多尺度分割的高分辨率遥感影像分类对比研究

为进一步提高高分辨率影像地物分类精度,以高分2号卫星影像为研究数据,根据高分2号卫星遥感影像光谱信息以及高空间分辨的结构特点,从遥感影像数据分割的尺寸效果及其各种地物显著特征着手,通过局部方差法寻求出各类地物的最优分割尺度,并建立尺度网络层,利用继承进行多尺寸下多特征的整体融合,在最优尺度层下根据光谱特征、形状特征对高分2号影像进行多特征融合与多尺度分割实验,并在此基础上进行了典型地物的分类对比研究。结果表明多特征融合多尺度分割能够较好利用高空谱信息提高地物分类精度。     

改进的标记分水岭遥感影像分割方法*

在Meyer算法的基础上,提出一种改进的标记分水岭遥感影像分割方法,该方法针对高空间分辨率遥感影像的特点,依据梯度影像的分布特征自动提取合适的标记影像。浸没过程中,非标记像素按照梯度值由小到大进行处理,并使用正反两个队列记录当前处理的像素。实验证明,将该算法用于高分辨率遥感影像分割,不仅获得高质量的分割结果,而且具有极高的运行效率与空间利用效率。     

基于改进标记的高分辨率遥感图像分水岭分割方法

扩展最小变换是标记分水岭变换中常见的标记提取方法,但实验证明,基于该方法的图像分割结果在地物边缘处仍会存在破碎多边形。本文采用一种新的标记提取方法,首先利用高斯低通滤波器对梯度图像进行平滑,然后在梯度图像的低频成分中利用扩展最小变换提取标记,最后利用二值标记图像对原始梯度图像进行梯度重建,分水岭变换在重建后的梯度上进行。实验证明,该方法可以有效地去除地物边缘处的破碎多边形。     

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。     

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。     

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.

     

高分辨率遥感图像分割的最优尺度选择

面向对象的最优尺度选择是高分辨率遥感图像多尺度分割技术中的关键问题。最优分割尺度的确定直接影响到后续的图像信息提取与分析。在模型计算法的基础上,改进并实现了一种全局最优尺度计算模型。该最优尺度计算模型可以根据多波段信息自动选择最优尺度,从而避免了人目视的主观性。     

结合多尺度分割和形态学运算的高分辨率遥感影像阴影检测

目的 针对阴影在高分辨率遥感影像的特性,提出了一种多尺度分割和形态学运算相结合的阴影检测方法。方法 基于面向对象思想,首先利用均值漂移法实现影像分割生成对象,并以对象为基本单元分别进行形态学膨胀和腐蚀运算,从而获得面向对象的阴影指数;然后对影像进行多尺度分割,生成阴影指数矢量;最后对阴影指数矢量和亮度均值分别指定高低阈值,进而获得阴影检测结果。结果 选取高分二号和Google earth影像进行实验,采用误检率、漏检率和总错误率3个指标进行定量分析,并将实验结果与结合多特征法和形态学阴影指数法进行比较。在阴影检测定量精度分析中,相比于对比方法,本文方法的误检率偏高,但漏检率平均降低了7.31%;在建筑物阴影检测实验中,本文方法的漏检率同样下降了4.5个百分点;在多尺度效果融合分析中,本文方法在多组尺度组合下,各项精度指标均较理想;在阴影压盖地物实验中,3种方法的误检情况差异不大,但本文方法的漏检率得到较大改善,其下降程度平均达到了19.29%。结论 本文提出的阴影检测方法具备一定的抗干扰能力,适用性强,可靠性高。     

针对高分辨率遥感影像分割的改进连通域标记方法

针对高分辨率遥感影像信息量大的特点,提出一种新的连通域标记方法-包围判断式标记,快速完成对影像分割结果的连通域标记。尤其对分割结果中含有大面积连通分割子区域的情况,此方法能大大减少像素4-连通比较的次数,并且能在标记步骤有效地去除部分无意义的分割小区域。复杂度分析和实验结果证明,包围判断式标记方法比传统的顺序式标记方法具有更高的运行效率,更能适应高分辨率遥感影像处理的要求。     

基于模糊形态学梯度的高分辨率遥感影像分割方法*

针对高分辨率遥感影像提出一种有效的分割方法。首先采用分块方式计算图像复杂度,根据不同的复杂度,使用相应参数的均值偏移算法对图像进行颜色量化,图像越复杂,量化级数越多;在量化结果的基础上构建多形状结构元素,然后使用该结构元素对图像提取模糊形态学梯度,并使用浸没式分水岭变换得到分割结果;最后,使用改进的合并代价函数进行小区域合并而获得最终结果。对QuickBird多光谱影像进行分割实验,结果证明了该方法的有效性。     

基于简化随机场模型的高分辨率遥感影像分割方法

提出了一种灰度分割的基础上添加辅助的纹理分割的基于简化随机场模型的遥感影像目标分割方法,即用常用的描述局部图像特点的特征代替MRF中定义的特征,将这些特征组合成特征向量进行模糊C均值聚类完成分割。给出了算法流程和实验结果,并将该结果与基于高斯马尔可夫随机场模型法分割的结果进行比较,实验结果表明简化随机场模型法在保证一定的分割精度的情况下,分割速度明显快于高斯马尔可夫随机场模型法。     

