种子区域生长的高分遥感影像超像素分割

针对如何提升高分遥感影像超像素分割的精度与视觉效果问题,该文提出了一种基于种子区域生长(SRG)的超像素分割算法。该算法主要对超像素的生长过程进行了改进。在本文方法的超像素生长过程中,采用了一种充分利用光谱与形状信息的新度量标准,以有效搜索与种子适合合并的像素。该标准首先为斑块挑选在光谱上足够相似的像素,然后在这些像素中利用紧凑性异质性选择待合并的像素。为了定量评价算法的分割精度与视觉效果,定义了边界符合距离与平均斑块矩形度,并基于此发展了该文算法的参数选择策略。根据两景不同特点的高分遥感影像的超像素分割实验表明:本文方法在分割精度与视觉效果上均优于传统SRG与简单线性迭代算法。     

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、空间位置信息以及相位一致性纹理特征等信息提出一种新的距离测度计算规则,按照符合颗粒形状的圆形邻域进行搜索相似点,对影像进行超像素粗分割,并标记超像素斑块;计算超像素分割后每个斑块的灰度值,超像素分割后的影像重建,利用形态学的扩展技术提取局部极小值控制分割区域的数量,对传统数学形态学分水岭分割算法产生的过分割进行优化改进;对重建的影像进行高斯滤波,然后采用控制标记符分水岭算法对重建后的影像进行再分割,得到多尺度综合分割结果。在实验部分,利用资源三号卫星影像和机载航空影像验证本文提出方法,基于准确率和召回率定量评价分割精度,并将本文方法与其他分割方法的结果进行比较,证明本文提出方法的分割有效性。     

启发法优化的农田地区高分遥感影像分割

目前主流的高分遥感影像(high resolution remote sensing image,HRI)分割算法在区域合并顺序的确定中很少考虑区域自身的分割质量信息。针对该问题,提出了一种启发法优化的策略,以提高农田地区HRI的分割精度。首先,提出了区域内和区域间的"均一致模型",前者是利用区域内光谱变化信息来建模的,后者则综合考虑了区域间多光谱与植被信息提取的边界强度;其次,将区域内和区域间的均一致模型合并,构建启发法的执行标准;最后,利用该标准使区域合并的搜索过程能够考虑待合并区域自身的分割质量,从而有效抑制过分割与亚分割错误。利用2景不同特点的农田地区HRI进行分割实验,并将所提出的启发法与2种新提出的分割算法进行对比分析。对分割结果的定量评价结果表明,启发法优化策略可以显著提高农田地区HRI的分割精度。     

MRF框架下的区域增长模型在城镇识别中的应用

提出一种MRF框架下以过分割区域为基本生长单位的区域增长模型,并以其实现城镇识别.该模型首先通过纹理分析和滤波运算得到初始种子点,然后由均值漂移算法运算过分割区域,并将种子点对应的区域设为种子区域,最后,从种子区域开始,根据MRF框架下提出的增长准则,得到最终的城镇识别结果.对QuickBird和IKONOS遥感影像的...     

结合光谱、纹理与形状结构信息的遥感影像分割方法

针对目前遥感影像分割中多特征利用的问题,提出一种综合利用光谱、纹理与形状信息的分割方法.该方法在进行初始分割的基础上,统计区域的光谱和LBP纹理特征;然后依据光谱、纹理与形状特征计算相邻区域之间的异质性,并以此为基础构建区域邻接图(region adjacency graph,RAG);最后在邻接图的基础上采用逐步迭代优化算法进行区域合并获取最终分割结果.采用QuickBird和SAR影像的分割试验,证明该算法能充分利用影像中地物的光谱、纹理与形状信息,分割效果良好,效率高.     

