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。     

一种基于统计学习理论的最小生成树图像分割准则

根据基于区域增长的面向对象图像分割的本质特点,将统计学习理论与最小生成树算法相结合,提出了一种基于统计学习理论的最小生成树图像分割准则。将该图像分割准则应用于多种遥感影像数据进行分割实验,其结果表明基于统计学习理论的最小生成树图像分割准则能通过简便的参数设置,即可以较好地实现不同尺度目标的图像分割,同时又能对纹理区域进行有效分割,能获得良好的区域边界和较好的抗噪声性能,并在海岸带大比例尺无人机正射影像的图像分割实践中得到了较好验证。     

一种基于最优邻接链的高分辨率遥感影像分割方法

基于区域合并分割方法的性能很大程度上取决于区域模型、合并准则和合并顺序。依据遥感影像的目视解译原理,分析高分辨率遥感影像的特点,设计一种新的融合光谱、形状和空间位置的合并代价函数进行区域相似性度量。同时加入面积控制参数,使得区域在光谱值相同的情况下优先合并小区域。在合并顺序的改进中,以最优邻接链的形式来表达和获取局部范围的最小合并代价区域对,确保每次相互合并的区域都为局部最优。对QuickBird多光谱影像进行分割实验并与eCognition的分割结果比较,结果证明本文方法在分割精度上有优势,更符合人的视觉感知。     

基于最小生成树的遥感影像分割

随着遥感影像在人们生产生活各个方面的广泛应用,普通的分割算法已不适用于高分辨率遥感影像的目标识别需求。本文提出了一种基于最小生成树的遥感影像分割算法,首先根据像素间的相似性测度构建遥感影像的无向带权图,然后通过Prim算法生成遥感影像的最小生成树用于刻画影像的像素间相似性结构,并建立最小生成树的拓扑结构;在此基础上,建立基于最小生成树的分割模型,进行子树划分,从而达到影像分割的目的。模拟和真实影像的分割实验表明,本文算法是一种有效的遥感影像分割算法。     

基于分水岭变换的遥感影像面向对象多尺度分割算法研究

面向对象多尺度分割技术建立一种基于多尺度分割、逐级分层提取地物边界的方法。并基于这一思想,提出基于分水岭算法和异质性最小区域合并算法相结合的快速分割方法。试验表明,该方法能快速准确地获得高分辨率遥感图像的分割结果。     

高空间分辨率遥感影像最优分割结果自动确定方法EI北大核心CSCD

针对现有方法普遍存在不能充分顾及遥感影像多波段光谱信息,以及忽视遥感影像中地理要素的多尺度特性等问题,提出一种自动确定高空间分辨率遥感影像最优分割结果的非监督评价方法。该方法基于信息熵生成光谱信息离散度,利用光谱信息离散度构建能表达分割对象内部光谱均质性指标和分割对象与其相邻分割对象间光谱异质性指标。基于构建的光谱均质性和光谱异质性指标,采用“粗估计+精确定”的策略,逐步得到一个多级优化后的影像最优分割结果。本文在3个不同下垫面影像区域进行试验。结果表明,该方法能有效地实现自动确定高空间分辨率遥感影像最优分割结果,与现有方法相比,本文方法确定出的影像最优分割结果质量更高,与参考分割结果更加贴近。     

一种基于概率框架的遥感影像分割方法

基于区域增长的影像分割方法存在着种子选择和分割参数设置的难点。针对这两点,本文提出了一种基于概率合并框架的高分辨率遥感影像分割方法。首先,利用基于标记的分水岭变换和区域合并获得一个初始分割结果,避开种子点的选择;其次,利用初始分割所获得的具有一定大小的区域,计算统计、上下文和形状特征信息;然后,在贝叶斯准则的基础上,计算一个尺度无关的相邻区域间的合并概率,其应用于区域增长合并过程,合并概率具有直观统计意义,可以减少阈值确定的难度;同时由于区域的合并概率具有尺度无关性,可以在一次分割中成功地分割出不同尺度的地物;最后进行了试验,通过目视和定量分析及与eCognition分割结果的对比证明了本文算法的有效性。     

一种基于自适应M-S模型的遥感影像分割方法

提出一种基于自适应M-S模型的遥感影像多特征融合的分割方法。首先结合改进的Sobel算子进行阈值化轮廓提取方法提取边缘信息;然后利用波段距离加权函数计算边权值,同时按照一定的原则加入边缘特征,采用最小生成树算法获得初始分割对象;最后在光谱特征和纹理特征的辅助下进行自适应M-S模型合并,合并后的对象即为分割结果。为了验证该方法的可行性,采用Quickbird影像和高分二号影像进行实验分析并对结果做出定性和定量评估。实验结果表明,基于自适应M-S模型的遥感影像分割方法的分割精度优于分形网络演化算法,同时分割速度也略有提升。     

