联合NSCT与多重分形的高噪声侧扫声呐图像分割

针对现有分割算法对高噪声侧扫声呐图像分割准确率低的问题,提出了一种综合利用NSCT(non-subsampled contourlet transform)分解图像、局部标准差和均值组合增强图像和多重分形判断图像奇异性的侧扫声呐图像分割方法。首先,借助NSCT分解图像,获得滤除高频噪声且保留轮廓信息的低频图像和一系列高频方向子带图像。然后,基于侧扫声呐图像中目标及其阴影伴随出现的特点,计算低频图像的局部标准差与均值的组合特征,获得分别突显目标及其阴影的特征图,使用多重分形分割方法分割特征图,获得低频图像分割结果;利用图像差分和非极大值抑制方法分割高频方向子带图像,获得高频分割结果;融合高低频分割结果获得目标及其阴影的精细边缘。最后通过试验验证了本文方法的有效性。     

可变类多光谱遥感图像分割

确定图像类别数是图像分割中的重要任务,在大多数分割算法中需由用户预先指定类别数。受地物目标及其分布的多样性、复杂性和未知性等因素的限制、对彩色遥感图像而言,人为确定其类别数非常困难。为此,提出了一种基于区域和统计的可变类分割方法,融合规则划分技术和R.JMCMC算法,利用规则划分将图像域划分成若干个规则子块,并假设每个规则子块内的像素服从同一独立的多值Gaussian分布;在此基础上南贝叶斯定理构建图像分割模型;利用ReversibleJump Markov Chain Monte Carlo(RJMCMC)算法模拟该模型,实现罔像类别数的自动确定及图像粗分割;为了进一步提高图像分割精度,设计精细化操作,对Worldview-2合成及彩色遥感图像和多光谱IKONOS图像进行可变类分割,实验结果表明,提出方法不仅能自动确定图像类别数,还可以较好地实现区域分割。本文方法较好地实现彩色遥感图像的可变类分割。     

遥感图像分割的低维纹理特征算子与双变异蝴蝶优化算法

针对光学遥感影像受天气影响导致部分地物间形成弱边缘问题,提出一种低维纹理特征算子与双变异蝴蝶优化算法。首先提出一种适用于遥感影像的低维完备局部三值模式的纹理特征提取算子,并将其引入简单线性迭代聚类算法,对遥感影像进行初始分割,减小了噪音影响,同时增强算法对弱边缘的敏感度和分割准确性;然后采用双变异蝴蝶优化的支持向量机合并同质超像素块,以简单线性迭代聚类算法和低维纹理特征算子得到的综合特征作为输入,得到最终分割图像。利用2组高分辨率遥感影像进行分割实验,并与当下流行的卷积神经网络进行对比,实验结果表明,所提算法相较于传统算法对弱边缘有更好的分割效果,数据一的边界回归率(boundary recall,BR)值较对比算法平均提高了1.9%,Kappa系数平均提高了0.036;数据二的BR值较对比算法平均提高了2.33%,Kappa系数平均提高了0.027。对比实验证明了所提算法相较于卷积神经网络有更好的泛化性。     

一种基于数学形态学的遥感影像分割方法

介绍形态学测地重建与开闭重建运算,提出基于微分形态学断面的影像分割方法。该方法首先生成原始影像的微分形态学断面影像,然后通过比较得到像点的最大微分断面值以及相对应的特征结构元素,最后以特征结构元素为层次,逐层分割影像。以IKONOS卫星影像为例,该方法能够有效地实现影像的分割,在分割较低反差的影像部分等方面具有优势。     

TM影像几何校正算法的精度比较

同大多数的线阵推扫式影像相比,TM影像作为双向扫描型的影像其几何校正方法有其特殊性和复杂性。针对这个问题,本文简要介绍了一般多项式、空间斜墨卡托投影、有理函数模型等几种几何近似校正算法,并利用广州地区的TM影像进行了各种试验分析和精度比较。结果表明:同其他方法相比,空间斜墨卡托投影是一种较好的算法,校正精度最高,能够达到一个像素左右,而且该方法不受地形起伏的影响,无需地面高程信息。     

SAR图像不同油膜特征的最佳分割方法选择

SAR图像溢油分割是SAR溢油监测中一个重要环节。文中选取4种不同形状、尺寸和对比度的SAR油膜数据,分别采用双峰阈值分割法、最大熵分割法、区域生长法、分水岭算法、图割法、水平集方法等6种方法进行溢油信息提取,探讨适合于不同油膜特征的最佳提取方法。结合现有尺度分割标准,提出一种SAR图像溢油信息评价指数——有效分割指数(Effective Segmentation Index,ESI),对不同分割方法得到的溢油提取结果进行定量评价,得出了不同特征油膜所适合的最佳分割方法。     

