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。     

一种结合超像素和图论的高空间分辨率遥感影像分割方法

超像素分割已成为遥感影像预处理研究的新热点,但易形成过分割。为解决该问题,提出一种结合超像素和图论的高空间分辨率遥感影像分割方法。首先,采用简单线性迭代聚类(simple linear iterative clustering,SLIC)算法对遥感影像生成超像素过分割影像;然后,采用图论算法对超像素进行合并,通过计算得到每次合并后的分割数对应的局部方差,确定合适的影像分割数;最后,根据合适的影像分割数用图论算法对超像素重新聚类合并。实验数据为4幅不同空间分辨率、不同场景的遥感影像,采用定性和定量相结合的方法评价实验结果。实验结果表明,该方法能有效地解决遥感影像过分割结果的问题,获得了良好的分割结果。     

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。     

融入空间关系的二型模糊模型高分辨率遥感影像分割

为解决高分辨率遥感影像分割中,由光谱测度的空间复杂性、相同类型地物目标异质性增大带来的类属不确定性以及分割决策不确定性等引起的分割精度下降问题,提出一种融入空间关系的区间二型模糊模型高分辨率遥感影像监督分割方法。(1)建立高斯函数模型作为一型模糊模型,用来刻画像素类属的不确定性;(2)模糊化一型模糊模型中的均值或标准差,建立区间二型模糊模型,以强化类属的不确定表达和增加分割决策信息;(3)综合一型模糊模型及区间二型模糊模型的上、下隶属函数建模模糊决策模型;(4)融入邻域像素关系,使用待分像素及其邻域像素在模糊决策模型中的隶属度共同决定像素的类属。采用本文算法分别对真实高分辨遥感影像及合成影像进行分割,并对测试结果进行定性和定量分析。结果表明,本文算法可以得到更高的分割精度。     

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。     

多尺度对象高空间分辨率遥感影像谱聚类分割

针对基于像素模型的单尺度或多尺度谱聚类影像分割方法在相似矩阵存储、特征分解效率及分割精度方面存在的不足。该文首先通过给定多组空间及光谱带宽参数,利用mean-shift初分割生成不同尺度的超像素对象层;然后联合像素与超像素对高空间分辨率影像中的不同类别地物进行的多尺度建模表达其空间拓扑关系,即在图割理论框架下建立"像素-超像素"联合的多尺度无向权图模型G(V,E,W),同时根据遥感影像纹理特征丰富的特点,在顶点相似性计算过程中融合纹理特征;最后使用基于normalized cut准则的谱聚类算法,对图模型划分得到最终分割结果。该方法较好地降低了基于像素的谱聚类分割方法的计算复杂度,同时提高分割结果准确率。标准测试数据集和"高分2号"遥感影像分割结果表明了该方法的有效性。     

结合特征场和标号场MRF的区域化纹理图像分割

为了实现对纹理图像的分割,需利用建模像素间相互作用关系,因此本文利用在标号场和特征场中分别建模邻域多边形和邻域像素之间的作用关系,并提出一种基于马尔科夫随机场(Markov Random Field,MRF)的区域化纹理图像分割方法。即利用Voronoi划分技术,将图像划分为若干个多边形;在标号场上利用Gibbs分布建模相邻多边形标号间的相互作用,在特征场上利用高斯分布建模多边形内邻域像素间光谱测度的相关性;结合贝叶斯定理建立分割模型;通过最大期望值(Expectation Maximization,EM)算法来估计模型参数,进而获得最优分割结果。本文分别对合成纹理图像、自然纹理图像和遥感图像进行分割实验,并对分割结果进行定性和定量评价。通过计算混淆矩阵得出Kappa值为0.97,满足了优秀分类器的标准。本文提出的算法具有很强的抗噪和描述复杂光谱测度的能力,可行性好,准确性高。     

顾及结构特征的多层次马尔科夫随机场模型在影像分类中的应用

针对基于像素或基于区域的马尔科夫随机场(Markov random field,MRF)模型仅能描述单一层次影像数据特性的局限,提出了一种综合像素和区域特性的多层次MRF模型,以提高MRF模型表达遥感数据层次特性的能力。为利用高分辨率遥感影像几何结构信息来提高不同地物的可区分性,提出了一种描述地物结构特性的形状特征,用于区分光谱特性相似的不同地物。本文的分类算法包括两个过程:首先,基于像素和区域特征,采用多层次MRF模型进行初始分类;然后,基于形状特征采用SVM对第一步分类结果中易混淆的地物进行分类。根据不同地物采用合适特征量描述可在特征空间中增加可区分性的事实,采用形状特征对基于层次MRF模型的错分类别进行再分类可有效改善分类精度。同现有基于单一层次的方法相比,实验结果表明该算法的分类性能有了明显的改善。     

