一种新的高光谱遥感图像超像素分割方法

为了解决简单线性迭代聚类算法在高光谱遥感图像超像素分割任务中分割精度较低的问题,提出一种基于多级线性迭代聚类结合改进标签传播算法(LPA)的新的无监督高光谱遥感图像超像素分割方法。首先,扩充简单线性迭代聚类(SLIC)的适用范围至多通道对高光谱图像进行超像素初分割;然后,对色彩标准差较大的超像素进行多级迭代细致分割,引入基于局部二进制模式的高光谱遥感图像纹理特征提取方法计算高光谱图像纹理特征并融合多段光谱特征计算超像素间相似度以构建带权图网络;最后,改进LPA社区发现方法进行超像素合并,将改进的标签传播算法运用于超像素合并可以得到更加稳定准确的超像素合并效果,提高超像素分割精度。将该方法与多种方法进行比较,结果表明,该方法对高光谱遥感图像的超像素分割结果更准确,超像素边缘更贴合真实地物边界,能有效改善高光谱遥感图像超像素分割中精度较低的问题。     

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。     

融合超像素与Wasserstein距离的遥感影像分割方法北大核心CSCD

图像分割技术是图像处理和计算机视觉领域中的关键技术之一。随着近年来遥感成像技术的迅猛发展,传统基于像素的影像处理方法不再适用于高分辨率遥感影像。针对传统图像分割方法在分割准确性以及分割效率等问题上存在的不足,提出了一种融合超像素与Wasserstein距离的遥感影像分割方法。首先,对遥感影像进行SLIC(simple linear iterative clustering)算法预分割,生成超像素;然后,将超像素作为K-means算法的聚类中心,利用Wasserstein距离替代传统欧氏距离计算超像素之间的距离,完成聚类。理论和实验结果表明,新方法具有收敛性,在一定程度上提高了超像素预分割后的完整性,并且Wasserstein距离能够准确计算分布之间的差异性,在超像素距离计算上表现突出。     

基于边缘强度特征和线性谱聚类的 SAR 图像超像素生成方法

面对高分辨合成孔径雷达(SAR)图像的海量数据,学界广泛通过基于超像素的方法 简化图像处理过程。一般适用于光学图像的超像素分割算法对存在斑噪的 SAR 图像分割性能均 不够理想。面向 SAR 图像改进现有超像素生成算法是目前的研究热点之一。在探讨了将边缘强 度特征引入超像素分割算法的可行性的基础上,结合边缘强度特征和线性谱聚类方法,提出了 一种新的 SAR 图像超像素生成方法(e-LSC)。通过仿真 SAR 图像和实测 SAR 图像的比较实验, 证实了 e-LSC 算法与其他几种典型超像素生成算法相比,生成的超像素在边缘贴合度和匀质区 域的规则化上都有所提高。     

一种融合多种特征的SLIC超像素图像分割方法

为进一步提高分割精度、得到视觉效果更好的分割结果，提出一种融合多种特征的简单线性迭代聚类(SLIC)算法与由FCM和PCM算法(FCM-PCM)结合的图像分割方法。算法先将局部同质性特征与纹理特征融入传统SLIC算法特征中，提出一种融合多种特征的SLIC超像素分割算法(SLICHT);然后对由SLICHT超像素分割算法得到的超像素块运用FCM-PCM算法进行聚类合并，实现图像分割。与其他图像分割方法相比，该算法的实验结果在分割精度和视觉效果方面都有很好的表现。     

基于HOG和E-SVM的服装图像联合分割算法

针对目前服装图像分割准确率低的问题,提出一种基于HOG特征和E-SVM分类器的服装图像联合分割算法。该算法具体可分为三个迭代的步骤：超像素组合、E-SVM分类器训练、分割传播,并用到辅助数据集。将用户输入的图像结合辅助服装集进行超像素分割,并利用分割传播方法将超像素组合成多个区域。利用分割效果积极的区域的HOG信息训练E-SVM分类器。通过E-SVM分类器以及分割传播方法将输入的图像中的服装分割出来。实验结果表明,该方法能够高准确率地分割出服装图像。     

