融合高程信息的低空遥感影像SLIC分割和区域合并方法

针对SLIC分割算法在进行遥感影像分割时未考虑高程信息,导致某些地物分割效果欠佳的问题,本文提出了融合高程信息的遥感影像SLIC超像素分割与基于高程分级的双阈值区域合并方法。首先,在初始聚类分割阈值中引入高程信息,以获得对光谱梯度和高程梯度都具有一定依赖性的初始分割结果;然后,在预分割的基础上采用邻域数组的数据结构,将不同区域的光谱信息加权结合高程信息建立相似性度量;最后,设置分级的高程阈值,根据不同的区域间高差设置不同的合并阈值权重进行区域合并。利用融合高程信息的低空遥感影像数据及国际摄影测量与遥感协会提供的数据集进行所提方法验证,结果表明,在基于光谱信息的超像素分割与区域合并方法中引入高程信息,取得了良好的分割结果。     

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。     

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类。试验结果表明,该方法不易受多尺度分割参数的影响,分类效果稳定,而且分类精度明显高于传统的面向对象分类方法,对于高分辨率遥感影像的广泛应用具有重要意义。     

基于Delaunay划分结合EM\MPM算法的图像分割方法

为了克服传统基于区域的图像分割方法对图像初始划分完全随机进而导致算法效率低下的缺点,本文提出了一种基于Delaunay划分并结合最大期望值(Expectation Maximization,EM)和最大边缘概率(Maximization of the Posterior Marginal,MPM)算法的图像分割方法。该方法首先提取图像特征点,并把特征点集作为构建Delaunay三角网的基础点集。利用Delaunay三角网的构建将影像划分成众多彼此连接的超像素,并假设这些超像素内的像素灰度值服从同一独立的正态分布,基于此完成特征场模型的建立,再运用EM\MPM方法分别模拟特征场模型和分割影像。为了验证本文提出的算法能够有效地分割图像,分别对模拟图像和真实图像进行分割测试,并和经典的初始划分完全随机的超像素影像分割算法进行对比,测试结果定性和定量地表明了该方法的有效性和准确性。     

一种超像素上Parzen窗密度估计的遥感图像分割方法

图像分割是高分辨率遥感图像分析中的关键步骤,对信息提取精度起到重要作用.为提高传统基于像素的遥感图像分割算法性能,提出一种在超像素上进行Parzen窗密度估计的分割算法.包括超像素初始分割、特征测量、密度估计并重新聚类3个主要步骤.在超像素初始分割阶段,采用简单线性迭代聚类算法将图像进行超像素粗分割,并将每个超像素块标...     

融合光谱及形态学信息的对象级空间特征提取方法

针对传统的高分辨率遥感影像分割方法仅利用光谱特征或者形态学特征的弊端,提出了一种融合光谱信息和形态学信息的多尺度分割算法。该算法首先利用差分多尺度形态学序列特征与影像光谱特征构造光谱-形态学特征集,然后利用Hausdorff距离计算相邻像素的边权值并构造图模型,利用最小生成树Kruskal算法完成影像的初始分割,最后结合分形网络进化的区域异质性准则完成区域合并。在该分割结果的基础上,提出了面向对象的灰度共生矩阵特征和面向对象的像元形状指数特征。实验结果显示,所提出的分割方法在效果和效率上均优于eCognition 8.0和Meanshift算法,并且对象级灰度共生矩阵特征和对象级像元形状指数特征明显优于传统的像素级特征。     

自适应无监督分类的PolSAR图像机场跑道区域快速检测

针对复杂PolSAR图像场景中机场目标区域检测问题,本文提出一种自适应无监督分类的机场目标快速检测方法,该方法首先对极化SAR相干矩阵分解提取PolSAR图像的特征值图,转化为超像素图实现图像去噪及降维。然后用SLIC超像素分割算法分割构造超像素。基于超像素图构建极化分类特征,并采用无监督的谱聚类方法提取出疑似机场跑道区域,其中的类别数确定利用VAT-DBE(Visual Assessment of cluster Tendency-Dark Block Extraction)算法获得。最后,在疑似区域内结合跑道结构特征进一步辨识检测出场景中的机场跑道区域。利用美国UAVSAR系统采集的多组全极化SAR实测数据对算法进行验证,并与两种已有的无监督跑道检测算法进行对比,实验结果表明,该算法能够快速准确检测出机场跑道区域,处理耗时可减小80%以上。具有更好的鲁棒性。     

超像素极化合成孔径雷达影像谱聚类算法研究

针对基于像素的谱聚类计算量大、效率低,且受到影像斑点噪声影响严重的问题,该文结合极化合成孔径雷达影像的统计特性,提出了一种基于超像素的极化合成孔径雷达影像谱聚类算法。该方法首先用基于梯度分割影像的分水岭算法得到影像的初始分割;然后按区域邻接关系合并含像素个数较少的极小区域得到超像素图像;最后以超像素为基本数据单元,采用修正Wishart距离作为超像素之间的距离度量标准,通过Nystrm逼近的采样方法获得最终的分类结果。最后利用模拟数据和1991年获取的荷兰Flevoland地区L波段稻田数据验证了该算法的有效性,总体分类精度达到了98.17%。     

