基于区域的多尺度全色遥感图像分割

针对边缘信息不足导致的图像误分割问题,提出一种基于区域的多尺度全色遥感图像分割方法.首先,利用曲波变换对图像进行多尺度分析,获取多尺度分解图像;然后,利用规则划分技术将其图像域划分成一系列子块,结合统计方法,建立基于区域的多尺度统计分割模型;接着设计可逆变马尔可夫链蒙特卡罗(RJMCMC)算法求解该分割模型;最后,利用所提出方法对全色遥感图像进行分割实验,实验结果表明,所提出方法能够有效解决图像误分割问题,并较好地实现图像分割.     

模糊连接算法在虚拟人图像分割上的应用

为实现对数字虚拟人彩色切片的分割，提出了一种基于竞争机制的相对模糊连接分割方法。首先计算所有像素与分割目标的模糊连接度，在分割结果出现过度分割时，则利用相对分割目标加入对感兴趣区域的竞争，自动重新确定各像素的连接度。采用虚拟中国人数据集的切片进行实验，结果表明，该算法能在待分割对象边界比较模糊的情况下取得理想的结果。     

基于改进的模糊BP神经网络图像分割算法

研究了使用BP神经网络方法进行图像分割问题.针对神经网络用于分割图像时需要大量的训练数据,由于数据量大,计算速度相当慢,不适合实时数据处理,造成图像分割分辨率低,清晰度不高等问题,本文提出了一种采用模糊BP神经网络的图像分割算法.采用模糊集理论来约减分割后的图像区域特征,降低特征向量的维数,依据规则构造神经元个数,从而输出决策的分类值,最后采用BP神经网络算法进行迭代,最终得到决策结果并输入分割的图像,最后实验证明本文提出的算法能有效的分割图像,图像分割边缘清晰,同时该算法有效的缩短了样本训练的时间.     

基于局部空间信息的可变类模糊阈值光学遥感图像分割

阈值法分割在光学遥感图像分析中被得到广泛的应用,然而传统阈值法也存在诸多局限性,如对噪声敏感,需人为设定类别数,计算复杂度高等.针对传统阈值法的局限性,提出一种基于局部空间信息的可变类模糊阈值光学遥感图像分割方法.首先,以图像光谱的一阶矩为初始类中心,利用二分法原理和区域间最大相似度准则来快速确定类别数及其中心.然后,通过岭形模糊隶属函数计算各像素点对不同类的隶属程度,同时考虑到像素点的隶属度局部空间信息,在隶属度域中定义一个模糊加权滤波器对各类的隶属度矩阵进行滤波,以滤波后的隶属度集合为依据,按照最大隶属原则确定图像的标号场.最后,对标号场中的局部异常标号进行替换,将修正后的标号场由对应的类中心赋色得到分割图像.视觉和统计分析评价结果表明,与传统阈值法相比,该方法能在减少计算时间的同时获得更好的分割结果,可适用于光学遥感图像的多阈值分割.     

基于模糊C均值的图像分割

图像分割的质量直接影响后期的图像分析、识别和解释的质量。本文主要研究了基于模糊c均值算法的图像分割,它通过优化目标函数得到每个样本点对所有类中心的隶属度,从而决定样本点的类属以达到自动对样本数据进行分类的目的。实验结果表明文中用到的图像分割算法对图像分割的效果均优于对比算法的分割效果。     

基于模糊隶属度空间约束的FCM图像分割

针对模糊C均值(FCM)算法对噪声较为敏感,提出了基于隶属度空间约束的FCM图像分割方法,该方法将隶属度空间约束关系引入到FCM目标函数,在新的目标函数中,像素点的隶属度不仅仅与FCM标准目标函数有关,还与其领域像素点的隶属度有关。由于融合了图像像素点的空间信息,反映了领域像素点间的隶属度关联信息,因此该算法具有较强的杭噪性能。     