结合SLIC和模糊聚类的遥感图像分割方法

超像素分割是目前用于遥感影像分割的研究热点,但它易产生过度分割的问题。为解决过度分割问题,提出一种简单线性迭代聚类(SLIC)结合快速FCM聚类算法(Fast fuzzy C-means,FFCM)的遥感图像分割方法。该方法首先用SLIC算法对初始影像进行预分割;然后使用FFCM对获取的超像素进行合并。本文将分形网络演化方法(FNEA)作为对比实验方法。实验结果表明,本文提出方法的分割结果与实际地物的相似度更高,抗噪性更好。提出分割方法的精度较FNEA算法相比均有所提高。研究成果可为遥感影像分割提供有效借鉴。     

基于超像素空间金字塔模型的场景识别研究

针对以往场景识别研究中将图像分割成大小相等的矩形区域进行特征提取而导致识别率低的问题,提出了一种基于超像素空间金字塔模型的场景识别方法：先对图像做不同分辨率的超像素分割,在得到的每个图像子区域中提取PACT特征,然后利用K-means聚类构建出图像集的视觉词典。在进行场景识别时,将每幅图像所有分割子区域的PACT特征连接成一个特征向量,并加入bag of words特征进行分类,最终的场景分类结果在支持向量机LIBSVM上获得。实验结果表明该算法能够有效提高识别率。     

结合同异性度量的超像素分割方法

针对以往分割方法在分割影像时出现的分割效果较差以及精度较低等问题,提出一种结合超像素同异性度量的高分辨率遥感影像分割方法,对分割效果进行改善。首先利用高斯滤波对影像进行平滑处理;再通过简单线性迭代聚类算法对影像进行像素级分割,生成超像素;之后根据灰度离散程度将离散超像素归并到邻近权重最大的超像素,解决独立像素点问题;然后计算超像素同异性度量值,根据阈值将超像素合并,达到分割影像的目的。此方法在传统分割算法基础上增强了超像素对梯度和颜色的敏感性,提高了影像分割的精度。实验表明,该方法可有效减小噪声点的影响,改善以往算法存在的过分割以及分割线偏移等缺陷。     

基于超像素形状特征的图像复制粘贴篡改检测算法

针对传统图像复制粘贴篡改检测方法中划分子块的数目过大导致算法时间复杂度过高且抵抗几何变换能力较弱的问题,提出一种基于超像素形状特征的图像复制粘贴篡改检测算法.首先提出基于小波对比度自适应划分超像素的方法分割图像并提取稳定的特征点;然后提出新颖的形状编码方式提取超像素形状特征,并与特征点融合,估计可疑伪造区域;最后对可疑...     

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U-Net的高分辨率遥感图像土地利用信息提取

随着现代遥感技术的迅速发展,遥感图像的质量和数量得到了显著的提升,新技术带来的高分辨率遥感图像所蕴含的信息也更加丰富,如何利用人工智能手段辅助挖掘这些丰富的信息也成为了遥感图像分析与理解的重要内容.与此同时,以深度卷积神经网络为代表的人工智能技术在图像处理领域大放异彩.得益于类人眼的分层卷积池化模型,深度卷积神经网络可...     