基于最小生成树的高分辨率遥感影像层次化分割方法研究EI北大核心CSCD

在更精细的空间尺度下,高分遥感影像呈现更丰富的地物细节信息,信息内容的复杂性、空间性和海量性等特征,给传统遥感影像分割方法带来挑战。针对这些挑战,寻求一种更有效的分割模型和并行化的处理方法是有效提高大尺度高分遥感影像分割精度和处理效率的关键。为此,论文提出基于最小生成树的高分遥感影像层次化分割方法及其并行化重构。前者利用层次化最小生成树模型实现影像复杂场景信息的有效刻画,在此基础上利用区域化模糊聚类模型构建层次化分割模型。后者基于子块切分的并行划分和并行模糊聚类分割方法,实现大尺度高分遥感影像的快速、有效分割。论文的主要工作如下。     

集成改进Mean Shift和区域合并两种算法的图像分割

Mean Shift算法分割图像时,带宽的大小直接影响分割效果。带宽分为空间带宽和值域带宽。本文根据待分割遥感图像的空间分辨率参考选定空间带宽,基于渐近积分均方差最小原则计算每一波段值域带宽;针对MS算法分割图像时存在过分割问题,提出基于区域面积加权的区域相似度准则和基于区域熵的合并停止准则来合并分割后区域。MATLAB软件3组实验结果表明:本文方法相比EDISON软件能得到更好的分割效果,且能在一定程度上提高遥感影像分割的自动化。     

A multi-band approach to unsupervised scale parameter selection for multi-scale image segmentation

Image segmentation is one of key steps in object based image analysis of very high resolution images. Selecting the appropriate scale parameter becomes a particularly important task in image segmentation. In this study, an unsupervised multi-band approach is proposed for scale parameter selection in the multi-scale image segmentation process, which uses spectral angle to measure the spectral homogeneity of segments. With the increasing scale parameter, spectral homogeneity of segments decreases until they match the objects in the real world. The index of spectral homogeneity is thus used to determine multiple appropriate scale parameters. The performance of the proposed method is compared to a single-band based method through qualitative visual interpretation and quantitative discrepancy measures. Both methods are applied for segmenting two images: a QuickBird scene of an urban area within Beijing, China and a Woldview-2 scene of a suburban area in Kashiwa, Japan. The proposed multi-band based segmentation scale parameter selection method outperforms the single-band based method with the better recognition for diverse land cover objects in different urban landscapes.     

多尺度图像分割和颜色传递的遥感图像彩色化增强

提出一种基于小波降噪、多尺度图像分割和颜色传递的遥感图像彩色化增强方法。该方法利用一种多尺度图像分割技术,将图像分割为若干子区域,在子区域之间进行亮度匹配和颜色传递,减少了颜色传递误差,再与采用软阈值方法的复数小波包降噪预处理相结合,来增强遥感图像的细节分辨能力。试验结果证明,基于图像分割和色彩传递相结合的方法,其参考彩色图像不需要与目标图像配准,只要特征、风格相近似,就可以对纹理结构相对较简单的全色遥感图像实现全自动的彩色化增强。彩色化的结果图像在美观程度及目标的可识别度上都有了明显增强。     

Efficient paddy field mapping using Landsat-8 imagery and object-based image analysis based on advanced fractel net evolution approach

This paper proposes an efficient paddy field mapping method using object-based image analysis and a bitemporal data set acquired by Landsat-8 Operational Land Imager. In the proposed approach, image segmentation is the first step and its quality has a serious impact on the accuracy of paddy field classification. In order to improve segmentation quality, a new segmentation algorithm based on a frequently used method, fractal net evolution approach, is developed, with improvement mainly in merging criteria. In order to automate the process of scale parameter determination, an unsupervised scale selection method is utilized to determine the optimal scale parameter for the proposed image segmentation approach. After segmentation, four types of object-based features including geometric, spectral, textural, and contextual information are extracted and input into the subsequent classification procedure. By using a random forest classifier, paddy fields and nonpaddy fields are separated. The proposed image segmentation method and the final classification result are both quantitatively evaluated. Our segmentation method outperformed two popular algorithms according to three supervised evaluation criteria. The classification result with overall accuracy of 91.00% and kappa statistic of 0.82 validated the effectiveness of the proposed framework. Further analysis on feature importance indicated that spectral features made the most contribution as compared to the other three types of object-based features.     