利用包含度和隶属度的遥感影像模糊分割

目的 传统FCM算法及其改进算法均只采用隶属度作为分割判据实现图像分割。然而,在分割过程中聚类中心易受到同质区域内几何噪声的影响,导致此类算法难以有效分割具有几何噪声的图像。为了解决这一类问题,提出一种利用包含度和隶属度的遥感影像模糊分割算法。方法 该算法假设同一聚类对每个像素都有不同程度的包含度,将包含度作为一种新测度来描述聚类与像素间关系,并将包含度纳入目标函数中。该算法通过迭代最小化目标函数来得到最优的隶属度和包含度,然后,通过反模糊化隶属度和包含度之积实现带有几何噪声的遥感图像的分割。结果 采用本文算法分别对模拟图像,真实遥感影像进行分割实验,并与FCM算法和FLICM算法进行对比,定性结果表明,对含有几何噪声的区域,提出算法的用户精度和产品精度均高于FCM算法和FLICM算法,且总精度和Kappa值也高于对比算法。实验结果表明,本文算法能够抵抗几何噪声对图像分割的影响,且分割精度远远高于其他两种算法的分割精度。结论 提出算法通过考虑聚类对像素的包含性,能够有效抵抗几何噪声对图像分割的影响,使得算法具有较高的抗几何噪声能力,进而提高该算法对含有几何噪声图像的分割精度。提出算法适用于包含几何噪声的高分辨率遥感图像,具有很好的抗几何噪声性。     

基于模糊理论的SAR图像分割算法研究与实现

SAR图像存在强烈的相干斑噪声,传统方法不能很好对其分割。文章基于模糊理论,通过选择图像特征,构造模糊集,借助最大隶属度原则进行了SAR图像分割算法的设计,并借助SAR图像分别进行了参数调节和窗口选择的实验,获得了满意的分割结果。实验结果表明．该算法对于SAR图像分割可行有效。     

基于模糊理论的SAR图像分割算法研究与实现

SAR图像存在强烈的相干斑噪声,传统方法不能很好对其分割。文章基于模糊理论,通过选择图像特征,构造模糊集,借助最大隶属度原则进行了SAR图像分割算法的设计,并借助SAR图像分别进行了参数调节和窗口选择的实验,获得了满意的分割结果。实验结果表明,该算法对于SAR图像分割可行有效。     

模糊互信息及其在图像分割中的应用

针对基于互信息的图像分割方法对噪声干扰或光照不均匀的图像不能获得满意分割效果的不足,该文提出模糊化互信息的图像分割新方法。该方法将现有互信息进行模糊修改,得到了模糊互信息,在图像分割中给出模糊隶属度函数的定义方法,获得了模糊互信息参数的选取办法。实验结果表明了该模糊互信息图像分割方法的有效性。     

自适应多维特征减少的模糊C-均值遥感图像分割算法

针对传统分割算法难以对遥感图像进行有效分割的问题,提出了一种自适应特征减少的图像分割算法。首先对源图像进行超像素分割,将获得的超像素作为算法的基本操作对象。其次,提取图像的颜色、纹理、边缘以及空间等多维特征,并使用加权像素值来表示超像素的特征。再者,将模糊分离度量加入到FRFCM(feature-reduction fuzzy C-means)模型中,构造特征减少分割算法。该算法可以自动选择有用特征。最后对分割算法进行优化,获取最终分割结果。通过遥感图像分割实验表明,提出算法能有效分割遥感图像,在分割准确度、运行时间、消除噪声影响等性能方面优于其他同类算法。     

湿地遥感图像分割算法设计及实现

提出了一种结合熵和模糊C均值的聚类分割方法。模糊C均值（FCM）聚类算法广泛用于图像的自动分割,但是传统的FCM算法没有考虑像素的空间信息,因而对噪声十分敏感,基于二维直方图的模糊C均值聚类算法除了考虑像素点的灰度信息外还考虑了像素点邻域的空间信息,可有效地抑制噪声;在目标函数中引入熵项则能更好地抑制噪声和外围点对类中心估计的影响。实验分析结果表明,算法对湿地遥感图像的分割效果优于FCM算法。     

遥感图像分割中的信息割算法

提出了一种改进的信息割（MIC）算法。首先证明了信息割（IC）模型与Cauchy-Schwarz cut（CScut）等价,并通过图谱方法给出IC目标函数优化问题的最优解;其次利用 图像中像素点间的灰度和空间关联性,在IC算法的基础上提出一种MIC算法,该算法首次使用联合灰度信息和空间位置信息的Parzen窗函数来估计概率密度函数,降低了图像中灰度 变化对图像分割的影响。加噪合成图像及遥感图像分割实验结果表明MIC算法较IC算法具有更好的抗噪性能,且与图谱方法相比计算复杂度显著降低。     