利用改进的FCM方法分割高分辨率遥感影像

传统的模糊C均值聚类算法进行图像分割时只考虑了图像的灰度特征,而忽略了图像中丰富的空间邻域信息,从而导致该算法对噪声很敏感,并得到错误的分割结果。提出两种利用空间信息改进的模糊C均值聚类算法分割高分辨率遥感影像,并通过大量试验验证其有效性,该算法可减少错误分类像素的数目,降低噪声的影响,提高分割结果的精度。     

利用超像素级上下文特征进行靠岸集装箱船检测

高分辨率光学遥感影像中靠岸集装箱船受到岸边建筑、阴影和背景环境的干扰严重，且其船身模式与相邻陆地上集装箱非常相似，较难实现自动化检测。针对这一难题，提出了一种利用超像素级上下文特征进行靠岸集装箱船检测的方法。首先，对图像进行过分割生成超像素，在超像素区域提取颜色、纹理特征并级联邻域超像素特征形成超像素级上下文特征；然后，将目标超像素作为正样本，并自适应地选择较难区分的背景超像素作为负样本来训练分类器，实现对目标、背景超像素的分类；最后，利用全连接条件随机场对分类结果优化，实现对靠岸集装箱船的检测。实验结果表明，该方法能够较为可靠地检测靠岸集装箱船，具有一定的应用前景。     

顾及空间邻域关系的多时相SAR影像变化检测

提出了一种顾及空间邻域关系的多时相SAR影像非监督变化检测方法，采用马尔可夫随机场（Markov random field，MRF）模型描述SAR比值差异图像的空间上下文信息，提出了基于该模型的EMMPM非监督变化检测算法。实例研究表明，与未顾及空间上下文信息的EM双阈值算法相比。该方法能够有效地提高变化区域提取的可靠性和准确性。     

一种顾及空间关系的遥感影像阴影检测算法

以城市区域内高大建筑阴影为研究对象,针对现有的阴影检测算法在复杂地物环境下检测精度和可靠性不高的问题,提出了一种结合颜色空间特征和空间关系的遥感影像阴影检测方法。首先,采用SLIC超像素算法对影像进行分割;然后基于Lab和HSI颜色空间构建初步检测条件,将阴影划分为阴影主体区域和待检测区域;最后,借助Canny边缘检测信息合并待判别区域内的超像素块,并利用阴影区域与造成干扰区域间的空间位置关系构建的检测条件进行判别。实验结果表明,该方法可以有效提高复杂地物环境下遥感影像阴影的检测精度和算法可靠性。     

一种面向地理对象的遥感影像变化检测方法

根据高空间分辨率影像上变化区域呈聚集状分布的特点,提出了一种面向地理对象的遥感影像变化检测算法。在利用Mean-Shift分割算法的基础上,获得不同时相地理对象的灰度特征信息,结合变化矢量分析,采用最大数学期望算法自动提取变化区域。以QuickBird、SPOT、TM三组不同空间分辨率的影像进行算法验证并比较了该方法与单像素变化检测算法的差异。结果表明,三组影像中面向对象的变化检测算法的检测精度分别为91.1%,87.3%和84.3%,单像素的变化检测算法检测精度分别为86.41%,82.48%和81.02%。试验结果显示面向对象的算法检测精度高于基于单像素的变化检测算法,且对高空间分辨率的影像检测效果要优于对中低空间分辨率的影像的检测效果。该算法减少了变化阈值确定中的人工干预,克服了以像素为单位的变化检测算法中由于缺少空间邻域信息而产生孤立、离散、不连通变化结果的问题,能够满足在不同土地覆盖类型下的变化检测要求,在国土资源监测中具有一定的使用价值。     

多星形约束图割与轮廓规则化的高分遥感影像直角建筑物提取

提出了一种基于多星形约束的图割和轮廓规则化的交互式半自动提取高分影像上直角建筑物的方法。首先,通过人工在建筑物上画一条线的交互方式自动得到包含目标建筑物的影像图块;其次,利用双边滤波对该影像块进行保边去噪预处理并进行超像素分割;再次,以交互线所在的超像素为前景,以交互线所得的建筑物范围与影像块边界之间的超像素为背景,进行基于多星形约束图割方法得到建筑物图斑;最后,利用Harris算子检测图斑上的角点,并对角点分组拟合得到规则的建筑物轮廓。为验证本文方法的有效性,分别对两幅不同地区和不同空间分辨率的高分航空影像进行建筑物提取试验,结果表明,该方法不仅交互简单而且具有高效性、准确性和稳定性。     