一种结合超像素和图论的高空间分辨率遥感影像分割方法

超像素分割已成为遥感影像预处理研究的新热点,但易形成过分割。为解决该问题,提出一种结合超像素和图论的高空间分辨率遥感影像分割方法。首先,采用简单线性迭代聚类(simple linear iterative clustering,SLIC)算法对遥感影像生成超像素过分割影像;然后,采用图论算法对超像素进行合并,通过计算得到每次合并后的分割数对应的局部方差,确定合适的影像分割数;最后,根据合适的影像分割数用图论算法对超像素重新聚类合并。实验数据为4幅不同空间分辨率、不同场景的遥感影像,采用定性和定量相结合的方法评价实验结果。实验结果表明,该方法能有效地解决遥感影像过分割结果的问题,获得了良好的分割结果。     

顾及超像素光谱特征的无人机影像自动模糊聚类分割法EI北大核心CSCD

针对现有流行模糊C均值聚类在影像分割中存在边界依附能力弱,分割不稳定及需要手动设置聚类数目等问题,提出一种顾及超像素光谱特征的无人机影像自动模糊聚类分割方法。相对于传统分水岭变换算法,该方法首先采用两步边界推进准则,生成轮廓更加精确、形状规则更加紧凑的超像素子区域;然后,提取子区域光谱特征并结合重缩放密度峰值算法自动获取聚类数目;最后,综合利用超像素光谱特征与隐式马尔可夫随机场思想对模糊聚类进行改进,实现超像素精确合并。通过两组影像数据的定性分析和定量评价表明,本文方法能准确定位目标边界,获得较好的视觉分割结果,同时有效提高了影像分割精度。     

基于小波系数分割的局部自适应阈值图像去噪

针对自适应小波阈值去噪中方形局部窗口不能很好地适应小波系数自身边缘特征的问题，本文提出了一种基于图像分割的局部自适应小波阈值去噪方法。该方法首先对图像进行多尺度小波分解，其次利用图像分割技术对图像的各尺度小波系数分别进行分割，分割技术选用SLIC超像素分割法得到具有相似统计特性的不规则局部块，然后对每个分割块内的小波系数进行BayesShrink阈值估计和软阈值收缩，最后通过小波逆变换得到去噪图像，并在3幅标准测试图像和一幅高光谱影像上进行试验。试验结果表明，本文提出的方法能更好地适应小波系数自身的边缘特征，不仅能够获得更好的视觉效果，而且能够达到较高水平的数值指标。     

结合结构和光谱特征的高分辨率影像分割方法

影像分割是高分辨率遥感影像基于对象分析的先决和关键步骤。传统的遥感影像分割方法往往仅利用影像的光谱或结构信息。本文提出一种结合结构和光谱特征的分割方法。首先使用形态学运算提取结构信息,并与光谱信息结合,采用光谱角距离来衡量结构-光谱特征的相似性,进行区域生长获得初始分割结果,然后通过区域合并改善初始结果获得最终结果。研究中采用城市地区的高分辨率遥感影像,通过目视评价和定量评价并与现有的其他分割方法进行比较,验证了所提出方法的有效性。     

SLIC算法和OTSU算法结合的道路提取方法

针对基于像素的道路提取方法的不足,使用一种基于超像素分割算法(Simple Linear Iterative Clustering,SLIC)和自适应阈值分割算法(OTSU算法是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法)相结合的道路提取方法,可以较好地解决在遥感图像中分辨率较高所造成的非道路地物对目标的噪声影响.该方法使用SLIC超像素分割算法对影像进行分割处理,再用改进的K-means聚类算法对分割后的超像素影像进行非监督分类,根据GVI值对分类后的影像中的植被及水体信息进行过滤,对过滤后的影像进行基于OTSU的分割,最后对分割影像进行后处理获得完整道路网.经过定性和定量分析后得出,此方法在道路提取上有较好的表现.     

