一种融合超像素与最小生成树的高分辨率遥感影像分割方法

影像分割是面向对象高分辨率遥感影像分析的基础与关键。针对传统影像分割方法易受噪声影响,且难以确定合适的影像分割尺度的问题,本文提出了一种融合超像素与最小生成树的高分辨率遥感影像分割方法。首先用简单线性迭代聚类算法对影像进行过分割生成超像素;然后初始设定影像分割数,采用区域动态约束聚类算法对超像素进行合并,获得分割数-方差和、分割数-局部方差、分割数-局部方差变化率指标图,依据3个指标图确定合适的影像分割数;最后根据确定的合适影像分割数,采用区域动态约束聚类算法对超像素重新合并得到分割结果。定性对比试验和定量评价结果表明,本文方法可以有效地克服影像噪声对分割结果的影响,获得良好的影像分割结果。     

融合IR-MAD与超像素分割的遥感影像变化检测方法

针对迭代加权多元变化检测（IR-MAD）方法提取高分辨率遥感影像变化结果存在信息分散、“椒盐噪声”现象,提出了一种融合IR-MAD与超像素分割的高分辨率遥感影像变化检测方法。该方法利用卡方分布概率密度函数与超像素分割方法技术对IR-MAD算法改进,通过IR-MAD算法获取初始变化检测结果;然后,采用多尺度的超像元分割方法生成多尺度超像素对象;最后,对IR-MAD算法提取的初始变化检测结果,利用多尺度超像素分割对象结合众数规则判断分割对象属性,获取最终变化区域。实验结果表明：本文提出方法能有效提取变化区域,减少“椒盐噪声”现象,能较好地保存地物边界信息,提高整体变化检测精度。     

高分辨率遥感影像超像素的模糊聚类分割法

传统模糊C均值聚类在影像分割中只考虑影像的灰度特征,导致该算法用于高空间分辨率遥感影像分割时分割结果不理想。针对该问题,本文提出了一种高分辨率遥感影像超像素的模糊聚类分割方法。该方法首先利用分水岭变换算法产生多个超像素子区域;然后比较各个子区域间光谱特征的相似性;最后利用融合光谱特征的模糊C均值聚类对这些超像素子区域进行合并。试验选用4组不同场景的遥感影像,采用定性和定量相结合的方法评价试验结果。试验结果表明,该方法有效提高了分割区域的分割精度,并取得了较好的分割视觉效果。     

基于改进超像素和标记分水岭的高分辨率遥感影像分割方法

影像分割是高分辨率影像面向对象分析中的关键步骤,对信息提取精度起到至关重要的作用.为提高高分辨率遥感影像面向对象算法分割性能,提出一种改进超像素和标记分水岭的分割方法,包括特征融合、超像素初分割、控制标记符的标记分水岭再分割3个主要步骤.在超像素初分割阶段,利用高分辨率遥感影像纹理特征突出的优势,结合颜色空间、空间位置...     

结合超像素和卷积神经网络的国产高分辨率遥感影像云检测方法

由于国产高分辨率卫星遥感影像波段少、光谱范围窄,导致传统云检测方法精度低。本文提出了基于卷积神经网络的高分辨率遥感影像云检测方法。首先采用主成分分析非监督预训练网络结构,获取待测遥感影像云特征;然后采用超像素分割方法进行影像分割;最后将检测结果影像块拼接,完成整幅影像云检测。试验效果评价表明,基于卷积神经网络的高分辨率遥感影像云检测方法不受光谱范围限制,云检测精度高,误判较少,适合国产高分辨遥感影像云检测。     

一种高分遥感影像物体分割质量评价方法

影像分割是面向对象影像分析的重要环节,影像分割结果质量影响着后续的影像信息提取。对影像分割结果进行评价并从不同的分割结果中选出最优分割结果十分重要。本文综合考虑与参考对象相交的所有分割对象的影响,提出了一种高分遥感影像物体分割质量评价方法。该方法用ESI和CDI两个指标来定量评价影像物体分割结果质量,并用ESI和CDI指标组合,确定影像物体的最优分割结果。将该方法应用于GeoEye-1高分遥感影像物体分割结果质量评价,试验结果证明了该评价方法的有效性。     

模糊超像素分割算法的无人机影像烟株精细提取

实现烟草单株自动化提取对加快烟草农业信息化有着重要意义,但目前烟株精细的提取还存在较大困难.因此,提出了一种基于模糊超像素分割(fuzzy-superpixels,FS)算法的无人机烟株提取方法.首先通过绿地提取方法得到无人机影像中的植被覆盖区域;然后利用FS算法对影像进行超像素分割,并统计超像素的均值、亮度、形状指数...     

