双树复小波域马尔科夫的遥感图像分割方法

针对多尺度高分辨率遥感图像像素分割在降噪时丢失大量高频信息及单一像素孤立性问题,提出了一种双树复小波变换(dual-tree complex wavelet transform,DT-CWT)和模糊马尔科夫随机场(fuzzy markov random field,FMRF)模型相结合的无监督遥感图像分割算法。首先通过DT-CWT遥感图像进行多尺度分解,并采用Bayesian阈值法对分解后的高频分量进行去噪,以增强图像的细节和边缘的表达能力并有效保留图像的主要高频信息;然后采用FMRF分割算法分别对重构后各层分量进行分割,以充分考虑像素分割的模糊性和像素邻域间的相关性;最后根据相似度融合规则融合各层分割结果。对比试验结果表明,该方法在有效去除杂点和噪声的同时能够较好地保留图像细节信息,并且边缘分割更加平滑,具有较高的分割精度和很好的鲁棒性。     

基于双树复小波分解的BP神经网络遥感影像分类

为有效解决高分辨率多光谱遥感影像分类模糊性和不确定性以及较好地克服噪声的影响,提出了一种基于双树复小波分解的BP神经网络遥感图像分类方法。首先提取影像的NDVI、纹理特征来降低影像中因"同谱异物"和"同物异谱"引起的分类不确定性;然后对影像的原始光谱波段、NDVI、纹理特征图像进行一层双树复小波分解,提取出图像的低频信息,降低图像噪声以及减少分类中存在的"椒盐"现象;最后将提取的低频子图作为BP神经网络的输入并根据训练好的网络进行分类,得到最终的分类结果。对比实验结果表明该方法的分类结果杂点较少,区域一致性更强,具有较高的分类精度和较好的鲁棒性。