自适应蚁群和模糊聚类的SAR图像分割

针对传统蚁群算法及模糊C-均值聚类算法在合成孔径雷达遥感图像分割中精度低下和收敛速度较慢的问题,该文提出了一种改进的自适应阈值的蚁群及模糊C-均值聚类算法,实现对复杂合成孔径雷达图像进行分割。针对不同的合成孔径雷达图像,首先利用最大类间方差法获取最优阈值,通过最优阈值干预避免蚁群算法陷入局部最优解;再将自适应阈值蚁群算法得到的聚类中心和聚类类别数输入模糊C-均值聚类算法中,最终实现图像分割。实验结果证明,该算法在时间和误分率上较传统方法有显著的改进。     

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。     

自适应模糊聚类高分辨率遥感影像分类算法

为了实现高分辨率遥感影像分类数的自动确定,在传统模糊聚类算法的基础上引入分裂合并操作,提出自适应模糊聚类的高分辨率遥感影像分类算法。该算法提高分裂合并的准确性,并在每次分裂合并后利用模糊聚类分类算法优化其分割结果,而后将参数赋予相应阈值,以实现阈值的自适应确定。有效避免算法陷入局部极值,解决传统模糊聚类算法依赖初始聚类中心选择的问题。     

高光谱遥感图像联合加权随机分类器的设计与应用

应用随机过程理论,提出一种针对决策融合的高光谱遥感图像自适应最小距离和K-means聚类的加权联合随机分类器设计方法.在ENVI/IDL平台上对上海市某地区的OMIS图像进行分类处理,与经典的聚类法相比,从目视判断还是从定量评价分析,它可提高约10%的总体分类精度.     

粗糙集理论在遥感影像分割中的应用

结合粗糙集理论和K—均值聚类算法,提出一种遥感影像的粗糙聚类分割方法。根据遥感影像中特征属性的相互依赖关系,应用粗糙集理论的等价关系,求出K—均值聚类所需要的初始类的个数和均值,然后采用聚类算法对图像进行分割。实验结果表明该方法比随机选取聚类的中心点和个数减少了运算量,提高了分类精度和准确性。     

一种融合PSO和Isodata的遥感图像分割新方法

针对当前遥感图像分割方法存在的缺点,将人工智能领域的粒子群优化方法应用到遥感图像分割方面,提出了一种融合PSO和Isodata的遥感图像分割新方法。对不同分辨率遥感图像的分割实验结果表明,融合PSO和Isodata的遥感图像分割新方法能够自适应确定聚类数目,避免了聚类过程的随机性,使分割结果更加接近实际情况。     

一种高光谱遥感图像快速谱聚类算法

为获得分类效果更优良的遥感图像分类方式并解决高光谱遥感图像分类运算速度缓慢的问题,集成Lanczos算法与谱聚类算法,探讨了高光谱遥感图像谱聚类算法应用于遥感图像分类的可行性,提出了一种面向高光谱遥感图像的快速谱聚类算法;通过对比美国圣地亚哥机场高光谱遥感图像K-均值算法与谱聚类算法的分类结果,发现面向高光谱遥感图像的谱聚类算法易于识别线性地物,且分类的速度能得到较大提升。     

基于粗糙集的K--均值聚类算法在遥感影像分割中的应用

结合粗糙集理论和K——均值聚类算法，提出一种遥感影像的粗糙聚类分割方法。根据遥感影像中特征属性的相互依赖关系，应用粗糙集理论的等价关系。求出K——均值聚类所需要的初始类的个数和均值。然后采用聚类算法对图像进行分割。实验结果表明该方法比随机选取聚类的中心点和个数减少了运算量．提高了分类精度和准确性。     

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。     

基于数据场聚类的遥感影像分类方法研究

将数据场聚类方法引入到遥感影像分类中,将数据集映射到光谱空间,让光谱点对聚类的贡献通过势能充分表现出来。通过特征空间的建立、势能的计算及势能图像的分割等步骤实现了对遥感影像的分类,并讨论了辐射因子及辐射半径等对聚类的影响。     

基于KL散度的面向对象遥感变化检测

遥感影像的变化检测从基于像素到面向对象,从阈值分割到相似性度量已有众多的研究成果;但在对面向对象遥感图像变化检测中,存在分割参数的选择、变化阈值的确定、对象变化程度的表达等问题。为此,提出一种基于相似度测度的面向对象遥感影像变化检测方法,并打破了以往仅以有/无变化的检测结果所呈现的表现形式。首先计算了图像对象分割的最优参数,得到了2个时相的图斑对象,并进行了空间叠加处理;然后利用KL相似度计算方法计算了图斑对象的相似度系数,利用直方图统计了该系数的自然聚类特征;再运用不同的自然聚类特征值,分级得到了图斑对象的变化程度;最后,分析了不同参数分割结果、不同分级方法对图像变化程度检测的影响,同时通过对比有/无变化的检测结果,验证了本研究所提方法的科学性和有效性。     

一种超像素上Parzen窗密度估计的遥感图像分割方法

图像分割是高分辨率遥感图像分析中的关键步骤,对信息提取精度起到重要作用.为提高传统基于像素的遥感图像分割算法性能,提出一种在超像素上进行Parzen窗密度估计的分割算法.包括超像素初始分割、特征测量、密度估计并重新聚类3个主要步骤.在超像素初始分割阶段,采用简单线性迭代聚类算法将图像进行超像素粗分割,并将每个超像素块标...     

