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。     

基于多特征融合的遥感影像变化检测算法

针对传统的变化检测算法主要依赖像斑的光谱信息,未能有效地利用影像多特征检测优势的问题,基于面向对象的分析思想,提出一种多特征融合的遥感影像变化检测算法。首先,以多尺度分割的影像对象为基础,统计各对象的颜色直方图和边缘直线梯度直方图;然后,利用推土机距离计算不同时期对象之间的颜色距离和边缘直线特征距离,采用自适应加权方法将颜色距离和边缘直线特征距离组合构建对象的异质性;最后,采用直方图曲率分析获得像斑的变化检测结果。实验结果表明,该方法能够充分融合颜色和边缘直线特征,提高变化检测的精度。     

结合LOG算子和大津法的遥感影像边缘检测方法

针对遥感影像具有丰富的细节和混合噪声,采用传统高斯拉普拉斯(LOG)算子难以有效地提取遥感影像地物边缘信息,文章提出一种结合LOG算子和大津法(Otsu法)的遥感影像地物边缘信息提取算法。此算法采用中值滤波对原始影像进行消噪,利用Otsu算法对滤波后影像进行自适应阈值分割得到目标影像,采用LOG算子对目标影像进行边缘信息提取。以安宁某区域的遥感影像为例,实验结果表明,提出的算法与传统LOG算子相比,具有更高的提取精度,能有效地提取出遥感影像的真实边缘、减少伪边缘。     

光学遥感影像与GIS数据一体化的水体分割、配准与提取方法

利用遥感影像进行自动化水体提取是一项富有挑战的任务。提出了一种GIS数据辅助下的可见光遥感影像水体自动提取方法,其核心是将影像分割、配准和变化检测集成为一体化处理流程检测水体。利用水体在遥感影像上的显著特性,首先提出了基于多尺度视觉注意模型的疑似水体区域检测;然后对影像显著区域进行水平集分割处理,通过迭代的分割和配准一体化处理不断优化直至获得最优的分割和配准结果,其中改进的形状曲线相似度特征用于约束分割结果与GIS水体对象的匹配;最后,利用基于缓冲区的变化检测方法获取变化和未变化的水体对象,同时利用已知水体辐射特征与GIS地物的空间位置关系剔除非水体对象。采用3组不同分辨率的遥感影像和不同尺度的GIS数据进行实验,结果显示了本文方法在水体自动提取和变化检测中的有效性。     

一种顾及几何特征的云模型遥感影像分割方法

将云模型与模糊理论相结合,提出了一种基于不确定性的、顾及几何特征的遥感影像分割方法.该方法用分水岭算法对原影像进行分割获得初始分割图斑,再将图斑抽象成云模型,以云模型实现图斑对象表达;在基于云概念的光滑度、紧凑度定义的基础上,构造差异性度量准则和相应的云模型综合算法,并由云综合运算实现不同粒度空间下的区域合并,达到多尺度遥感影像分割的目的.几组实际影像数据的分割实验证明了该方法的有效性.     

一种基于多特征及BP神经网络的高分辨率遥感影像道路提取方法

高分辨率遥感影像的道路提取能够广泛应用于自动驾驶及地图导航的研究,现有道路自动提取方法精度较低。随着人工智能技术的发展,人工神经网络算法得到推广,将其应用于高分辨率遥感影像的道路提取也在探索研究之中。提出一种基于图像分割及神经网络的高分辨率遥感影像道路提取方法,以减少大量的人工预处理工作,提高道路识别提取效率。针对传统方法用于复杂影像分析的参数难以确定的问题,首先采用影像分割技术获得影像对象,然后对影像对象进行纹理特征、形状特征、光谱特征的计算,并使用BP神经网络进行训练,形成分类模型。基于得到的分类模型进行道路的自动提取,在仿真实验中获得了较好的精度,识别准确率达到87.6%。     

基于边缘约束的高分辨率遥感影像分割算法研究

影像分割是面向对象影像分析的基础,已经发展出许多算法。随着遥感影像空间分辨率的提高,复杂的噪声和丰富的细节信息给影像分割带来了巨大的挑战。分水岭变换能够得到连续封闭的边缘,但存在严重的过分割现象,为了解决这个问题,本文提出Canny算子边缘约束下的分水岭分割算法。首先,对遥感影像进行分水岭变换和Canny边缘检测;以Canny边缘作为参考数据,以分水岭的结果和Canny算子检测出的边缘的重合度和相邻区域的特征差异为标准对分水岭图像进行区域合并,得到最终分割结果。实验结果表明,该算法能够有效解决分水岭变换的过分割问题,准确提取出主要地物目标的边界轮廓。     

基于对象上下文信息的无人机影像建筑物提取

针对全卷积网络进行遥感影像语义分割时存在的空间信息和上下文信息缺失问题,本文提出一种基于对象上下文信息的无人机遥感影像建筑物提取方法。该方法首先采用高分辨率网络(HRNet)作为主干网络提取空间信息完整的多尺度高分辨率特征;然后依据主干网络提取的特征在真实标签的监督下划分对象区域,并计算每个像素与对象区域之间的关系得到像素与对象区域的上下文信息;最后将主干网络提取的高分辨率特征与对象上下文信息组合实现特征增强,依据增强后的特征实现无人机遥感影像中建筑物的提取。两个数据集的实验结果均表明,本文方法有效提高建筑物提取精度。     

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。     

数学形态学在遥感影像云层识别中的应用

针对传统遥感影像质量评价中云层覆盖量无法定量评价的问题,文章提出采用利用边缘信息的阈值分割结合数学形态学方法来提取遥感影像云层覆盖范围。利用边缘信息的阈值分割方法能够有效利用影像自身信息来改善分割结果,再结合形态学方法,进而能消除道路、房屋等大部分噪声信息,最终实现遥感影像上不同特征云层覆盖范围的自动提取。基于浙江全省高分辨率遥感影像的实验结果表明:该方法能够快速有效地识别出遥感影像上云层覆盖范围,研究结果对于遥感影像云层覆盖的自动评价具有参考价值。