多特征多尺度相结合的高分辨率遥感影像建筑物提取

在高分辨率遥感影像中,建筑物通常表现为多尺度形态,且存在同谱异物和同物异谱现象。因此,本文提出了一种综合利用光谱特征、形状特征和纹理特征,并结合多尺度分割的建筑物分级提取方法。该方法首先对遥感影像进行形态学建筑物指数（MBI）计算,而后对其特征影像进行阈值分割,并借助形状特征参数实现建筑物初提取;然后引入面向对象思想完成遥感影像多尺度分割,并利用纹理特征实现单一尺度的建筑物对象识别;最后借助多尺度融合思想完成建筑物后提取。利用本文方法对冲绳某地区影像进行了建筑物提取试验。试验结果表明,该方法的识别查准率和查全率在对象级和像素级两方面均取得较高精度。     

面向对象土地利用信息提取的多尺度分割

以往面向对象影像分析的分割尺度主要依靠经验并结合目视来进行选择,带有一定的主观性.本文针对利用高分辨率遥感影像进行土地利用信息提取的目的,采用面向对象的方法完成了两个典型实验区域的多尺度分割.主要研究了分割参数的选择;重点提出了一种最优分割尺度计算模型.结果表明,此模型计算最优分割尺度方便快捷,而且计算出的最优分割尺度...     

基于多尺度分割的对象级影像平滑算法

提出了一种对象级的保边缘影像平滑算法.该算法利用空间聚类对影像进行多尺度分割,在分割过程中,提取出不同尺度下的符合凸面模型(convexity model)的影像对象(image object);依据对象的统计参数对影像对象进行筛选,符合要求的影像对象内部进行平滑处理,其余对象不受影响.利用该方法可以有效地去除噪声和无用小目标,在不破坏指定目标边缘的同时,实现影像的平滑处理.     

多尺度多准则的遥感影像线状地物信息提取

针对传统低层次单个像元纯光谱的信息提取方法存在的不足,以ZY-3高分辨率遥感影像为数据源,依据"种内一致性最大、类间异质性最大"原则,提出了基于多尺度多准则的ZY-3影像线状地物信息提取方法。利用基于最优分割尺度的影像分割、面向对象线状地物目标信息的提取方法,实现了河流、水渠、道路等线状地物信息的提取,并通过实验分析验证了可行性、有效性。结果表明:构建的RMAS指数指标,可以作为多尺度分割中选择最优分割尺度的一种很好的指示器,所提方法不仅有效避免了分割斑块面积对分割结果评价的影响,还能够有效识别ZY-3影像中的线状地物信息,研究结果对高分辨率遥感影像处理尺度依赖的技术难点及线状地物信息提取等研究具有重要的参考价值。     

综合纹理与光谱的土地利用模糊分类

针对利用TM影像进行土地利用传统分类精度不高的问题,该文提出了一种综合应用影像纹理与光谱特征对TM影像进行土地利用模糊分类的方法。采用主成分分析法对研究流域TM影像的光谱及纹理特征信息进行压缩与融合,并对融合后的TM影像数据进行3个组别的多尺度分割,在影像分割对象单元的基础上应用面向对象的模糊逻辑隶属度函数法实现影像的软语义分类。相对传统分类方法而言,该方法在充分利用影像光谱信息的基础上综合了影像的纹理信息,且分类理论思想更加符合人们对于客观事物的认知规律,分类精度有了显著的提高,为TM影像分类方法的改进提供一定的参考。     

基于MRMRF的多光谱纹理影像分割方法

提出了一种新的基于多分辨率马尔可夫场(multiresolution Markov random field, MRMRF)模型的小波域多光谱纹理影像分割方法.该方法采用可变的权重参数连接小波分解的多尺度特征场和标记场,通过直接映射,将上一尺度的分割结果作为下一尺度的初始结果,最细尺度上的分割结果作为算法的最终分割结果.实验表明,本文算法能够降低多光谱纹理图像分割的错误率.     

