偏好关系的高分辨率遥感影像分割

高空间分辨率(简称高分辨率)遥感影像除光谱特征外,还包含丰富的纹理特征,为了实现高分辨率遥感影像的高精度分割,提出结合多特征和模糊偏好关系的分割方法.首先,通过像素光谱测度定义多种统计特征,根据定义的各个特征提取特征影像并分别实现影像分割,利用其结果构建模糊决策矩阵;然后,基于像素定义特征间的模糊偏好关系矩阵,计算不同特征对最终分割决策的权重,并对模糊决策矩阵加权以突出优势特征,抑制劣势特征;最后,通过反模糊化决策矩阵得到最优影像分割结果.对合成影像和真实高分辨率遥感影像的分割结果进行定性和定量评价,结果表明,合成影像的分割总精度为99.8%,Kappa值为0.998,说明所提出的算法通过结合各特征的优势部分能够获得高精度的分割结果.     

基于分割区域及特征相似度的玉米田遥感图像分类方法

针对遥感图像中玉米田目标光谱复杂,同物异谱现象严重导致分类结果差的问题, 提出一种基于分割区域及特征相似度的玉米田遥感图像分类方法。首先利用主成分分析法(PCA) 对多光谱和高分辨全色融合图像进行第一主成分提取,以获得包含丰富图像信息的单色图像I; 对I 进行分水岭分割,得到一幅过分割目标区域图;构建由纹理、亮度及轮廓特征相似度组成 的特征组;最后基于随机森林原理,利用构建的特征组对玉米目标进行提取。用高分一号卫星 数据进行实验,并与支持向量机方法(SVM)、神经网络算法和最大似然算法进行了比较分析, 实验表明,该方法的分类精度优于其他算法。     

一种遥感图像多级感兴趣区域的压缩方法

感兴趣区域(ROI)编码技术具有在不丢失重要信息的同时又有效地压缩了数据量的特点,非常适用于遥感图像的压缩.提出一种遥感图像多级感兴趣区域的压缩方法,以边缘梯度方向为图像分割的准则,利用了遥感图像纹理信息丰富的特点,通过提取图像的边缘区域和纹理区域,得到较好的分割效果;然后采用通用部分位平面偏移方法(GPBShift)进行位平面编码,对所得数据进行SPIHT编码得到最终的压缩结果.仿真结果证明,在相同的压缩比下,可以使感兴趣区域得到更好的恢复质量.从而使全图获得更好的恢复效果,而且,恢复后图像也更符合人眼视觉特性.     

Hierarchical image segmentation based on similarity of NDVI time series

Although a variety of hierarchical image segmentation procedures for remote sensing imagery have been published, none of them specifically integrates remote sensing time series in spatial or hierarchical segmentation concepts. However, this integration is important for the analysis of ecosystems which are hierarchical in nature, with different ecological processes occurring at different spatial and temporal scales. Therefore, the objective of this paper is to introduce a multi-temporal hierarchical image segmentation (MTHIS) methodology to generate a hierarchical set of segments based on spatial similarity of remote sensing time series. MTHIS employs the similarity of the fast Fourier transform (FFT) components of multi-seasonal time series to group pixels with similar temporal behavior into hierarchical segments at different scales. Use of the FFT allows the distinction between noise and vegetation related signals and increases the computational efficiency. The MTHIS methodology is demonstrated on the area of South Africa in an MTHIS protocol for Normalized Difference Vegetation Index (NDVI) time series. Firstly, the FFT components that express the major spatio-temporal variation in the NDVI time series, the average and annual term, are selected and the segmentation is performed based on these components. Secondly, the results are visualized by means of a boundary stability image that confirms the accuracy of the algorithm to spatially group pixels at different scale levels. Finally, the segmentation optimum is determined based on discrepancy measures which illustrate the correspondence of the applied MTHIS output with landcover-landuse maps describing the actual vegetation. In future research, MTHIS can be used to analyze the spatial and hierarchical structure of any type of remote sensing time series and their relation to ecosystem processes.