基于多尺度超像素的高光谱图像分类研究

随着遥感技术的快速发展,高光谱遥感影像的分类方法研究受到普遍关注。现有高光谱遥感影像分类研究采用单一尺度下的超像素方法进行图像分割处理,无法确定最佳超像素个数,较易忽视图像细节信息,且单一核矩阵无法表征多特征信息导致分类精度降低。因此,本研究拟在多尺度下采用超像素分割方法对高光谱影像的第一主成分分量进行多尺度超像素分割处理,通过权值耦合多尺度空间光谱核与原始空间光谱核形成合成核来进行高光谱影像分类,并以Washington DC Mall高光谱影像为实验数据对本文方法进行测试与分析。实验结果显示,相较于对比方法,这一方法的有效分类精度最高提升6.93个百分点。结果证明该方法可以有效解决图像光谱无法自适应、光谱信息获取不全面的问题,能够显著提升高光谱影像分类精度。     

面向对象的农田信息遥感影像分割算法

为了提高农业遥感数据处理中多光谱影像分割的精度,文章提出了一种面向农田信息提取的遥感影像分割算法:利用KMeans非监督分类算法和Fisher标准估算多光谱遥感影像中各个波段的权值,并将估算的波段权值应用到光谱合并计算中,能够较好地提高农田区域的分割精度,实现基于全局最优合并的区域生长算法,得到最优化的分割结果;从分割结果中提取基于区域的NDVI信息可以较为快速、准确地区分农田和非农田区域。实验结果说明:该方法的分割精度优于传统的全局最优合并算法和FNEA算法,并对遥感影像中旱田和水田的提取均有较好的效果。     

结合颜色直方图和LBP纹理的遥感影像分割

提出了一种结合颜色直方图特征和LBP纹理特征的高分辨率遥感影像分割方法。首先对梯度图像进行双阈值联合的自适应标记,进而通过快速分水岭变换来获得初始分割结果,然后以一种结合颜色直方图特征和LBP纹理特征的区域相似性度为指标对初始分割区域进行合并获得最终的分割结果。通过在高分辨率遥感影像上的分割对比实验,证明了该方法能充分利用遥感影像的光谱和纹理信息,分割效果良好。     

融合像素—多尺度区域特征的高分辨率遥感影像分类算法

针对基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象和面向对象影像分析方法的"平滑地物细节"现象,提出了一种融合像素特征和多尺度区域特征的高分辨率遥感影像分类算法。(1)首先采用均值漂移算法对原始影像进行初始过分割,然后对初始过分割结果进行多尺度的区域合并,形成多尺度分割结果。根据多尺度区域合并RMI指数变化和分割尺度对分类精度的影响,确定最优分割尺度。(2)融合光谱特征、像元形状指数PSI(Pixel Shape Index)、初始尺度和最优尺度区域特征,并对多类型特征进行归一化,最后结合支持向量机(SVM)进行分类。实验结果表明该算法既能有效减少基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象,又能保持地物对象的完整性和地物细节信息,提高易混淆类别(如阴影和街道,裸地和草地)的分类精度。     

一种面向对象的高分辨率遥感影像信息提取方法

针对传统面向对象分类方法的不足,根据研究对象特征构建了一种改进的面向对象的高分辨率遥感影像信息提取分类方法.首先利用SLIC超像素算法对影像进行分割,并提取分割后影像的纹理、光谱和形状特征;再利用SVM分类器提取影像信息,区分相似性较高的耕地和道路;然后利用随机森林算法提取水体和人工表面;最后对不同地物信息的提取结果进行拼接,实现土地利用分类.结果表明,与传统的面向对象分类方法相比,该方法的分类精度更高.     

DSSRM级联分割的SAR图像变化检测

SRM(Statistical Region Merging)分割算法具有快速、稳定和抗噪强的优点,基于此,本文提出一种基于DSSRM(Dynamic Sorting Statistical Region Merging)级联分割的SAR图像变化检测方法。首先,针对SRM算法基于单特征静态排序导致的过分割问题,提出一种动态排序模式的DSSRM算法以减少差异图像分割错误,该算法建立基于合并区域的多特征马氏距离排序准则,在每次合并之后更新区域邻接矩阵并重新排序;然后,基于互信息最小化准则构造多通道差异数据集以提高算法对区域合并的约束能力;最后,提出一种级联分割变化检测框架,第1级利用SRM算法将差异图像映射到超像素空间,第2级采用DSSRM算法对超像素进行动态合并获得收敛的分割结果,第3级采用简化SRM方法进行三次合并获得最终的变化检测图。实验结果表明,该方法可以获得比SRM方法和目前流行方法更好的检测性能。     

联合像素级和对象级分析的遥感影像变化检测

为改善高空间分辨率遥感影像的变化检测精度,提出一种联合像素级和对象级分析的变化检测新框架。首先将多时相影像进行叠合,对叠加影像进行主成分分析,并利用基于熵率的方法对第一主成分影像进行分割,通过改变超像素数目来获取多层次不同尺寸大小的超像素区域。同时,对多时相影像进行光谱差异和纹理差异分析,采用自适应PCNN神经网络方法进行图像融合,利用水平集(CV)方法对融合后的影像进行分割获取像素级变化检测结果。最后,结合多尺度区域标记矩阵对检测结果进行变化强度等级量化和决策级融合,作为变化检测的后处理部分,以获取最终的对象级变化检测结果。采用SPOT-5多光谱影像进行试验。结果表明这种新框架可以有效集成基于像素和基于对象两种图像分析方法的优势,能够进一步提高变化检测过程的稳定性和适用性。