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。     

基于无人机影像的快速分割方法

为解决地震灾区震后空间数据难以及时获取的问题,考虑到无人机(unmanned aerial vehicle,UAV)遥感影像自身特点,提出了一种改进的均值漂移(Mean Shift)分割算法。按照影像特征将UAV影像划分为纹理区和匀色区,对匀色区直接进行Mean Shift算法分割得到初分结果;对纹理区综合提取颜色、纹理、形状信息构造高维特征空间,并根据归一化分布密度值求得其合适的带宽,再使用Mean Shift算法对特征空间进行模式分类得到分割结果;通过构造代价函数进行区域合并,消除过分割区域,得到最终分割结果。针对芦山地震后获取的高空间分辨率UAV影像进行分割实验,并提出一种考虑到面积和光谱的分割匹配指数对分割结果进行评价。实验结果表明:所提出的改进的Mean Shift算法的分割精度优于传统的Mean Shift算法,为后续的震害信息提取提供了数据保障。     

基于可变尺度Mean-Shift的农田高分遥感影像分割算法

为了提升农田高分遥感影像(high spatial resolution remote sensing image,HRI)的信息提取效果,提出了一种新的农田HRI分割算法。传统的Mean-Shift(MS)HRI分割算法仅利用全局或单一的尺度参数;而常规可变尺度MS算法在尺度参数估算中也只考虑光谱信息。这些都导致其分割结果难以完整地展现不同尺度的农田区域。针对该问题,在MS算法的基础上进行了改进:第一,提出了一种局部可变尺度参数的估计方法;第二,提出了利用局部可变尺度进行MS滤波的模型函数。该改进算法主要包含3步:(1)为了全面考虑不同波段的响应变化,在MS滤波核函数中采用了对角化的尺度参数矩阵,并将其与采样点密度估计模型相结合,导出了一种可变尺度MS滤波的迭代函数;(2)为了提高算法的自动化程度,利用局部光谱变化与边界强度信息,提出了一种新的局部尺度参数估算方法;(3)将MS滤波结果输入到基于分形网络演化方法(fractal net evolution approach,FNEA)的空间聚类算法中,得到最终的分割结果。利用Rapid Eye与OrbView3的2景HRI进行了算法验证。实验结果表明,所提出的改进算法能够优化农田HRI分割的精度。     

高斯光谱估计结合形状特征的遥感影像分割方法

针对传统区域合并算法仅利用光谱均值的不足,提出了一种新的结合光谱与形状特性的遥感影像分割算法。该算法首先对输入遥感影像进行分水岭分割;然后利用一种新的结合光谱与形状特性的区域相似性准则,采用区域邻接图的算法对初始分割区域进行合并,获取最终分割结果。实验结果表明,该算法能有效克服传统算法仅利用光谱均值的不足,有效解决遥感影像中相同光谱,不同纹理结构区域的分割问题;同时,本文算法还对纹理规则区域的分割效果有较好的改进。     

融合颜色-纹理模型的均值漂移分割算法

针对常规的均值漂移算法在特征空间聚类时未考虑图像的纹理信息从而导致分割精度不高的问题,该文提出了一种融合颜色-纹理模型与均值漂移的改进分割算法。首先,对原始影像进行同等组滤波和颜色量化,得到颜色-纹理模型;其次,利用均值漂移算法对滤波影像进行初始分割,得到同质性较好的初始分割区域;最后,将颜色-纹理模型及初始分割对象轮廓信息应用于区域合并过程中,结合形状特征增强分割对象的紧密性。该算法充分结合了图像的颜色、纹理特征,通过对不同类别的遥感影像的分割实验进行分析,结果表明分割效率和分割质量均得到较大提升,且具有较好的适用性、可靠性及精确性,对遥感影像中纹理信息丰富的植被、密集建筑区等具有较好的分割效果。     

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。     

一种改进的ICM遥感影像分割算法

针对传统的迭代条件模式(iterated conditional model,ICM)算法应用于遥感影像分割时容易出现离散斑块和孤立点的问题,提出了一种基于马尔科夫随机场(Markov random field,MRF)的改进ICM遥感影像分割算法。首先,在获取初始标记之前加入保边去噪效果良好的双边滤波器(bilateral filter,BF),用于遥感影像的预处理;并用多阈值最大类间方差法(Otsu)获取初始标记,以克服传统的初始标记获取算法中K-means聚类算法类别数不确定和算法复杂度不易控制以及错分现象明显等问题;然后,利用MRF描述像元的空间相关性,形成顾及上下文信息的ICM遥感影像分割算法。通过遥感影像数据分割实例验证,所提方法的分割精度优于传统的ICM算法。     