使用超像素编码的交互式影像语义分割方法

为了提高语义分割数据集的标注效率,研究人员提出了使用点击正负样本区域的交互式语义分割方法。然而,现有交互信息编码方式并未考虑图像上下文结构信息,当用户交互信息（鼠标点击位置）质量较差时,例如位于物体边缘附近时,易出现分割结果错误。针对该问题,本文提出结合超像素分割的交互信息编码方式。在遥感影像及医学影像数据集上的实验表明,结合超像素的交互信息编码方式,可有效提高交互式语义分割的效果,特别是在交互信息质量较差的情况下。     

融入超像素分割的高分辨率影像面向对象分类

针对高分辨率遥感影像面向对象分类中容易受分割参数的影响、分类精度不稳定的问题,本文提出了一种融入超像素分割的高分辨率影像面向对象分类方法.该方法通过简单线性迭代聚类(SLIC)算法对原始影像进行聚类生成超像素影像,并在此基础上采用分形网络演化方法(FNEA)进行多尺度分割生成同质性对象,最后利用最邻近分类方法进行地物分...     

基于语义分割网络的高分遥感影像城市建成区提取方法研究与对比分析

城市建成区的提取对城市发展规划有着重要的作用.为了找出能兼顾效率和识别准确率的基于卷积神经网络的遥感影像城市建成区提取方法,从神经网络结构的原理出发,对多种语义分割网络的内部结构进行对比分析,并针对语义分割网络分别进行训练及结果比较.实验结果表明,ShelfNet-50网络能够在训练速度最快的同时保证很高的识别准确率,...     

基于区间二型模糊理论的高分辨率遥感影像分割方法研究

影像分割是遥感影像处理(如特征提取、目标辨识、地物目标分类)的基础工作和重要任务。高分辨率遥感影像所具有的更加丰富的地表覆盖细节信息为精准地物目标分割提供了充分的依据。然而,更加精细的空间尺度、复杂多样的地物目标及真实地表覆盖信息的缺乏,增加了像素类属的不确定性和分割决策的不确定性,给高分辨率遥感影像分割带来了新问题,导致高分辨率遥感影像应用传统的影像分割方法得到的分割结果精度并没有随着分辨率的提高而得到显著提高。有鉴于此,本文以处理高分辨率遥感影像像素类属不确定性、分割决策不确定性及充分合理建模同质区域光谱测度分布模型为目标,提出基于区间二型模糊理论的影像建模与分割这一科学问题,并对其展开系统的理论与实践研究,以实现精度高、可靠性强的高分辨率遥感影像分割。     

Unsupervised evaluation-based region merging for high resolution remote sensing image segmentation

Image segmentation has a remarkable influence on the classification accuracy of object-based image analysis. Accordingly, how to raise the performance of remote sensing image segmentation is a key issue. However, this is challenging, primarily because it is difficult to avoid over-segmentation errors (OSE) and under-segmentation errors (USE). To solve this problem, this article presents a new segmentation technique by fusing a region merging method with an unsupervised segmentation evaluation technique called under- and over-segmentation aware (UOA), which is improved by using edge information. Edge information is also used to construct the merging criterion of the proposed approach. To validate the new segmentation scheme, five scenes of high resolution images acquired by Gaofen-2 and Ziyuan-3 multispectral sensors are chosen for the experiment. Quantitative evaluation metrics are employed in the experiment. Results indicate that the proposed algorithm obtains the lowest total error (TE) values for all test images (0.3791, 0.1434, 0.7601, 0.7569, 0.3169 for the first, second, third, fourth, fifth image, respectively; these values are averagely 0.1139 lower than the counterparts of the other methods), as compared to six state-of-the-art region merging-based segmentation approaches, including hybrid region merging, hierarchical segmentation, scale-variable region merging, size-constrained region merging with edge penalty, region merging guided by priority, and region merging combined with the original UOA. Moreover, the performance of the proposed method is better for artificial-object-dominant scenes than the ones mainly covering natural geo-objects.     

基于直方图区域生长的遥感图像阈值分割算法

传统阈值分割算法从单阈值扩展到多阈值的过程中,时间复杂度会大幅度增加,并且由于遥感图像信息复杂,会导致分割效果降低.为了解决这些问题,本文提出了基于直方图区域生长的遥感图像阈值分割算法.在本文算法中,每一个灰度级均作为1个初始阈值,用256个阈值将直方图分割成256个原始小区域.为了减少阈值数目,本文将小区域合并成大区...     