改进的自适应模糊ISODATA灰度图像分割算法

传统模糊ISODATA（Fuzzy ISODATA,FISODATA）算法中,分裂-合并操作需人工选取阈值参数。而不适当的阈值往往使算法陷入局部极值,因而得到错误的类属数并最终影响图像分割结果。为此,在模糊集理论基础上提出一种改进的自适应FISODATA算法。该算法设计了自适应分裂-合并操作,即在每次分裂-合并后,根据该次计算结果改变参数阈值,解决了人为选取参数带来的诸多问题。利用该算法对模拟图像和真实IKONOS图像进行分割实验,均能得到良好的分割结果。     

改进的FKCN与局部信息相结合的图像分割

FKCN在分割图像时存在速度慢,对噪声比较敏感等问题。对FKCN进行改进,提出了快速的FKCN与图像局部信息相结合的遥感图像分割算法,将图像的空间信息和像素信息引入到改进的FKCN图像分割算法中,从而提高了FKCN的分割速度而且还增强了抗噪性能。实验结果表明,该算法显示了很好的分割效果和较强的抗噪性能。     

遥感图像变化区域的无监督压缩感知

传统的基于结构特征的遥感图像变化检测方法,易受成像稳定性的影响而误差很大。针对图像内在的稀疏性结构信息,提出基于压缩感知(CS)的遥感图像变化检测方法。通过自适应构造超完备字典将图像局部信息投影到高维空间中,实现图像的稀疏表示,并运用随机矩阵得到了数据在高维空间中的低维特征子空间。最后利用模糊C均值(FCM)聚类算法进行无监督聚类,实现遥感图像变化区域信息的重构。实验结果表明,本文方法不仅能够很好的检测出图像的轮廓变化和图像的区域变化,而且对噪声具有很好的鲁棒性。     

一种新的遥感图像城区自动识别算法

针对可见光遥感图像的特点和城市区域地貌的复杂性,提出了一种由粗到细、逐步求精自动识别城区的新算法。该算法建立了预分类、初识别、边界精确定位分层结构模型,首先利用模糊分类技术对城区进行预分类,在此基础上通过多特征判据投票实现城区初识别,最后采用自适应边缘搜索细化算法精确定位城区边界。与传统的单源可见光遥感图像城区识别方法相比,该算法能更快速、准确地自动识别城区,具有计算量小、鲁棒性强、识别正确率高的特点。     

基于熵增强的无监督域适应遥感图像语义分割

为了实现利用有标注源数据获得在无标注目标数据上可用的遥感图像语义分割模型,提出了一种基于熵增强的域适应端到端语义分割方法.首先,为了充分利用遥感图像多尺度信息并且减少域之间传感器分辨率带来的域偏移,采用空洞空间金字塔池化模块作为分类器;其次,为了使无标注的目标域类别正确对应,使用了两个分类器进行协同训练;将像素点预测值的信息熵当做分类置信度的度量,将其作为对抗损失的权重,从而使训练能专注于难分类的像素,降低域偏移.在ISPRS(WGII/4)2D数据集上进行实验,所提方法相对于直接使用分割模型和使用传统对抗方法,mIoU分别提高了18％和12％.实验结果表明,所提方法在遥感图像域适应语义分割表现上优于直接使用分割模型或使用传统对抗域适应分割方法.     

多源特征自适应融合网络的高分遥感影像语义分割

目的 在高分辨率遥感影像语义分割任务中,仅利用可见光图像很难区分光谱特征相似的区域(如草坪和树、道路和建筑物),高程信息的引入可以显著改善分类结果。然而,可见光图像与高程数据的特征分布差异较大,简单的级联或相加的融合方式不能有效处理两种模态融合时的噪声,使得融合效果不佳。因此如何有效地融合多模态特征成为遥感语义分割的关键问题。针对这一问题,本文提出了一个多源特征自适应融合模型。方法 通过像素的目标类别以及上下文信息动态融合模态特征,减弱融合噪声影响,有效利用多模态数据的互补信息。该模型主要包含3个部分：双编码器负责提取光谱和高程模态的特征;模态自适应融合模块协同处理多模态特征,依据像素的目标类别以及上下文信息动态地利用高程信息强化光谱特征,使得网络可以针对特定的对象类别或者特定的空间位置来选择特定模态网络的特征信息;全局上下文聚合模块,从空间和通道角度进行全局上下文建模以获得更丰富的特征表示。结果 对实验结果进行定性、定量相结合的评价。定性结果中,本文算法获取的分割结果更加精细化。定量结果中,在ISPRS(International Society for Photogrammetry...