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。     

高分辨率遥感影像分割方法研究

在遥感应用分析中,遥感影像分割是低层影像处理和中高层影像分析和理解的桥梁,是实现遥感影像信息自动提取的关键步骤,具有重要的意义。随着大量高分辨率遥感影像的出现,传统基于像素的影像处理方法已不能适应高分辨率遥感影像。近年来,国内外研究者们提出了面向对象影像的分析方法,而面向对象影像分析方法的关键就是影像分割,影像分割精度直接影响着高分辨率遥感信息提取和目标识别的精度。首先给出一般图像分割方法的综述;然后分析和总结了当前主要的高分辨率遥感影像分割方法,着重阐述了均值漂移、分形网络进化、马尔科夫随机场等分割方法的特点和研究现状;最后,对高分辨率遥感应用分析中影像分割方法的发展趋势进行了讨论与展望。     

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。     

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。     

一种基于形状特征进行高分辨率遥感影像道路提取方法

提出一种基于局部灰度一致性的图像分割方法并结合形状特征进行道路提取的方法.该方法首先对图像进行分割,对分割结果使用形状特征进行道路段的选择,可以获取直线和曲线道路段,克服了许多方法只能提取直线道路段的缺点,然后在确定的道路段上选择种子点进行区域增长,从而实现自动选取种子点并提取道路网的过程,最后结合边缘信息和形态学方法规整化道路网.提出的方法能适用于高分辨率遥感图像中直线和曲线道路段的提取.经过实验分析和比较证明:该方法对于路面灰度均匀性较好和路面灰度均匀性较差的图片,都达到了较好的效果.     

基于HRNet的高分辨率遥感影像建筑物变化信息提取

建筑物图斑变化检测是遥感影像信息提取的重要内容之一,对于土地调查、自然资源常态化监测、土地执法监测等具有重要意义。岭南地区建设结构复杂,高分辨率遥感影像信息丰富,包含建筑结构细节多种多样,加上成像的季节不同、时间不同等因素导致建筑物变化信息的自动提取十分困难。针对此问题,本文提出了基于HRNet的语义分割模型,通过筛选保留高分辨率的特征层,从而保留更细节的图像信息。此外,结合图像分割二值化对结果进行优化,在一定程度上提高了高分辨率遥感影像建筑物变化自动检测的能力。     

基于高分辨率遥感影像的耕地地块提取方法研究

针对耕地地块提取问题,提出了一种基于图像分割的耕地地块提取新方法。该方法以高分辨率遥感影像为基础,借助于边缘提取和数学形态学的方法,通过边缘检测、边缘闭合、区域标号和后处理四个步骤,提取耕地地块。该方法在IDL6.3平台下编程实现。将此方法应用于北京地区QuickBird多光谱遥感影像,结果表明此方法有较好的定位精度,又在一定程度上去除了噪声,具有较好的实用性。     

纹理特征遥感影像分割研究

影像分割是面向对象的分类思想应用于遥感影像信息自动提取的基础,纹理是影像的基本特征,是影像分析、理解和识别的重要信息,纹理特性的有效表达和抽取,是基于纹理影像分割的前提。本文系统概述了近年来各类文献中使用频率较高的基于纹理的遥感影像分割方法,并以基于统计的方法、基于纹理结构的方法、基于模型的方法和基于空间/频率的方法四种基本类型为主线,对每一类分割方法的特点进行了分析和总结,在此基础上指出了基于纹理特征遥感影像分割的研究趋势。     

基于区间二型模糊理论的高分辨率遥感影像分割方法研究

影像分割是遥感影像处理(如特征提取、目标辨识、地物目标分类)的基础工作和重要任务。高分辨率遥感影像所具有的更加丰富的地表覆盖细节信息为精准地物目标分割提供了充分的依据。然而,更加精细的空间尺度、复杂多样的地物目标及真实地表覆盖信息的缺乏,增加了像素类属的不确定性和分割决策的不确定性,给高分辨率遥感影像分割带来了新问题,导致高分辨率遥感影像应用传统的影像分割方法得到的分割结果精度并没有随着分辨率的提高而得到显著提高。有鉴于此,本文以处理高分辨率遥感影像像素类属不确定性、分割决策不确定性及充分合理建模同质区域光谱测度分布模型为目标,提出基于区间二型模糊理论的影像建模与分割这一科学问题,并对其展开系统的理论与实践研究,以实现精度高、可靠性强的高分辨率遥感影像分割。     

基于形态分割的高分辨率遥感影像道路提取

基于灰度形态学,提出一种从高分辨率遥感图像提取道路网络的方法.首先利用灰度形态特征对遥感影像进行分割,进而得到基本的道路网络轮廓.然后在此基础上,利用线段特征匹配方法提取道路网络.提出的方法能适应于从道路和背景区别不很清楚的遥感图像中提取道路.实验结果也表明,本文方法能有效地从遥感影像中提取道路网络.     