基于可变形状参数Gamma分布的模糊聚类多视SAR图像分割

针对传统模糊聚类分割算法无法克服合成孔径雷达(synthetic aperture radar, SAR)图像中固有的斑点噪声问题, 提出了一种利用可变形状参数Gamma分布和邻域相关性的模糊聚类分割算法。可变形状参数Gamma分布用于建模多视SAR强度图像的斑点噪声, 并以其负对数作为特征场中像素与聚类间强度的相似性测度模型; 通过马尔可夫随机场(Markov random field, MRF)建立标号场中邻域像素的类属相关性模型; 在模糊聚类框架下, 以上述模型为基础构建模糊目标函数; 在目标函数最小化准则下, 求解最优结果。实验表明, 可变形状参数Gamma分布能够更加准确地拟合同质区域内像素强度的统计直方图。为有效求解包涵在Gamma函数内的形状参数, 采用牛顿迭代算法估计其数值解。对合成和真实多视SAR图像分别进行分割实验, 定性、定量分析的结果验证了本文算法的有效性。     

利用小波域多尺度模糊MRF模型进行纹理分割

针对小波域多尺度马尔科夫随机场模型(Markov random field,MRF)对信息利用不充分的特点,在模型中引入模糊理论,提出了一种新的小波域多尺度MRF模型。新模型定义了相应的模糊概率场,通过模糊概率场描述每个小波域各尺度上像素的类别隶属度;根据模糊概率场估计了对应的特征场模型参数,参数的估计考虑了同尺度所有位置的特征信息;根据特征场模型导出了对应的示性场模型,用其反映每个像素的类别能量。利用贝叶斯准则给出了3步交互迭代算法,获得了分割结果。     

SLIC算法和OTSU算法结合的道路提取方法

针对基于像素的道路提取方法的不足,使用一种基于超像素分割算法(Simple Linear Iterative Clustering,SLIC)和自适应阈值分割算法(OTSU算法是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法)相结合的道路提取方法,可以较好地解决在遥感图像中分辨率较高所造成的非道路地物对目标的噪声影响.该方法使用SLIC超像素分割算法对影像进行分割处理,再用改进的K-means聚类算法对分割后的超像素影像进行非监督分类,根据GVI值对分类后的影像中的植被及水体信息进行过滤,对过滤后的影像进行基于OTSU的分割,最后对分割影像进行后处理获得完整道路网.经过定性和定量分析后得出,此方法在道路提取上有较好的表现.     

顾及灰度和梯度信息的多模态影像配准算法

基于特征匹配的多模态影像配准方法无法达到像素级配准精度要求。本文研究了一种顾及灰度和梯度信息的多模态影像配准算法。基于马尔科夫随机场（MRF）的非参数化配准模型充分利用多模态影像的图像信息进行相似性测量,同时考虑了灰度及梯度统计信息,求解方法上对值空间进行离散化,提高收敛速度。通过3组多模态影像的配准试验,验证了该算法的可行性。试验表明：本文算法的配准效果优于基于人工刺点的多项式模型配准和只考虑灰度信息的多模态影像配准;与此同时,该算法对于较大形变的影像配准也具有一定的适用性。在空间精度方面,平均配准误差小于1个像素,最大配准误差小于2个像素。     

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。     

一种结合空间邻域关系特征的面向对象遥感影像 变化检测方法

为了充分挖掘遥感影像特征,提高遥感影像变化检测精度,在面向对象遥感图像分割基础上,提出一种遥感影像空间关系特征度量方法,并应用到了变化检测中。首先,通过对两个时期遥感影像叠加分割,提取影像对象;然后,利用目标对象光谱特征及对象与其邻域对象的空间关系特征,构建两个时期影像对象差异特征影像。对象光谱特征参数主要选择对象内像元亮度均值,对象空间关系特征参数主要为目标对象与两个时期的邻域对象之间的像元亮度之间的差值。最后,通过最大期望EM算法自动获取分割阈值,得到影像变化信息。文中利用两期QuikBird影像对实验区域构建多组特征变化矢量影像,实验结果发现,新加入的空间邻域关系特征能较好地提高变化检测精度。