基于马尔可夫随机场的模糊c-均值遥感影像分类

针对模糊c-均值聚类方法对初始值敏感,且在聚类时忽略空间相关信息的不足提出一种基于马尔可夫随机场的模糊c-均值聚类方法,该方法用马尔可夫随机场来描述像元的空间相关性,形成顾及空间相关的模糊c-均值分类方法。初始值依据第一主成分的密度函数确定,既克服对初始值的依赖性,又在聚类的时候考虑空间相关信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊c-均值模型。     

一种基于马尔可夫随机场的影像纹理分类方法

针对纹理影像先估计出其马尔可夫随机场参数,后运用多元统计分析中模糊聚类分析的数学方法进行定量分类,从而为解决划分上的不确定性现象找出描述方法,获得客观的分类结果。     

广义马尔可夫随机场及其在多光谱纹理影像分类中的应用

在二维马尔可夫随机场模型的基础上，提出顾及波段间的空间相关性，发展了一种适用于多光谱纹理影像分类的广义马尔可夫随机场模型。鉴于广义马尔可夫随机场模型的复杂性，利用最大伪似然法建立了求解模型参数的简化方程式，实现了纹理特征的快速提取。结合提取的纹理特征影像和光谱特征影像，采用概率松弛算法实现影像的分类。实验证明，提出的基于广义马尔可夫随机场的多光谱纹理影像分类算法克服了传统的基于光谱特征的分类算法的局限性，提高了纹理影像的分类精度。     

一种基于马尔可夫随机场的影像纹理分类方法

针对纹理影像先估计出其马尔可夫随机场参数，后运用多元统计分析中模糊了在分析的数学方法进行定量分类，从而为解决划分上的不确定性现象找出描述方法，获得客观的分类结果。     

多尺度特征和马尔可夫随机场模型的电力线场景点云分类法

及时、准确地监测电力线安全可以预防危险情况的发生。本文以机载点云为研究对象,提出了一种基于随机森林后验概率的马尔可夫随机场模型,用于电力线场景的点云分类。首先结合空间金字塔理论构建多尺度视觉分类特征以此描述空间点及其邻域的几何形状信息;接着利用随机森林分类器描述观测数据的概率分布,基于马尔可夫随机场模型建立顾及上下文信息的先验概率,从而构建一个多标记能量函数;最后利用多标记图割技术最小化能量函数完成分类标签优化。利用直升机巡线系统和小型无人机巡线系统获取的LiDAR点云数据来验证本文提出的模型。试验结果表明,该模型能够有效地分类场景中的电塔、电力线和植被且总分类正确率得到98%以上。与其他分类方法相比,本文提出的模型总体精度更高,尤其是电塔的分类优势明显。     

基于马尔科夫随机场与模糊C均值的遥感影像分类

模糊C均值聚类是一种经典的非监督聚类模型,成功地应用于遥感影像分类。但是该方法对初始值敏感,容易陷入局部最优解;同时聚类时仅考虑光谱信息,忽略了空间信息。本文提出了一种新的基于马尔科夫随机场的模糊C均值聚类方法,该方法把马尔科夫随机场和模糊C均值结合在一起。初始值依据第一主成分的密度函数确定,这样克服了对初始值的依赖性,又在聚类的时候考虑了空间信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊C均值模型。     

顾及上下文信息的混合广义高斯密度模型遥感影像分类方法研究

提出了一种基于混合广义高斯密度模型(generalize Gaussian mixture model,GGMM),并顾及影像上下文信息的遥感影像分类方法。试验结果表明,该方法具有较强的鲁棒性,分类精度较传统的分类方法要好,在细节保持方面,较某些尺度上的面向对象的分类方法要好。     

马尔柯夫随机场的参数估计与影像纹理分类

本文提出马尔柯夫随机场参数估计的算法，通过人工纹理和从航空像片上提取的自然纹理的试验表明参数估计的算法是正确的。除此之外，本文还讨论了不受图像边界形状影响的ＭＦＲ参数估计和利用ＭＲＦ参数进行纹理分类的问题。这些研究表明ＭＲＦ参数在航空像片纹理分类中具有很好的应用前景。     

一种基于多尺度分割的遥感影像地物分类方法

面向对象分类方法能够解决基于像素分类方法带来的"椒盐噪声"缺点,并能利用分割单元构建对象特征空间,从而提高分类精度。常规的面向对象分类通常会设定经验或最优分割参数,在此基础上进行面向对象遥感影像分类。然而,不同地物具有不同最优分割参数,这样会导致地物分类精度不佳。因此,采用分割参数分级化思想,使用大、中、小尺度进行分阶段分割,首先对水域和浓密植被进行分类,然后再对其他地物进行细分,能够有效提高分类精度。通过对南京市Landsat-8卫星的OLI影像进行实验,试验证明,本方法在精度和分类效率上具有一定优势,在实际工作中可以提供借鉴。     