一种基于人工免疫的图像分割算法

图像二维熵分割,一直因耗时长而限制了实际应用。本文借鉴生物免疫思想,提出二维熵图像分割的人工免疫算法。在克隆选择算法中引入疫苗的免疫接种,用于优化最优分割阈值对的搜索过程。在遥感高分辨率图像上的实验显示,该算法不仅能准确搜索到最优阈值对,而且计算时间只有传统算法的1.8%。该算法也验证了人工免疫思想用于图像分割的可行性和有效性。     

基于时刻独立脉冲耦合神经网络的高空间分辨率摇感影像分割

高空间分辨率遥感影像中地物目标内部光谱信息复杂性的增强,使得传统基于光谱特征值的数据处理方法效果不再显著,影像分割为解决这一问题提供了一种思路,成为当前高空间分辨率遥感影像处理的研究焦点.时刻独立脉冲耦合神经网络具有状态相近、空间相邻神经元相互耦合同步脉冲激发和区域之间神经元脉冲激发时刻独立两大特点,已被应用于非遥感影像分割中,并取得较好效果.本文结合高空间分辨率遥感影像特点,通过对网络参数进行实验和分析,提出一个基于时刻独立脉冲耦合神经网络的高空间分辨率遥感影像分割方法,并利用空间分辨率0.3m的航空影像进行了数据试验,将分割结果进行讨论并与现有时刻独立脉冲耦合神经网络方法和ISODATA方法分割结果进行对比分析.结果表明:时刻独立脉冲耦合神经网络在高空间分辨率遥感影像分割处理中具有很好的应用前景.     

Computationally Efficient Mean-Shift Parallel Segmentation Algorithm for High-Resolution Remote Sensing Images

In high-resolution remote sensing image processing, segmentation is a crucial step that extracts information within the object-based image analysis framework. Because of its robustness, mean-shift segmentation algorithms are widely used in the field of image segmentation. However, the traditional implementation of these methods cannot process large volumes of images rapidly under limited computing resources. Currently, parallel computing models are generally employed for segmentation tasks with massive remote sensing images. This paper presents a parallel implementation of the mean-shift segmentation algorithm based on an analysis of the principle and characteristics of this technique. To avoid the inconsistency on the boundaries of adjacent data chunks, we propose a novel buffer-zone-based data-partitioning strategy. Employing the proposed data-partitioning strategy, two intensively computation steps are performed in parallel on different data chunks. The experimental results show that the proposed algorithm effectively improves the computing efficiency of image segmentation in a parallel computing environment. Furthermore, they demonstrate the practicality of massive image segmentation when computer resources are limited.     

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。     

基于水平集的曲线演化在图像分割中的应用

图像分割是图像处理中的一项基础工作,一般有基于边界和基于区域的分割方法。随着水平集理论的提出,主动轮廓模型尤其是C-V模型,在图像分割中的应用得到迅速发展。多相C-V模型,融合形状先验、纹理等信息的模型也被提出并得到较好的应用。将C-V模型应用于图像分割中,对合成图像和真实图像的分割实验,以及与其他分割方法的对比实验证明了该模型在图像分割中的有效性。     

面向地学应用的遥感影像分割评价

影像分割是面向地理对象影像分析(GEOBIA)中的一个关键环节。分割评价有助于为影像选择合适的分割方法和最佳分割尺度。本文提出一种以遥感地学应用面向的对象为依据的分割方法分类及评价体系。首先将影像分割方法分为面向局部特征监测的典型目标识别和面向全局特征监测的面向GEOBIA的分割方法两组,进而针对这两组分割方法提出了两套分割评价测度指标及相应的综合评价方法。在面向典型目标识别的分割方法评价中,使用区域内部非均质度、区域间灰度对比度、区域间散度对比度、边界点梯度和单位像素运行时间作为评价测度,并针对由于评价测度间的相关性而无法直接确定各测度权重分配的问题,提出利用熵权法为各个评价测度分配权重以获得综合评价结果的分割评价方法,该评价方法可用于选择合适的分割方法。用于面向GOEBIA的分割方法中使用分割区域内均质性和区域间异质性作为评价测度,这种评价方法适用于选择最优分割尺度参数。本文通过定量试验论证了这两种评价方法的有效性,试验结果表明其在遥感应用中具有实际意义。最后本文分析了影像分割评价方法的不足及未来的发展方向。     

