标记分水岭算法及区域合并的遥感图像分割

传统的分水岭算法通常对梯度图像进行无标记分割，其结果是容易造成过度分割。本文采用了一种基于标记的分水岭算法，首先,利用Sobel边缘算子对原遥感图像进行梯度重建，获得梯度幅值图像，同时计算待分割区域的周长、面积和形态因子，并对其进行标记； 然后,利用距离函数图标定种子法和等值线跟踪法获得初始分割图像； 最后，利用改进的区域合并方法获得最终的分割结果。实验结果表明了该方法的有效性。     

基于分水岭变换的遥感影像面向对象多尺度分割算法研究

面向对象多尺度分割技术建立一种基于多尺度分割、逐级分层提取地物边界的方法。并基于这一思想,提出基于分水岭算法和异质性最小区域合并算法相结合的快速分割方法。试验表明,该方法能快速准确地获得高分辨率遥感图像的分割结果。     

一种基于概率框架的遥感影像分割方法

基于区域增长的影像分割方法存在着种子选择和分割参数设置的难点。针对这两点,本文提出了一种基于概率合并框架的高分辨率遥感影像分割方法。首先,利用基于标记的分水岭变换和区域合并获得一个初始分割结果,避开种子点的选择;其次,利用初始分割所获得的具有一定大小的区域,计算统计、上下文和形状特征信息;然后,在贝叶斯准则的基础上,计算一个尺度无关的相邻区域间的合并概率,其应用于区域增长合并过程,合并概率具有直观统计意义,可以减少阈值确定的难度;同时由于区域的合并概率具有尺度无关性,可以在一次分割中成功地分割出不同尺度的地物;最后进行了试验,通过目视和定量分析及与eCognition分割结果的对比证明了本文算法的有效性。     

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。     

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。     

基于分水岭变换的多尺度遥感影像分割算法

图像分割是一种重要的图像分析技术,对图像分割的研究一直是图像技术研究中的热点和焦点。分水岭算法是基于数学形态学理论的图像分割算法,但是对噪声敏感且存在过分割的现象。为提高图像分割效果,本文通过对影像进行滤波处理,用改进的快速区域合并算法优化分水岭算法进行影像分割。实验结果与均值漂移算法得到的结果对比,证明此算法可以获得较好的分割效果。     

激光雷达点云辅助的高分影像分水岭分割方法

针对分水岭分割方法用于高分辨率遥感影像分割时过分割现象严重,且分割精度会受"同谱异物"现象的影响等问题,该文提出了一种激光雷达(LiDAR)点云辅助的高分影像分水岭分割方法,该方法利用高分影像和LiDAR点云两种数据源指导分割的进行:首先根据点云滤波结果将高分影像分为地物、地面两幅分影像进行分割合并,保证地物与非地物的正确划分;然后对过分割现象,提出了分形网格演化算法结合点云高程特征的合并准则,得到整体分割结果。实验证明该方法能有效改善"同谱异物"地类的混淆现象,可为复杂城区提供更精确的地类分割结果。     

基于标记分水岭分割的高分辨率影像水体信息提取

提出一种基于标记分水岭分割的高分辨率卫星融合影像提取水体信息的方法。首先采用pansharpening 融合法获得光谱扭曲小的高分辨率卫星融合影像;其次利用标记分水岭算法对高分辨率卫星融合影像进行分割;最后在分割基础上利用水体指数模型提取水体信息。采用QuickBird高分辨率遥感影像数据试验,与eCognition多尺度分割提取水体方法的结果相比,表明本文方法更快速有效,具有实用推广价值。     

一种基于最优邻接链的高分辨率遥感影像分割方法

基于区域合并分割方法的性能很大程度上取决于区域模型、合并准则和合并顺序。依据遥感影像的目视解译原理,分析高分辨率遥感影像的特点,设计一种新的融合光谱、形状和空间位置的合并代价函数进行区域相似性度量。同时加入面积控制参数,使得区域在光谱值相同的情况下优先合并小区域。在合并顺序的改进中,以最优邻接链的形式来表达和获取局部范围的最小合并代价区域对,确保每次相互合并的区域都为局部最优。对QuickBird多光谱影像进行分割实验并与eCognition的分割结果比较,结果证明本文方法在分割精度上有优势,更符合人的视觉感知。     