面向对象的高分辨率遥感影像信息提取技术

介绍了单张高空间分辨率的航空遥感数据在没有其他专题图辅助的情况下进行面向对象的信息提取的方法。以山西省平顺县为研究区,ADS40彩色航空影像为数据源,对不同的地物采取不同尺度的多尺度分割,形成具有"同质性"的对象,然后分别采取不同的信息提取策略,得到研究区信息分类成果,且有效避免了"同谱异物"、"同物异谱"及"椒盐现象",对高分辨率遥感影像信息提取技术研究具有一定的实践指导意义。     

一种顾及形状特征的遥感图像道路提取方法

依照单类分类和主动学习的基本原理,利用光谱信息和道路几何信息共同实现道路提取。首先人工标记部分道路与非道路样本,用SVDD训练筛选出初始道路与非道路样本点代入SVM得到初始分类图,路径开运算处理之后进行直线匹配获取二值道路图。接下来是一个主动学习过程,根据样本点离超平面的距离及与二值道路图的匹配结果选取最终样本。将留下的样本点代入SVM中并赋以一定权值迭代训练,迭代固定次数之后选取正确率最高的SVM模型。最后利用路径开运算处理获取初始道路,经过形态学后处理得到最终的道路。实验结果表明,该方法可以有效地从高光谱遥感影像中提取道路。     

高分辨率遥感影像的景观格局分析

以景观生态学理论为研究基础,以高分辨率遥感影像等为数据源、利用RS和GIS技术,将梅州城市规划区的土地利用类型分为耕地、林地、草地、城镇用地及公路用地、湖泊水面、河流水面、裸地、滩涂等9类,并从景观的基本构成、景观水平的破碎化与多样性、不同景观斑块的空间格局特征等进行了研究分析;并提出对研究区合理规划土地开发利用的建议...     

基于语义分割的遥感影像建筑物提取

针对在遥感影像的建筑物提取过程中,建筑物密集且离散分布带来提取效果一般的问题,采用一种特征信息增强的U-net网络.模型使用MobileNet主干网络做编码器,用于影像的建筑物特征提取,考虑到下采样时低维信息逐渐丢失,以致边缘提取效果不佳,网络结合形态学的膨胀和闭运算优化提取结果的精度.实验结果表明,在多场景高分辨率的武汉大学遥感影像建筑物数据集上,结合形态学后处理的M-Unet(MobileNet U-net)提取结果不仅在视觉效果上表现优异,而且在精确度、召回率、F1-score、平均交并比MIou(Mean Intersection overunion)4个指标上分别达到96.2％、76.6％、84.6％和74.5％,均优于相同主干网络下的Pspnet和Segnet.     

基于层次密度分析的遥感影像分割方法

传统的全局性密度分析指标往往无法适应局部集群分布特征,提出一种新的层次密度分析方法,达到自适应遥感影像分割的目的,取得了较好效果。     

基于差值PCA的高分辨率影像变化检测

目前,影像变化检测研究主要针对多波段低空间分辨率影像,而多波段高空间分辨率影像的变化检测研究则相对较少。本文以时相为2015年和2016年的资源三号卫星影像为研究对象,采用差值主成分分析方法提取研究区的变化图斑。实验证明,该方法在多波段高分辨率卫星影像变化检测中有效,对影像变化检测的研究和应用具有重要的参考价值。     

基于直线和区域特征的遥感影像线状目标检测

针对高分辨率航空遥感影像中线状目标的特点,提出一种结合区域和直线特征识别线状目标的方法。在基于标记点分水岭变换进行初始分割的基础上,利用关于目标的知识和区域邻接图(RAG)对感兴趣区域进行合并,得到最终检测结果。实验结果表明,本文方法可以有效地从遥感影像中提取线状目标。     

基于Wold特征的遥感图像的分割

马尔可夫随机场模型是一种较好的纹理模型，但由于它是一个低阶的纯随机模型，因此用于图像分割时，区分相近纹理的能力仍然有限。将结合2维Wold分解技术来对遥感图像进行分割，通过调整不同性质谱分量的比例关系，放大相近谱峰值之间的差别，从而有利于Harmonic滤波器的信号选取，改善低阶马尔可夫分割场模型不能刻画结构性纹理的缺点。实验方法对城区目标进行提取，结果表明该方法的有效性优于纯Markov随机场所采取的分割方法。