一种改进的高分辨率遥感影像分割方法及应用

图像分割是进行遥感信息监测的重要前提条件和基础,文章阐述了对遥感影像进行分割的必要条件,介绍了对遥感影像进行分割的基本原理,并且介绍了几种图像分割的方法。根据影像分割在城市房地产监测中的应用,文章提出了一种基于改进的H指标分割方法,并通过实际试验确定了利用此方法对高分辨率遥感影像进行分割的指标。     

基于分水岭变换的多尺度遥感图像分割算法

分水岭变换是一种适用于图像分割的强有力的形态工具,能够自动生成一系列封闭分割区域。分水岭变换的不足之处在于它的过分割结果。为了克服分水岭变换固有的过度分割现象,利用非线性滤波和改进的快速区域合并算法优化分水岭变换得出的初始分割结果,并针对高分辨遥感图像所体现出来的地物的多种信息特征,结合多种特征进行了区域合并。实验结果与MeanShift算法得到的结果进行了比较,证明该算法不仅能充分利用高分辨率遥感图像中地物的信息特征获得良好的分割效果,而且大大减少了计算时间。     

面向对象的遥感影像最优分割尺度评价

遥感影像分割决定了后续分类的精度,鉴于目前分割技术评价的研究缺乏且局限于主观判断的现状,以定量方法确定最优分割尺度。利用Definiens平台面向对象的分割算法,将组成对象的像素灰度值的标准差作为衡量对象内同质性的标准,用与邻域的平均差分的绝对值作为对象间的异质性度量变量,同时考虑面积权重的影响;根据上述3个评价指标,在考虑多光谱影像的基础上,构造了平均分割评价指数;基于该评价指数,以优度实验法对QuickBird多光谱影像进行了研究,并确定了不同地物类型的最优分割尺度。最后,利用平均对象匹配指数对评价结果进行了验证,并对评价方法的可行性进行了探讨。     

基于深度学习高分辨率遥感影像语义分割

高分辨率遥感影像含有丰富的地理信息.目前基于传统神经网络的语义分割模型不能够对遥感影像中小物体进行更高维度的特征提取,导致分割错误率较高.本文提出一种基于编码与解码结构特征连接的方法,对DeconvNet网络模型进行改进.模型在编码时,通过记录池化索引的位置并应用于上池化中,能够保留空间结构信息;在解码时,利用编码与解...     

一种快速高分辨率遥感影像分割算法

高分辨率遥感影像(如IKONOS 影像)海量数据、复杂细节的特点决定了高分辨率遥感影像分割的技术难点,提出了基于同质性梯度特征、分水岭算法和最小代价合并的快速分割方法。首先对于原始图像进行同质梯度计算得到同质梯度图像;其次利用一种高效的分水岭变换获得初始分割图像;最后给出一种改进的区域合并算法来优化初始分割区域。应用于IKONOS影像的实验证明与其他的分割算法相比,采用所提出的分割方法能快速、准确地获得高分辨率遥感图像的分割结果。     

高分辨率遥感影像的边缘损失增强地物分割

目的 针对高分辨率遥感影像语义分割中普遍存在的分割精度不高、目标边界模糊等问题,提出一种综合利用边界信息和网络多尺度特征的边缘损失增强语义分割方法。方法 对单幅高分辨率遥感影像,首先通过对VGG-16（visual geometry group 16-layer net）网络引入侧边输出结构,提取到图像丰富的特征细节;然后使用深度监督的短连接结构将从深层到浅层的侧边输出组合起来,实现多层次和多尺度特征融合;最后添加边缘损失增强结构,用以获得较为清晰的目标边界,提高分割结果的准确性和完整性。结果 为了验证所提方法的有效性,选取中国北方种植大棚遥感影像和Google Earth上的光伏板组件遥感影像进行人工标注,并制作实验数据集。在这两个数据集上,将所提方法与几种常用的语义分割方法进行对比实验。实验结果表明,所提方法的精度在召回率为00.9之间时均在0.8以上,在2个数据集上的平均绝对误差分别为0.079 1和0.036 2。同时,通过消融实验分析了各个功能模块对最终结果的贡献。结论 与当前先进方法相比,本文提出的边缘损失增强地物分割方法能够更加精确地从遥感影像的复杂背景中提取目标区域,使分割时提取到的目标拥有更加清晰的边缘。     

基于IHS的高分辨率遥感影像自适应融合算法

在分析几种IHS算法的基础上,提出了一种适合于高分辨率遥感影像的自适应加权融合算法。该算法基于快速IHS变换,从亮度成份构成和空间细节注入程度两个方面加以改进,采用相关系数来调整权重,避免了人工指定权重带来的主观因素偏差,在提高影像空间细节和光谱保持之间取得了较好的均衡,同时还具备了高计算效率。通过融合实验并与几种改进的IHS算法的对比分析,该算法均优于其他几种改进算法。