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。     

半监督条件随机场的高光谱遥感图像分类

善于捕捉空间信息的条件随机场模型虽然已被应用于高光谱遥感图像分类,但条件随机场的性能受到了标注训练样本数量的制约。为解决上述问题,本文提出了一种半监督条件随机场模型用于高光谱遥感图像分类。在该模型中,首先,利用空间-光谱拉普拉斯支持向量机定义关联势函数,以利用未标注样本中包含的信息获取样本类别概率;然后,在交互势函数中嵌入未标注的空间邻域样本,以充分利用空间信息实现对样本类别概率的修正;最后,采用分布式学习策略和平均场完成半监督条件随机场的训练和推断。本文在两个公开的高光谱数据集(Indian Pines数据集,Pavia University数据集)上进行了实验。实验结果表明Kappa系数提升3.94%。     

深度神经网络条件随机场高分辨率遥感图像建筑物分割

高分辨率遥感图像建筑物分割的实质是构建一个输入图像到分割结果之间的高维强非线性映射模型。然而,建筑物可能遍布整幅遥感图像,则在语义分割过程中,当前像素点可能与非邻域的像素点存在直接关系。为了更加精确地逼近建筑物分割的真实映射模型,克服道路、建筑物错层和阴影的影响,提高分割精度,本文以深度残差神经网络为基础,构建Encoder-Decoder的深度学习架构,自动提取建筑物的特征,学习建立高维强非线性分割模型;同时,通过条件随机场的成对势函数调节当前像素点与其他像素点之间的关联关系,从而构成全连接条件随机场对Encoder-Decoder的分割结果进行调节,提升分割精度。在全连接条件随机场的计算过程中,采用循环神经网络的运行机制来完成均值场的计算,这将条件随机场与深度神经网络有机融合,实现了Encoder-Decoder和全连接条件随机场参数的同步训练。实验结果表明,本文采用的深度神经网络条件随机场方法能有效克服道路、建筑物错层和阴影的影响,提升高分辨率遥感图像中建筑物的分割精度;同时,在一定范围内对多分辨率遥感图像具有较好的泛化能力。     

深度融合网结合条件随机场的遥感图像语义分割

为了充分利用遥感图像中丰富的细节信息和上下文信息,提高图像语义分割精度,提出一种深度融合网结合条件随机场模型的遥感图像语义分割方法。方法在全卷积神经网络框架中增加反卷积融合结构,搭建深度融合DFN (Deep Fusion Networks)网络,通过深层网络自动获取多尺度特征,避免人工设计和选择特征,提高模型的泛化能力;同时借助反卷积融合结构,利用多尺度信息,将浅层细节信息和深层语义信息相融合,提高模型的处理精度。由全连接条件随机场引入空间上下文信息,更好地定位边界,得到最终的语义分割结果。在遥感图像数据集上的实验结果显示:(1)随着不同尺度细节信息的融入,结果的边缘轮廓越精确、接近标签图像;(2)增加了空间上下文信息后,语义分割结果边缘更细化、准确,精度更高。实验表明,该方法可以有效提高遥感图像语义分割的精度,改善结果的过平滑现象。     

结合MST划分和RHMRF-FCM算法的高分辨率遥感图像分割

针对基于像素的HMRF-FCM算法抗噪性差以及对地物复杂边界分割精度低的问题,提出一种结合形状信息的静态MST区域划分和RHMRF-FCM算法的高分辨率遥感图像分割方法。该方法定义一种静态MST同质区域划分准则,借助MST能较好表达边界和形状信息、能较好抑制几何噪声的特点,解决地物复杂边界的表达和降低分割结果中几何噪声问题。首先,利用MST静态划分将图像域划分成若干个均质区域,假设每个均质区域内光谱测度服从独立同一的多元高斯分布。然后,在此基础上构建了区域隐马尔可夫随机场模型,以及建立基于信息熵和KL信息正则化项的模糊聚类目标函数。最后,采用偏微分方法对分割模型参数进行求解,从而得到全局最优分割结果。为验证本文方法,对WorldView-3高分遥感图像进行分割试验。定性、定量分析了尺度参数、光谱相似性参数和区域紧致度参数对最优分割结果的影响,并对比分析本文算法和eCognition软件中的多分辨率分割算法、分水岭算法。     

Unsupervised evaluation-based region merging for high resolution remote sensing image segmentation