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。     

基于多尺度标记的遥感影像分水岭分割

标记分水岭分割算法具有对弱边缘响应良好、速度快等优点,但过分割问题显著。本文采用邻域自适应阈值、区域合并方法对种子点选取过程进行优化,提出基于多尺度标记和边缘约束的多尺度分割算法。对不同遥感影像的实验结果表明,这种算法能够有效改善过分割问题,实现遥感影像的多尺度分割。     

基于改进的MROGH的特殊纹理航摄影像匹配

提出了一种结合颜色不变量和MROGH(multi-sup-port region order-based gradient histogram)的特殊纹理影像匹配方法.首先在MROGH算法基础上引入颜色不变量模型,构造同时纳入局部影像颜色和空间关系的描述符;然后采用预测同名区域方式缩小搜索空间;最后采用最小二乘匹配方法精化匹配结果.实验表明,在纹理重复和纹理贫乏区域本文提出影像匹配算法不仅能获取较多匹配点,而且能达到子像素级的影像匹配精度.     

高分辨率遥感影像林地边界提取方法

由于高分辨率遥感影像上的信息高度细节化,加之噪声的影响,会导致基于像元级纹理特征的林地边界提取方法的效果不理想。为此,提出一种基于种子纹理基元合并的半自动林地边界提取方法。首先利用基于图模型的影像分割算法获取初始基元;然后定义了一种针对非规则基元统计基元级灰度共生矩阵(GLCM)纹理特征的方法;最后在人工给定种子基元的基础上合并具有相似纹理的基元,并对基元合并的结果进行边界提取,得到高分影像上的林地边界。利用多源高分影像对所提方法进行验证及对比分析。实验结果表明,该方法对高分影像上大片典型林地的边界可取得较高的提取精度和计算效率。     

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。     

一种融合双聚类算法的高分辨率遥感影像分割方法

针对高分辨率遥感影像分割易受噪声干扰问题,提出一种简单线性迭代聚类与区域动态约束聚类相融合的双聚类算法.该法首先利用简单线性迭代聚类产生超像元,然后运用区域动态约束聚类算法对超像元进行聚类合并,结合聚类生成的方差和、局部方差和局部方差变化率,确定合理分割数,最终完成影像分割.实验表明,本文提出的影像分割方法抗噪声干扰能力较强,且分割结果精度较高,未出现欠分割和过分割现象,Kappa系数高达0.8312,OCE值低至0.4185,属于一种稳健的遥感影像分割方法.     

粗糙集高分辨率遥感影像面向对象分类

面向对象的高分辨率遥感影像分类已受到研究者们的广泛关注。本文提出一种基于粗糙集理论的面向对象分类方法以区分高分辨率遥感影像上的不同地物。首先,利用基于相位一致梯度与前景标记的分水岭变换进行影像分割,提取图像斑块;然后,利用Gabor小波提取斑块的纹理特征,进而根据粗糙集理论提取纹理分类规则;最后,在对象光谱特征的初步分类结果,根据纹理分类规则得到最终结果基础上。依据粗糙集理论只能处理离散属性数据,本文重点提出一种适用于面向对象分类的连续区间属性离散化方法。实验表明本文方法可取得较好分类结果与较高分类精度。     

基于颜色和纹理的森林影像分割方法

提出一种基于影像颜色散度和纹理信息的森林影像分割方法.对输入影像进行颜色量化,然后利用量化得到的索引矩阵计算各像素的颜色散度;基于多分辨率策略进行纹理分析,通过区域生长形成初始分割区域;统计各区域Laws纹理能量,合并过分割区域.实验表明,森林影像的分割结果与人的主观视觉感知具有良好的一致性,识别出的地面和树木可为匹配和三维建模提供可靠依据.