基于GMRF-SVM的高分辨率遥感影像目标区域划分方法

高分辨率遥感影像数据量大、细节丰富并呈现出一定的尺度依赖性,单一尺度遥感影像分割难以同时兼顾影像的宏观和微观特征,这成为制约遥感信息自动化提取技术发展的瓶颈之一。对此本文提出了基于特征的多尺度高分辨率遥感信息提取技术框架,并分析了其对于大尺度海量数据信息提取与目标识别工作具有的理论及实践意义。根据影像光谱或纹理等特征,提出采用GMRF-SVM方法在大尺度上进行分类的目标区域划分方法。从大尺度信息提取的角度来看,该方法综合了GMRF纹理分类和SVM少量样本模式识别的优势,便于先验知识的融合,无论从花费时间还是分类处理效果上,都远远优于直接采用GMRF进行分割所取得的效果,对于后面的信息提取和目标识别来说更具有实际意义。     

Boosting和Bagging算法的高分辨率遥感影像分类探讨

多分类器集成能够有效地提高遥感分类精度、降低结果中的不确定性,基于样本操作的Boosting和Bagging算法是多分类器系统常用的两种算法。针对高分辨率卫星遥感分类的需求,以Qu ickb ird数据为例,分别以BP神经网络、RBF神经网络和决策树为基分类器,对Boosting和Bagging算法的应用效果进行了实验和分析评价,结果表明Boosting算法和Bagging算法能够用于高分辨率遥感影像分类,具有较好的分类性能。     

观测数据采样化的遥感影像非监督分割

为了实现影像的自动化分割,提出一种利用非监督方式将观测数据采样化的遥感影像分割方法。该方法利用欧氏空间的概率分布建模采样数据和观测数据,并将其映射到黎曼空间,通过不断将观测数据转换为采样数据的方式实现影像的自动采样化。每次采样过程只需计算观测数据点到采样点的测地线距离,将距采样点测地线距离最小的观测数据转化为采样数据,以保证采样数据不断趋于该类数据的真实分割结果,同时使算法能够有效分割具有不同像素数的类别。将算法应用于模拟影像和真实遥感影像分割,对其分割结果以及传统基于统计、基于模糊的非监督算法和基于神经网络的监督算法相应分割结果定性定量的对比分析验证了该算法的有效性及可行性。     

曲波特征加权的高分辨率遥感图像统计分割方法研究

高分辨率遥感图像精确分割是遥感图像处理的研究热点和难点。高分辨率遥感图像中同质区域间的差异性不仅表现在光谱特征上,同样存在于边缘、纹理等结构特征上。为了更好分割高分辨率遥感图像,需在分割算法中考虑结构特征。因此,如何提取更多有助于精准分割的结构特征,并探究这些特征在分割过程中的作用规律成为设计高分辨率遥感图像分割算法的关键问题。为此,论文提出在曲波变换理论基础上构建不同结构特征提取模型,并以加权的方式将提取的结构特征纳入贝叶斯和能量分割模型中。     

高分辨率遥感图像道路分割算法

为了提高从高分辨率遥感图像(high-resolution remote sensing image,HRI)中提取道路信息的自动化程度和准确性,发展了一种HRI道路分割算法,主要包括光谱合并、边界合并和基于形状特征的道路区域提取等3个步骤。其中,前2个步骤是基于区域生长的图像分割算法。光谱合并综合考虑了区域的均值、方差等统计特征量,以提高分割精度;边界合并采用了基于矢量梯度的边界计算方法,以准确提取多光谱HRI中的边界强度;结合全局最优合并算法实现光谱和边界合并,以得到最优化的分割结果。在道路区域被完整分割出来的基础上,利用形状特征提取道路,采用圆形度特征区分道路和非道路。利用2景Orb View3多光谱图像进行道路提取实验的结果表明,该方法的道路提取结果总精度和Kappa系数分别在97%和0.8以上,明显优于SVM监督分类方法。     

高分辨率遥感影像分割的城市绿地提取研究

城市绿地是生态文明建设的重要组成部分,绿地信息提取是城市绿地规划和建设的基础和前提。遥感影像分割是绿地信息分类提取的关键步骤,选择合适的影像分割方法能有效提高城市绿地提取精度。传统的遥感分割方法分割结果中边缘锯齿现象严重,与绿地实地边界相差较大,不符合绿地信息提取的要求。本文以高分辨率的WorldView影像为数据源,使用深度学习网络DeepLab-v3+对城市绿地进行分割研究,在分割基础上进行城市绿地信息提取。同时,本研究将该网络模型的分割和分类结果与基于Ostu、MeanShift、FNEA分割算法的分类精度进行比较。研究表明：DeepLab-v3+的分割性能最好,其分割边缘光滑,与绿地实地边界吻合度高,有效解决了传统分割算法的边缘锯齿问题;在各种分割分类算法中,DeepLab-v3+的分类精度最高,达到98.01%。