一种基于概率潜在语义模型的高分辨率遥感影像分类方法

针对高分辨率遥感影像中"同谱异物","同物异谱"现象对影像分类过程造成的干扰,将文本分析中的概率潜在语义模型应用于高分辨率遥感影像分类,提出一种无监督的遥感影像分类新方法.该方法首先利用均值漂移分割方法对影像进行分割构建图像区域集合,然后提取集合各区域中每个像元的Gabor纹理特征,并对这些特征进行聚类形成视觉词汇,最...     

一种改进的ICM遥感影像分割算法

针对传统的迭代条件模式(iterated conditional model,ICM)算法应用于遥感影像分割时容易出现离散斑块和孤立点的问题,提出了一种基于马尔科夫随机场(Markov random field,MRF)的改进ICM遥感影像分割算法。首先,在获取初始标记之前加入保边去噪效果良好的双边滤波器(bilateral filter,BF),用于遥感影像的预处理;并用多阈值最大类间方差法(Otsu)获取初始标记,以克服传统的初始标记获取算法中K-means聚类算法类别数不确定和算法复杂度不易控制以及错分现象明显等问题;然后,利用MRF描述像元的空间相关性,形成顾及上下文信息的ICM遥感影像分割算法。通过遥感影像数据分割实例验证,所提方法的分割精度优于传统的ICM算法。     

基于混合模糊的SAR图像水陆分割算法

针对丹江口水库复杂环境背景下的水陆分割,提出一种基于混合模糊的SAR图像水陆分割算法。首先,该算法以统计SAR图像的灰度特征作为分割参数,采用自适应多阈值最大类间方差法(maximum between-class variance,OTSU)对库区水陆进行粗分割;然后,以各均匀区域的灰度均值作为初始化聚类中心的模糊C均值算法进行聚类迭代得到分类结果;最后,采用连通区域法,将邻域内较小的像素对象删除,从而实现水陆的精分割。通过对哨兵1A的GRDH数据实验表明,该方法对于地物种类和支流较多的内陆水域SAR图像有较好的分割效果。     

结合L0平滑和超像素的高空间遥感影像非监督分类

针对基于像元的非监督分类方法对高空间遥感影像分类时易形成“椒盐”噪声和产生大量错分、漏分的问题,提出了一种结合L0平滑和超像素的非监督分类方法．首先采用L0算法对高空间遥感影像进行平滑操作,减少大量图像噪声及冗余信息;然后采用简单的线性迭代聚类（SLIC）超像素方法处理平滑后图像,进一步抑制椒盐现象的同时降低处理复杂度,得到初始聚类图;最后采用K-means非监督分类方法得到最终分类结果图．为验证本文提出的方法,选取3景高空间遥感影像作为实验数据．试验结果表明,采用提出的方法能准确对地物分类,且总体精度分别达到了72.46％、77.55％和78.44％,Kappa系数分别达到0.788、0.779和0.779．提出方法能有效解决分类中存在的“椒盐”现象,可提高分类精度,对高空间遥感影像分类具有一定的参考价值．      

无人机遥感影像林地单株立木信息提取

针对无人机遥感技术在提取单株立木信息的限制性问题,提出一种新的自动单株立木信息提取方法。对原始无人机影像进行光谱信息增强处理以突出局部细节特征;通过引入DBI指数自动化确定K-means聚类方法的最优聚类数目,进而对影像像素进行标记;通过利用高斯马尔可夫随机场模型进一步对影像进行分割;使用数学形态学算子等方法对分割结果进行后处理得到单株立木树冠信息,通过图像几何矩原理计算得到单株立木位置以作为其识别的依据。结果表明,应用该提取方法,油松林区和樟子松林区单株立木识别总体精度分别为89.52%和95.65%、单木树冠提取精度分别为81.90%和95.65%,均具有较好地适用性。该方法不需要大量的人工干预和先验知识的输入,大大提高提取方法的自动化程度。     

Otsu多阈值算法推广实现

遥感图像处理中的地物分割是分析和解译遥感图像的必要环节。本文分析了Otsu算法进行阈值分割的原理和有效性,针对Otsu多阈值分割算法计算效率低的缺点,提出了用Nelder-Mead单纯形法对Otsu的多阈值分割进行优化。将优化的Otsu算法与传统方法进行了比较,从理论分析和实验结果来看,此方法不仅能获得与传统方法分割一致的结果,而且应用到大尺寸遥感图像的多阈值分割中大大提高了分割效率。     

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。     

一种云模型和期望最大聚类的遥感影像分割算法

为解决遥感影像分割中存在的不确定性问题和传统层次聚类算法中存在的时间复杂度高、缺乏可再分性等缺陷,基于云模型和期望最大聚类提出了一种新的遥感影像分割算法。该算法首先使用峰值法云变换从影像中抽取底层概念,然后通过EM算法对底层概念进行聚类,最后通过极大判别法完成遥感影像分割。实验证明,EM算法进行概念聚类能够快速地将概念分类为指定个数,并估计出高阶云概念的数学特征,相比于传统的基于云模型的遥感影像分割算法具有更好的分割效果。