残差密集空间金字塔网络的城市遥感图像分割

目的 遥感图像语义分割是根据土地覆盖类型对图像中每个像素进行分类,是遥感图像处理领域的一个重要研究方向。由于遥感图像包含的地物尺度差别大、地物边界复杂等原因,准确提取遥感图像特征具有一定难度,使得精确分割遥感图像比较困难。卷积神经网络因其自主分层提取图像特征的特点逐步成为图像处理领域的主流算法,本文将基于残差密集空间金字塔的卷积神经网络应用于城市地区遥感图像分割,以提升高分辨率城市地区遥感影像语义分割的精度。方法 模型将带孔卷积引入残差网络,代替网络中的下采样操作,在扩大特征图感受野的同时能够保持特征图尺寸不变;模型基于密集连接机制级联空间金字塔结构各分支,每个分支的输出都有更加密集的感受野信息;模型利用跳线连接跨层融合网络特征,结合网络中的高层语义特征和低层纹理特征恢复空间信息。结果 基于ISPRS （International Society for Photogrammetry and Remote Sensing） Vaihingen地区遥感数据集展开充分的实验研究,实验结果表明,本文模型在6种不同的地物分类上的平均交并比和平均F₁值分别达到69.88%和81.39%,性能在数学指标和视觉效果上均优于SegNet、pix2pix、Res-shuffling-Net以及SDFCN （symmetrical dense-shortcut fully convolutional network）算法。结论 将密集连接改进空间金字塔池化网络应用于高分辨率遥感图像语义分割,该模型利用了遥感图像不同尺度下的特征、高层语义信息和低层纹理信息,有效提升了城市地区遥感图像分割精度。     

一种两阶段区域生长的遥感图像分割算法

提高图像分割算法的精度与速度对遥感影像的解译工作具有重要意义。提出了一种基于区域生长的遥感图像分割算法,包括的两个步骤分别是局部最优合并和全局最优合并。第一步注重提高图像分割的速度,在其具体实现中引入了一个局部最优合并的阈值,以减少错误的合并;第二步侧重提高图像分割的精度,在其实现过程中利用了一种高级数据结构红黑树来提高搜索最优合并区域的速度。最后,利用模拟的遥感影像和Orbview\|3高分辨率影像开展了图像分割实验。利用一种监督的图像分割精度评价方法,定量评价了该方法的性能。实验结果表明:该方法在分割精度和分割速度方面都取得了令人满意的效果。     

高分辨率遥感影像的多特征多核ELM分类方法

针对高分辨率遥感影像地物分布复杂多变,利用ELM的快速分类性能,提出了一种ELM的多特征多核高分辨率遥感影像分类方法。首先利用多尺度分割算法将原始影像粗分为若干地物区域;然后依据区域合并准则对粗分割图像合并得到典型地物特征的对象信息,并提取分割对象的光谱特征与空间特征;最后以多种核函数加权组合的方式构建多核ELM对影像分类,获得最终的分类结果。实验结果表明,所提方法不仅降低了对目标训练样本的要求,同时还提高了分类的准确性、及时性和完整性。     

遥感图像语义分割中的弱监督域自适应算法

近年来,遥感图像的语义分割得到广泛应用。虽然基于深度学习的方法极大程度地提高了遥感图像的语义分割精度,但由于遥感图像的多样性（不同的地理位置、地形和天气条件）以及像素级标签的缺乏,该算法难以适用于跨多个域的任务。而若重新训练新的域则需要消耗大量人力资源来收集相应的像素级标签。为了解决这一跨域问题,基于对抗学习提出了一种目标域图像级标签已知的弱监督域自适应方法：利用图像级标签,提出多类域判别器,使目标域各个类别自适应地对齐到源域;为保持训练过程的平稳,一种基于熵值产生目标域像素级伪标签的方法被提出以监督特征提取器,提升模型表现。在ISPRS Vaihingen与ISPRS Potsdam数据集上的大量实验表明,改进后的算法优于其他遥感图像语义分割中的基于对抗学习域自适应算法。     