一种基于统计学习理论的最小生成树图像分割准则

根据基于区域增长的面向对象图像分割的本质特点,将统计学习理论与最小生成树算法相结合,提出了一种基于统计学习理论的最小生成树图像分割准则。将该图像分割准则应用于多种遥感影像数据进行分割实验,其结果表明基于统计学习理论的最小生成树图像分割准则能通过简便的参数设置,即可以较好地实现不同尺度目标的图像分割,同时又能对纹理区域进行有效分割,能获得良好的区域边界和较好的抗噪声性能,并在海岸带大比例尺无人机正射影像的图像分割实践中得到了较好验证。     

结合光谱和纹理的高分辨率遥感图像分水岭分割

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。     

矢量C-V模型的高光谱遥感影像分割

高光谱遥感影像除了包含普通2维影像所具有的空间信息还包含了1维光谱信息,传统的针对2维影像的分割方法不能很好地应用于高光谱遥感影像。为此,本文提出一种能够同时处理多波段影像的高光谱遥感影像矢量C-V模型分割方法。首先选出高光谱遥感影像中目标与背景对比度较大的波段,并通过计算波段相关系数,去除其中的冗余信息形成新的波段组合,进而根据所确定的波段组合构建高光谱遥感影像矢量矩阵;在此基础上,构造基于该矢量矩阵的矢量C-V分割模型。模型中通过引入基于梯度的边缘引导函数,在保留传统C-V模型基于区域信息进行影像分割的基础上,利用影像的边缘细节信息,增强了模型在异质区域和复杂背景情况下对目标边缘的捕捉能力,提高了对高光谱遥感影像的分割精度和速度。最后利用HYPERION数据进行仿真实验,并将实验结果和传统C-V模型和相关方法进行了对比,结果表明,本文方法能够在短时间内有效地分割高光谱遥感影像,与传统方法相比,具有分割精度更高运算速度更快的特点。     

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。     

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。     

基于Transformer结构的遥感影像敏感目标自动隐藏方法

遥感影像敏感目标隐藏是保证遥感资源安全共享的关键。针对传统方法存在的目标检测不完全、补全结果不可靠的问题,提出了一种基于Transformer结构的遥感影像敏感目标自动隐藏方法。首先利用以Swin Transformer为主干网络的Cascade Mask R-CNN（region-based convolutional neural network）实例分割优化模型检测敏感目标并生成掩膜区域,同时设计了RSMosaic（remote sense Mosaic）合成数据方法减少人工标注数据;然后,基于色相-饱和度-明度（hue-saturation-value, HSV）空间的阴影检测模型扩展掩膜区域;最后,引入MAE（masked autoencoders）模型实现目标背景生成。以飞机目标为例,与Partial-Connvolutios和EdgeConnec进行了对比实验。结果表明,相比传统方法,该方法在敏感目标实例分割中的边界框与像素掩膜AP值分别提升了13.2%与11.2%;在使用RSMosaic合成数据后,边界框与像素掩膜AP值可分别再提升9.39%与14.16%, 且图像修补中的平均绝对误差和最大平均差异提升80%以上,实现了结构合理、纹理清晰的敏感目标自动隐藏效果。     

结合空洞卷积的FuseNet变体网络高分辨率遥感影像语义分割

针对多模态、多尺度的高分辨率遥感影像分割问题,提出了结合空洞卷积的FuseNet变体网络架构对常见的土地覆盖对象类别进行语义分割。首先,采用FuseNet变体网络将数字地表模型（digital surface model,DSM）图像中包含的高程信息与红绿蓝（red green blue,RGB）图像的颜色信息融合;其次,在编码器和解码器中分别使用空洞卷积来增大卷积核感受野;最后,对遥感影像逐像素分类,输出遥感影像语义分割结果。实验结果表明,所提算法在国际摄影测量与遥感学会(International Society for Photogrammetry and Remote Sensing, ISPRS)提供的Potsdam、Vaihingen数据集上的m_F1得分分别达到了91.6%和90.4%,优于已有的主流算法。     

A multi-band approach to unsupervised scale parameter selection for multi-scale image segmentation

Image segmentation is one of key steps in object based image analysis of very high resolution images. Selecting the appropriate scale parameter becomes a particularly important task in image segmentation. In this study, an unsupervised multi-band approach is proposed for scale parameter selection in the multi-scale image segmentation process, which uses spectral angle to measure the spectral homogeneity of segments. With the increasing scale parameter, spectral homogeneity of segments decreases until they match the objects in the real world. The index of spectral homogeneity is thus used to determine multiple appropriate scale parameters. The performance of the proposed method is compared to a single-band based method through qualitative visual interpretation and quantitative discrepancy measures. Both methods are applied for segmenting two images: a QuickBird scene of an urban area within Beijing, China and a Woldview-2 scene of a suburban area in Kashiwa, Japan. The proposed multi-band based segmentation scale parameter selection method outperforms the single-band based method with the better recognition for diverse land cover objects in different urban landscapes.