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。     

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。     

面向对象的多尺度加权联合稀疏表示的高空间分辨率遥感影像分类

针对高空间分辨率遥感影像中的地物具有多尺度特性,以及各个尺度的对象特征对地物分类精度的影响具有较强的尺度效性,并结合面向对象影像分析方法和多尺度联合稀疏表示方法在高空间分辨率遥感影像分类中的各自优点,提出了一种面向对象的多尺度加权稀疏表示的高空间分辨率遥感影像分类算法。首先,采用多尺度分割算法获得多尺度分割结果并提取对象的多尺度特征;然后,根据影像对象的多尺度分割质量测度计算各尺度的对象权重,构建面向对象的多尺度加权联合稀疏表示模型;最后,采用2个国产GF-2高空间分辨率遥感数据集和1个高光谱-高空间分辨率航空遥感数据集（WashingtonD.C.数据）验证该算法的有效性。试验结果表明,与SVM、像素级稀疏表示、单尺度和多尺度对象级稀疏表示和深度学习等算法相比较,本文算法获得了较高的OA和Kappa分类精度,提高了各个尺度地物的分类精度,有效抑止了地物分类结果中的椒盐噪声现象,同时保持大尺度地物的区域性和小尺度地物的细节信息。     

深度卷积神经网络支持下的遥感影像语义分割

针对高分遥感影像语义分割面临的类别不平衡和上下文信息利用不充分问题，本文提出了一种优化的DeeplabV3+算法。首先通过修改交叉熵损失函数，解决数据不平衡问题；其次使用Vortex Pooling取代ASPP模块提高上下文信息；然后采用多尺度输入充分利用图像的多尺度信息，并用投票策略进行特征融合提高图像分割准确性；最后使用形态学作后处理消除拼接痕迹和噪声。在CCF大赛的数据集上进行训练，并与其他经典语义分割算法进行比较。试验结果表明，该算法充分利用上下文信息，有效减少了错误分类，且使分割边界更精确，尤其对于线状目标的捕捉能力更强；在整幅测试影像上的MIoU可达85.21%，明显优于SegNet、U-Net算法。     

面向对象的遥感影像最优分割尺度监督评价

面向对象的遥感影像分类质量和精度,不仅取决于分类算法的好坏,而且取决于遥感影像的分割质量。以定量方法确定最优分割尺度,排除主观因素干扰,已成为影像分割质量评价的重点。以往的分割质量评价方法往往忽视了对象识别在影像分割质量评价中的重要性,因此,在分析地表真实地物和影像分割对象之间空间关系的基础上,构造出一种基于面积和位置的影像分割最优尺度评价指数;并对World View2多光谱影像进行分割实验,确定了不同地物的最优分割尺度。研究结果表明,该方法在影像分割结果评价和参数优化方面具有更大的优势,不仅可以评价遥感影像分割质量、进行分割尺度参数优化,而且在分割质量评价过程中减少了人为干预,提高了方法的客观性。     

融合余弦退火与空洞卷积的遥感影像语义分割

为了捕捉遥感影像中丰富的上下文信息与多尺度的地物信息,改进集成模型的策略,提高语义分割精度,提出一种融合周期递增余弦退火与多尺度空洞卷积的高分辨率遥感影像语义分割方法。方法引入多尺度并行的空洞卷积,有利于捕捉更大范围的上下文信息,在不增加参数的情况下,提高网络对多尺度对象的辨识能力;使用全连接条件随机场引入空间和边缘的上下文信息,提高网络对遥感影像的细节分割能力;引入周期递增的余弦退火策略调整学习率,获得合适数量的局部最优解,集成局部最优解进一步提升网络在像素上的分类能力。在Gaofen Image Dataset数据集上的实验结果表明,多尺度并行空洞卷积可以充分捕捉遥感影像上的多尺度地物信息,能有效辨识复杂对象;空间和边缘上下文信息的引入使语义分割对象的边界辨识更精准;周期递增余弦退火策略能明显减少集成模型的推理时间,模型的总体精度与Kappa系数均优于目前主流的语义分割模型。     

改进分数阶达尔文粒子群的多Renyi熵图像分割算法

针对智能优化图像分割算法易陷入局部最优、分割精度不高等问题，本文融合改进的分数阶达尔文粒子群算法和二维Renyi熵多阈值，提出了一种新的多阈值遥感图像分割算法。算法利用粒子自身进化信息来定义进化因子，结合进化因子并利用高斯图函数调整分数阶次α系数以实现精确计算和快速收敛；根据局部最优概率因子对局部最优位置进行Levy飞行随机扰动以提高算法跳出局部最优的能力；同时将二维Renyi熵单阈值扩展到多阈值分割上，并结合改进的分数阶达尔文粒子群算法，将二维Renyi熵多阈值应用于遥感图像分割中。仿真结果表明，与其他2种智能优化分割算法相比，本文分割算法在细节处理和分割精度上均有明显优势，在PRI上至少提升7.27%、VOI至少降低6.5%、GCE至少降低10.4%。     

基于高分辨率遥感影像数据的FNEA分割算法研究与应用分析

近年来,随着遥感技术和信息技术的发展,遥感影像空间分辨率也大大提高。基于像素的传统影像处理方式已经不能满足现实需求,面向对象的遥感影像分析已成趋势。因此,图像分割技术是进行其他图像处理与分析之前的关键步骤,分形网络演化多尺度分割算法（FNEA）是面向对象分析的核心。本文详细阐述了基于FNEA的多尺度分割算法的思想和流程,并结合遥感影像进行了分割实验与参数分析,对高分辨率遥感影像的研究与应用有一定指导意义。     

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。     

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%。