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。     

结合多尺度纹理特征的遥感影像面向对象分类

地物具有多尺度的特点,单一尺度难以准确描述遥感影像包含的地物纹理信息。利用我国自行研发的高分一号遥感影像数据,采用灰度共生矩阵对第一主成分进行纹理特征提取,利用Jeffries-Matusit距离选择多尺度组合,并通过单一纹理结合多光谱数据的分类精度,以及纹理特征间的相关性,最终选择多尺度纹理特征组合进行面向对象分类。研究结果表明:结合多尺度纹理特征组合的面向对象GF-1影像分类能有效提取地物信息,总体分类精度达到81.75%,Kappa系数0.78。     

Landsat 8多光谱数据辅助下的高分影像多尺度分割

为解决高分影像分割的边缘锯齿性明显等问题，本文以黑龙江省伊春市桦皮羌子林场为研究区开展了有无多光谱数据辅助的高分影像分割对比试验。首先，本文设计了多尺度分割算法的相同尺度参数下分割试验，确定了该算法分割GF-2影像时应采用的最佳同质性准则组合参数；然后，基于影像分割对象同质性局部方差变化率反映最优分割尺度的思想，利用ESP2工具找出固定尺度范围内的最优分割尺度范围；最后执行最佳同质性准则组合参数配合下的最优分割尺度范围内各个尺度下的多尺度分割，并采用矢量距离指数、紧密度指数、形状指数对2种分割试验结果进行了评价。结果表明，与GF-2影像独立分割相比，Landsat 8多光谱数据辅助下的GF-2影像分割在矢量距离指数、紧密度指数、形状指数的质量上均有提升，平均提升率分别为8.05%、28.40%、11.76%。     

高分辨率遥感影像多尺度分割中最优尺度选取方法综述

目前,对高分辨遥感影像进行地物获取一般采用面向对象的理念,而影像分割是面向对象理念中至关重要的初始环节,分割结果的好坏将直接影响后续的分类工作,分割尺度的选取已经成为了当前研究的一个热点。本文详细总结了前人对高分辨遥感影像多尺度分割中最优尺度的获取方法,指出了各方法的不足之处,并提出了尺度评定的研究前景。     

一种新的基于Gabor小波的非监督纹理分割方法

提出了一种新的基于Gabor小波的非监督纹理分割方法,与传统Gabor方法相比,该方法最大的特点在于分割的过程中利用了纹理尺度之间的依存关系和像素之间的空间约束关系。为了克服增加特征所带来的"维数灾难"问题,用独立分量分析(ICA)进行特征的整合。采用Brodatz测试集的实验结果验证了方法的有效性。     

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。     

Object-based image analysis through nonlinear scale-space filtering

In this research, an object-oriented image classification framework was developed which incorporates nonlinear scale-space filtering into the multi-scale segmentation and classification procedures. Morphological levelings, which possess a number of desired spatial and spectral properties, were associated with anisotropically diffused markers towards the construction of nonlinear scale spaces. Image objects were computed at various scales and were connected to a kernel-based learning machine for the classification of various earth-observation data from both active and passive remote sensing sensors. Unlike previous object-based image analysis approaches, the scale hierarchy is implicitly derived from scale-space representation properties. The developed approach does not require the tuning of any parameter—of those which control the multi-scale segmentation and object extraction procedure, like shape, color, texture, etc. The developed object-oriented image classification framework was applied on a number of remote sensing data from different airborne and spaceborne sensors including SAR images, high and very high resolution panchromatic and multispectral aerial and satellite datasets. The very promising experimental results along with the performed qualitative and quantitative evaluation demonstrate the potential of the proposed approach.     