Image segmentation has a remarkable influence on the classification accuracy of object-based image analysis. Accordingly, how to raise the performance of remote sensing image segmentation is a key issue. However, this is challenging, primarily because it is difficult to avoid over-segmentation errors (OSE) and under-segmentation errors (USE). To solve this problem, this article presents a new segmentation technique by fusing a region merging method with an unsupervised segmentation evaluation technique called under- and over-segmentation aware (UOA), which is improved by using edge information. Edge information is also used to construct the merging criterion of the proposed approach. To validate the new segmentation scheme, five scenes of high resolution images acquired by Gaofen-2 and Ziyuan-3 multispectral sensors are chosen for the experiment. Quantitative evaluation metrics are employed in the experiment. Results indicate that the proposed algorithm obtains the lowest total error (TE) values for all test images (0.3791, 0.1434, 0.7601, 0.7569, 0.3169 for the first, second, third, fourth, fifth image, respectively; these values are averagely 0.1139 lower than the counterparts of the other methods), as compared to six state-of-the-art region merging-based segmentation approaches, including hybrid region merging, hierarchical segmentation, scale-variable region merging, size-constrained region merging with edge penalty, region merging guided by priority, and region merging combined with the original UOA. Moreover, the performance of the proposed method is better for artificial-object-dominant scenes than the ones mainly covering natural geo-objects.     

空-谱融合的条件随机场高光谱影像分类方法

高光谱遥感数据具有光谱信息丰富、图谱合一的特点,目前已经广泛地应用在对地观测中。传统的高光谱分类模型大多过分依赖影像光谱信息,没有充分利用空间特征信息,这使得分类精度还有很大的提升空间。条件随机场是一种概率模型,能够较好地融合空间上下文信息,在高光谱影像分类中已经得到越来越多的关注,但大部分条件随机场模型存在超平滑的现象,会导致影像细节丢失。针对该问题,本文提出了一种优化融合影像空-谱信息的高分辨率/高光谱影像分类方法,该方法将影像的纹理信息与原始光谱信息进行融合,利用SVM分类器对其进行预分类,并将各类概率定义为一元势函数,以融合空间特征信息;然后将空间平滑项和局部类别标签成本项加入二元势函数中,以考虑空间背景信息,并保留各类别中的详细信息。最后,通过两组的高分辨率/高光谱影像数据进行试验。结果表明,与SVM算法、传统的条件随机场方法和面向对象的分类方法相比,本文提出的算法在整体分类精度上分别提高了10%、9%和8%以上,同时在保持地物边缘完整性、避免“同谱异物”与“同物异谱”的现象方面有较明显的优势。     

特征级高分辨率遥感图像快速自动配准

随着遥感图像分辨率的日益提高,遥感图像的尺寸和数据量也不断地增大,同时随着遥感应用的发展,对图像配准的性能也提出越来越高的要求,基于此,提出一种特征级高分辨率遥感图像快速自动配准方法。首先,对图像进行Haar小波变换,基于小波变换后的近似图像进行配准以提高配准速度;其次,根据不同的遥感图像来源使用不同的特征提取方法(光学图像使用Canny边缘提取算子,SAR图像使用Ratio Of Averages算子),并将线特征转化为点特征;然后,依据特征点间最小角与次小角的角度之比小于某一阈值来确定初始匹配点对;最后,利用改进的随机抽样一致性算法滤除错误匹配点对,并结合分块思想均匀选取匹配点对计算仿射变换参数,进一步提高配准精度。为了验证本文方法的有效性,选择高分辨率World View-2图像、Pleiades图像和Terra SAR图像进行了实验,并与典型的SIFT算法、SURF算法进行比较分析,采用匹配率、匹配效率、均方根误差和时间消耗4个定量评价指标来客观评价算法的配准性能。实验结果表明,本文方法具有较好的有效性,且在不同的情况下具有较高的配准精度。本文提出的特征级高分辨率遥感图像快速自动配准方法,多组高分辨率遥感图像数据的配准实验结果表明该方法能快速实现并具有较高的配准精度和较好的鲁棒性。     

融合可变形卷积与条件随机场的遥感影像语义分割方法

当前,深度卷积神经网络在遥感影像语义分割领域取得了长足的发展.标准的卷积神经网络由于卷积核的几何形状是固定的,导致对几何变换的模拟能力受到限制.本文引入一种可变形卷积来增强卷积网络对空间变换的适应能力.由于神经网络架构中使用了池化层操作,这会导致在输出层未能充分地对局部对象进行准确的分割.为了克服这种特性,本文将神经网络输出层的粗糙预测分割结果通过全连接的条件随机场来进行处理,以此来提高对影像细节的分割能力.本文方法易于采用标准的反向传播算法进行端到端的方式训练.ISPRS数据集上的测试试验结果表明本文方法可以有效地克服遥感影像中分割对象的复杂结构对分割结果的影响,并在该数据集上获得了当前最好的语义分割结果.     

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。