全卷积神经网络下的多光谱遥感影像分割

目的 传统的遥感影像分割方法需要大量人工参与特征选取以及参数选择,同时浅层的机器学习算法无法取得高精度的分割结果。因此,利用卷积神经网络能够自动学习特征的特性,借鉴处理自然图像语义分割的优秀网络结构,针对遥感数据集的特点提出新的基于全卷积神经网络的遥感影像分割方法。方法 针对遥感影像中目标排列紧凑、尺寸变化大的特点,提出基于金字塔池化和DUC（dense upsampling convolution）结构的全卷积神经网络。该网络结构使用改进的DenseNet作为基础网络提取影像特征,使用空间金字塔池化结构获取上下文信息,使用DUC结构进行上采样以恢复细节信息。在数据处理阶段,结合遥感知识将波段融合生成多源数据,生成植被指数和归一化水指数,增加特征。针对遥感影像尺寸较大、采用普通预测方法会出现拼接痕迹的问题,提出基于集成学习的滑动步长预测方法,对每个像素预测14次,每次预测像素都位于不同图像块的不同位置,对多次预测得到的结果进行投票。在预测结束后,使用全连接条件随机场（CRFs）对预测结果进行后处理,细化地物边界,优化分割结果。结果 结合遥感知识将波段融合生成多源数据可使分割精度提高3.19%;采用基于集成学习的滑动步长预测方法可使分割精度较不使用该方法时提高1.44%;使用全连接CRFs对预测结果进行后处理可使分割精度提高1.03%。结论 针对宁夏特殊地形的遥感影像语义分割问题,提出基于全卷积神经网络的新的网络结构,在此基础上采用集成学习的滑动步长预测方法,使用全连接条件随机场进行影像后处理可优化分割结果,提高遥感影像语义分割精度。     

基于蚁群优化与独立特征集的遥感图像实时分类算法

为了提高遥感图像的实时分类准确率与效率,提出了一种基于蚁群优化算法与独立特征集的遥感图像集实时分类算法。首先,提取遥感图像的小波域特征与颜色特征,并且组成特征向量;然后,采用蚁群优化算法对特征空间进行优化,独立地选出每个分类的显著特征集,从而降低每个子特征空间的维度;最终,每个分类独立地训练一个极限学习机分类器,从而实现对遥感图像集的分类。基于公开的遥感图像数据集进行了仿真实验,结果显示本算法实现了较高的分类准确率,并且实现了较高的计算效率。     

基于联合约束策略和稀疏表示的图像分割

基于像素级的交互式图像分割算法对初始种子位置和噪声敏感,同时仅基于超像素的分割方法无法保留图像细节经常导致分割结果出现欠分割问题。针对上述问题,提出超像素/像素约束和稀疏表示的图像分割模型。该方法利用高斯函数分别对像素和超像素构造了相互约束的代价函数,引入了稀疏分解对模型进行优化以提升模型对图像噪声的鲁棒性,最后利用联合优化策略对代价函数求解估计出目标和背景标记实现目标提取。实验结果表明,与现有的分割方法相比,提出的方法能获得较好的分割效果,对高斯噪声和椒盐噪声具有较强的鲁棒性。     

基于深度学习模型的遥感图像分割方法

利用遥感图像快速准确地检测地物信息是当前的研究热点。针对遥感图像地表物的传统人工目视解译分割方法效率低下和现有基于深度学习的遥感图像分割算法在复杂场景下准确率不高、背景噪声多的问题，提出一种基于改进的U-net架构与全连接条件随机场的图像分割算法。首先，融合VGG16和U-net构建新的网络模型，以有效提取具有高背景复杂度的遥感图像特征；然后，通过选取适当的激活函数和卷积方式，在提高图像分割准确率的同时显著降低模型预测时间；最后，在保证分割精度的基础上，使用全连接条件随机场进一步优化分割结果，以获得更加细致的分割边缘。在ISPRS提供的标准数据集Potsdam上进行的仿真测试表明，相较于U-net，所提算法的准确率、召回率和均交并比（MIoU）分别提升了15.06个百分点、29.11个百分点和0.3662，平均绝对误差（MAE）降低了0.02892。实验结果验证了该算法具备有效性和鲁棒性，是一种有效的遥感图像地表物提取算法。