带有区域分裂自适应细化过程的SAR海冰图像分割

受海冰自身特性、成像系统特性和环境因素的影响,合成孔径雷达SAR海冰图像具有非平稳、尺度依赖的空间结构,现有的单马尔可夫随机场MRF模型分割方法只能较好地适应非平稳性,对海冰场景的多尺度结构考虑仍然是全局的。为此,本文提出了一种区域分裂过程与二叉树分层结构自适应更新相结合的单MRF图像分割方法。首先利用单MRF模型的全局迭代权值完成初始区域合并,同时以二叉树形式保护合并过程的记录。所设计的分层合并算法可保证二叉树结构的节点数与场景中的对象尺度具有正相关性。随后的细化分裂并不产生新的区域,只是返回到初始配置。依据场景中不同区域对象的尺度,自适应地调整空间语境模型中的尺度权值,实现区域更新。实验表明,该方法有效提高了带有多尺度结构SAR海冰场景的分割精度。     

一种基于Harris-Laplace算法的亚像素角点检测方法

为了解决Harris-Laplace检测算法的角点坐标偏移与像素级角点的问题,提出了基于Harris-Laplace算法的亚像素角点检测方法。该方法首先用原始图像与高斯函数进行卷积生成多尺度空间,在原始图像和多尺度空间图像上各自提取Harris-Laplace角点;然后以多尺度空间角点为中心向原始图像投影,统计原始图像上投影区域内的角点形成角点集群,并结合多尺度空间角点响应值对集群角点进行筛选;最后采用位置(坐标)加权平均法确定角点的精确坐标。实验结果表明,该方法能够提供稳定抗噪、尺度不变的亚像素精度角点。     

结合双树复小波纹理特征和MRF模型的遥感图像分割

针对经典的小波纹理不能准确地表达影像纹理特征的问题，以及影像分割结果缺少对像元空间相关性和分布关系的考虑。本文提出了结合双树复小波（DT-CWT）纹理和马尔可夫随机场（MRF）模型的高分辨率遥感影像分割方法。首先，通过双树复小波变换提取影像纹理特征，联合光谱特征形成表达影像信息的混合特征向量；然后，将混合特征向量高斯归一化处理，并用K-means聚类的方法对特征空间中的混合特征向量聚类得到初始分割图；最后，借助马尔可夫随机场模型在初始分割结果中引入上下文信息，基于贝叶斯最大后验概率准则得到最终的分割结果。本文通过双树复小波纹理提高了特征表达的准确度，同时使用马尔可夫随机场模型减弱了分割结果中同质区域的“椒盐噪声”，从而进一步提高了高分辨率遥感影像分割的精度。     

k均值聚类引导的遥感影像多尺度分割优化方法

针对不同尺度地物的分割需求,提出了一种k均值聚类引导的多尺度分割优化方法。首先对原始影像进行小尺度分割和k均值聚类,然后利用k均值聚类结果引导对象合并,在合并过程中利用Otsu阈值方法自动选择k均值聚类的影响因子,最终得到适应不同尺度地物的分割结果。以FNEA多尺度分割方法为例,利用模拟数据和真实的GeoEye-1影像数据进行相关试验,目视和定量评价表明本文方法能够得到适宜不同尺度地物的高质量分割结果。     

基于GMRF-SVM的高分辨率遥感影像目标区域划分方法

高分辨率遥感影像数据量大、细节丰富并呈现出一定的尺度依赖性,单一尺度遥感影像分割难以同时兼顾影像的宏观和微观特征,这成为制约遥感信息自动化提取技术发展的瓶颈之一。对此本文提出了基于特征的多尺度高分辨率遥感信息提取技术框架,并分析了其对于大尺度海量数据信息提取与目标识别工作具有的理论及实践意义。根据影像光谱或纹理等特征,提出采用GMRF-SVM方法在大尺度上进行分类的目标区域划分方法。从大尺度信息提取的角度来看,该方法综合了GMRF纹理分类和SVM少量样本模式识别的优势,便于先验知识的融合,无论从花费时间还是分类处理效果上,都远远优于直接采用GMRF进行分割所取得的效果,对于后面的信息提取和目标识别来说更具有实际意义。     

基于非线性扩散的纹理分割(英文)

A texture image segmentation based on nonlinear diffusion is presented. The scale of texture can be measured during the process of nonlinear diffusion. A smooth 5-channel vector image with edge preserved, which is composed of intensity, scale and orientation of texture image, can be achieved by coupled nonlinear diffusion. A multi-channel statistical region active contour is employed to segment this vector image. The method can be seen as a kind of unsupervised segmentation because parameters are not sensitive to different texture images. Experimental results show its high efficiency in the semiautomatic extraction of texture image.