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。     

交互式遥感影像分割算法研究

目的 针对传统算法过于强调机器推理等弱点,将基于元胞自动机分割图像的思想移植到GIS平台上,作为解决遥感影像分割问题的一种新思路,实现了基于元胞自动机的遥感影像分割算法。这一分割方法将人的判断融入分割过程中,有着很强的灵活性。     

应用于遥感图像分割的原型提取谱聚类集成算法

针对遥感图像数据量大、类别归属复杂的特点,提出了一种用于遥感图像分割的原型提取谱聚类算法。该算法首先采用广义模糊c-均值聚类算法对遥感图像进行过分割,将得到的聚类中心作为每个分割区域的代表点;然后,通过构造代表点之间的相似性矩阵,利用谱图划分方法对代表点进行聚类;最后,根据代表点的聚类结果对图像像素点进行重新归类来获得遥感图像的最终分割结果。此算法涉及到3个参数,为了克服算法对于参数的敏感性和内在的随机性,进一步引入集成策略,给出了原型提取谱聚类的集成算法。     

一种融合边缘信息的面向对象遥感图像分割方法

针对遥感图像分割时仅利用光谱信息容易造成过分割和边缘定位不准的问题,提出一种结合光谱强度和纹理信息的遥感图像分水岭分割算法。首先分别提取图像的光谱梯度和纹理梯度,提出一种改进双边滤波模型,滤除图像中的噪声的周时,采用了一种局部的平滑尺度,能够有效消除纹理信息,借助于滤波算法,分别对原图像和Gabor纹理特征图像进行平滑处理,利用边缘检测算子得到光谱梯度和纹理梯度。最后利用形态学膨胀方法进行融合融合,使用分水岭变换对图像分割。用三幅高分辨率彩色遥感图像数据进行实验,并与JSEG（Joint Systems Engineering Group）和多分辨率分割方法进行比较,结果表明该方法具有较高的边界定位准确性,同时降低了过分割和欠分割现象。     

基于自适应遗传算法和改进BP算法的遥感影像分类

介绍了采用自适应遗传算法和改进BP算法相结合的混合算法来训练BP网络的方法,即先用自适应遗传算法进行全局训练,再用改进BP算法进行精确训练,以达到加快网络收敛速度和避免陷入局部极小值的目的。结果表明,该算法收敛速度快,分类精度较高。     

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。     

基于边缘的多光谱遥感图像分割方法

从Marr视觉计算理论和Tobler地学第一定律出发,提出了基于边缘的多光谱遥感图像分割方法.在基于边缘的多光谱遥感图像分割方法中,由边缘检测、边缘综合、边缘生长、区域标号等环节组成.该遥感图像分割方法在可视化开发平台Delphi中予以编程实现.将之应用于日本熊本市（Kumamoto）的Quickbird多光谱遥感图像中,并与多种遥感分割算法进行了比较：（1）从多光谱遥感图像各波段亮度信息利用的程度上看,提出的遥感图像分割方法能充分利用多波段亮度信息;（2）从遥感图像分割结果上看,由于分别对不同的波段进行边缘检测,并在此基础上进行边缘综合、边缘生长,遥感图像中的细节特征得到了充分体现,遥感图像分割效果更理想;（3）从计算复杂度和计算效率上看,基于边缘的多光谱遥感图像分割法较其他分割方法有一定的优势.     

一种面向对象的遥感图像多尺度分割方法

在分水岭分割算法的基础上,分析了分割后各个对象的性质及特点;在初分割的基础上,建立了各个对象之间的拓扑关系;再运用异质性最小的方法实现了区域合并,最终实现了图像的多尺度分割。     

多维特征自适应MeanShift遥感图像分割方法

针对MeanShift算法分割遥感图像的自动化程度和精度不高的问题,提出一种多特征自适应Mean—Shift遥感图像分割方法。3组实验结果表明,本方法相比EDISON软件能得到更好的分割效果,且能在一定程度上提高遥感影像分割的自动化。     

基于遗传和蚁群组合算法优化的遥感图像分割

将遗传算法和蚁群算法组合对模糊聚类进行优化,巧妙地对图像的像素特征和空间特征进行提取,利用这些特征作为聚类依据,将图像的多个特征结合到智能计算中,充分利用了遗传算法和蚁群算法各自的优势和特点,既提高了图像分割的准确性,又加快了分割过程的速度。实验结果表明,遗传算法和蚁群组合算法优化的模糊聚类是一种性能良好的遥感图像分割方法。