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。     

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。     

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。     

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。     

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。     

结合异质性及分水岭变换的遥感影像分割方法

面向对象的遥感信息提取,首要任务是对遥感影像进行分割,分割的目的在于把原始图像分割成一些在空间上相邻、光谱相似的同质区域。传统的分水岭变换对噪声敏感,易产生过分割现象,不能直接适用于遥感影像的信息提取。本文利用非线性同组滤波方法(PGF)消除原始影像噪声,根据高分辨率遥感影像地物的异质性特征,对分水岭初始分割结果进行异质性准则合并。实验结果表明,该方法对高分辨率遥感影像的分割效果良好,能够适用于面向对象的信息提取。     

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。     

一种改进的基于最小生成树的遥感影像多尺度分割方法

影像分割是遥感影像面向对象信息提取的基础步骤。基于多特征、多尺度及考虑空间关系的遥感图像分割是主流研究方向。本文基于eCognition软件的多尺度分割思想,引入基于图论的最优化理论,提出了基于最小生成树分割和最小异质性准则的多尺度分割方法。该方法采用相干增强各向异性扩散滤波和最小生成树分割得到初始分割结果,通过最小异质性合并准则同时考虑多波段光谱特性区域形状参数进行区域合并,实现多尺度的影像分割。本次研究选取两景试验影像,对本文方法和eCognition软件的多尺度分割方法开展了目视比较和定量指标评价,结果表明,本文提出的方法是一种有效的影像分割方法,在光谱差异较小区域的细分方面优于eCognition方法。     

一种基于分布差异的分形网络演化分割方法

针对分形网络演化多尺度分割方法对高分辨率遥感影像存在的欠分割问题,文章提出以KL散度为核心的区域合并标准,研究出一种基于KL散度原理的改进分形网络演化多尺度分割方法。该方法相对于分形网络演化多尺度分割方法,在合并标准上更充分利用了遥感影像的光谱特征,能够很好地消除因光谱差异造成的欠分割,对同质性较强的地物效果尤为明显。通过WorldView-2高分辨率影像分割实验,比较欠分割率,结果证明该方法更适合于高分辨率遥感影像分割,能够为地物信息提取提供与自然更吻合的实体对象。     

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。