利用小波变换的高分辨率多光谱遥感图像多尺度分水岭分割

为了减少仅用分水岭变换而导致的过分割问题,本文提出利用小波变换的多尺度处理方式用于融合后多光谱QuickBird图像的分割。整个分割过程包括多尺度图像表示、图像分割、区域合并和结果映射等过程。首先,依据原始图像的大小确定分解尺度并用小波变换产生各波段的低尺度图像。采用相位一致模型提取各近似系数的梯度,并逐尺度地融合各梯度图。分析不同尺度下的不同地物的局部梯度方差,以选择最佳的小波分解尺度。然后,通过移动阈值与扩展最小变换,利用多层次标记提取方法标记均质区域。进而,在梯度重建的基础上利用标记分水岭变换得到分割图像。其次,采取空间相邻关系、面积、光谱与纹理等多约束策略,以搜索最小合并代价的方式合并最初分割区域中的邻接区域对。最后,修改细节子图并进行小波逆变换将最初分割结果投影到更高尺度图像,同时处理边界上的像元以保持区域边界直至原始图像。实验结果表明本文方法不仅能够用于高分辨率多光谱遥感图像的分割,而且缓解了过分割问题且取得了较准确的分割效果。     

面向对象的多特征分级CVA遥感影像变化检测

变化矢量分析CVA方法在中低分辨率遥感影像变化检测中已得到广泛应用,但由于高分辨率遥感影像存在不同地物尺度差异大、不同类别地物光谱相互重叠的问题,因此对于高分影像的变化检测具有局限性。为提高高分影像变化检测精度,提出了一种面向对象的多特征分级CVA变化检测方法,首先,利用基于区域邻接图的影像分割方法分别对两时相遥感影像进行多尺度分割,提取分割图斑的光谱、纹理和形状特征;然后,在各级尺度下,分别运用随机森林方法进行特征选择,计算CVA变化强度图;最后,根据信息熵对多级变化强度图进行自适应融合,利用Otsu阈值法检测变化区域,并与仅考虑光谱特征的分级CVA变化检测方法、像元级多特征CVA变化检测方法以及仅考虑光谱特征的像元级CVA变化检测方法进行比较分析。实验表明:与比较方法相比,本文方法的变化检测精度较高,误检率和漏检率较低。     

面向对象影像多尺度分割最大异质性参数估计

多尺度分割是遥感影像分析的关键步骤,影像分割过程中的尺度参数选择直接关系到面向对象影像分析的质量和精度。首先,总结了面向对象影像分析中尺度概念的内涵,分析遥感影像空间和属性两大基本特征,依据空间统计和光谱统计获得理论上最优的空间尺度分割参数、属性尺度分割参数。其次,运用了基于谱空间统计的高分辨率影像分割尺度估计方法,分析了分形网络演化多尺度分割与影像谱空间统计特征的关系,进而将基于谱空间统计的面向对象影像分析尺度参数应用于分形网络演化多尺度分割算法中,最后,对其参数的合理性进行验证。研究采用高空间分辨率IKONOS和SPOT 5影像数据,选择建筑实验区和农田实验区进行空间和光谱特征统计,以进一步估计分割中的最佳尺度参数。使用分形网络演化方法对图像进行分割,利用监督分类对本文提出的尺度估计方法进行验证,验证结果表明尺度估计方法可以一定程度上保证后续的面向对象影像分类的精度。不同于以往分割后评价的尺度选择方法会需要大量的运算量,本文方法不需要先验知识的参与,且在分割前就可以自适应地估计出相对较为合适的尺度参数,提高了面向对象信息提取的自动化程度。     

融合多特征的遥感影像变化检测方法

本文提出了一种面向对象的多特征融合的变化检测方法。首先通过影像分割获取像斑,然后统计各像斑的光谱直方图和LBP(local binary patterns)纹理直方图,利用G统计量计算不同时期像斑之间的光谱距离和纹理距离,采用自适应的方法将光谱距离和纹理距离加权构建像斑的异质性,最后结合EM(expectation maximization)算法和贝叶斯最小错误率理论获取像斑的变化类别。在QuickBird影像上的实验表明该方法能够充分融合光谱特征和纹理特征,从而提高变化检测的精度。     

利用多尺度融合进行面向对象的遥感影像变化检测

在面向对象的变化检测过程中,确定对象的最优分割尺度直接关系到后续的变化信息提取与分析。针对该问题,提出了基于多尺度分割与融合的对象级变化检测新方法。首先,利用由细到粗的尺度分割来获取不同尺寸的目标对象,然后依据对象的特征进行变化向量分析得到各个尺度上的变化检测结果。为了提高变化检测的精度,本文引入模糊融合及两种决策级融合方法进行多尺度融合,并利用SPOT5多光谱遥感图像进行试验。与像素级的变化检测方法相比,总体精度提高了10%左右,试验结果证明了这几种融合策略的有效性和可行性。