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。     

模糊超像素分割算法的无人机影像烟株精细提取

实现烟草单株自动化提取对加快烟草农业信息化有着重要意义,但目前烟株精细的提取还存在较大困难.因此,提出了一种基于模糊超像素分割(fuzzy-superpixels,FS)算法的无人机烟株提取方法.首先通过绿地提取方法得到无人机影像中的植被覆盖区域;然后利用FS算法对影像进行超像素分割,并统计超像素的均值、亮度、形状指数...     

超像素极化合成孔径雷达影像谱聚类算法研究

针对基于像素的谱聚类计算量大、效率低,且受到影像斑点噪声影响严重的问题,该文结合极化合成孔径雷达影像的统计特性,提出了一种基于超像素的极化合成孔径雷达影像谱聚类算法。该方法首先用基于梯度分割影像的分水岭算法得到影像的初始分割;然后按区域邻接关系合并含像素个数较少的极小区域得到超像素图像;最后以超像素为基本数据单元,采用修正Wishart距离作为超像素之间的距离度量标准,通过Nystrm逼近的采样方法获得最终的分类结果。最后利用模拟数据和1991年获取的荷兰Flevoland地区L波段稻田数据验证了该算法的有效性,总体分类精度达到了98.17%。     

一种顾及上下文的遥感影像模糊聚类

模糊聚类是非监督分类中的一类重要方法。传统的模糊聚类方法应用于遥感影像的非监督分类时，均未考虑到邻域像元间的统计依赖关系即上下文信息。针对这一缺陷，在Markov随机场模型框架下，引入了空间隶属度概念，提出了一种顾及上下文信息的模糊聚类算法，有效地提高了聚类精度和抗噪声能力。针对需要预先指定聚类个数的问题，采用了一种兼顾类别内部紧密程度和类别之间分离程度的评价指标，用以检验聚类结果的有效性。从而找出最优的聚类个数，在一定程度上提高了聚类结果的客观性。最后通过实验验证了本文算法的有效性。     

SAR影像变化检测的前景特征流形排序法EI北大核心CSCD

SAR影像变化检测的差异图分析法存在的两个问题:①连通区域内的部分变化区域易被误判为未变化区域;②中心先验假设并不适用于检测位于SAR影像边界的变化区域。本文针对以上两个问题设计了一种超像素分割和前景特征流行排序(manifold ranking,MR)的SAR影像变化检测方法(MRSFCD)。首先,通过单像素和邻域对数比算子进行加权融合构造差异图,可以保持变化区域内部的一致性并抑制噪声干扰。其次,对差异图进行超像素分割。然后,改进超像素的无向图连接方式,不对边界四周的超像素进行连接,利用超像素分割结果和灰度信息进行三次邻接。最后,将基于前景特征流行排序后得到的显著性图与单像素对数差异图进行点乘,对其进行阈值分割得到最终的二值变化图。本文通过采用3组双时相影像进行试验。结果表明,相较于其他变化检测算法,本文方法有效地提高了变化检测的精度。     

综合聚类和上下文特征的高光谱影像分类

常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法（最小噪声分离、独立成分分析和主成分分析）下,使用不同聚类方法（k-均值、迭代自组织分析算法和模糊c-均值算法）借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。     

一种改进的多光谱影像模糊加权聚类方法

多光谱影像具有丰富的地物信息,利用多光谱影像进行聚类分析可以充分利用遥感影像为在大范围地区进行变化检测和土地利用分析作出应有的贡献。而模糊聚类更接近实际情况,能提高影像分类精度,缩短分类时间,提高系统运行效率。本文采用对多光谱影像先进行K-L变换去除了大量的冗余数据后,再进行改进的加权模糊聚类处理方法,取得了较理想的分类效果。     

面向大视角差的无人机影像序列学习型特征匹配EI北大核心CSCD

针对无人机大视角差影像之间存在仿射变形大、遮挡严重、视角差异显著等问题导致的同名点匹配存在多解和大量误匹配难题,本文提出了一种适用于大视角差影像稳健匹配方法。利用改进的具有双头通信机制的D2-Net卷积神经网络提取倾斜影像的学习型特征,在之后的同名点匹配搜索阶段,为解决唯一匹配点受到较多潜在可行解干扰的问题,设计了一种由粗到精的提纯策略,在稳健匹配同名点对的同时大幅降低匹配开销成本。将HPatches数据集中多组不同场景的影像序列和实地采集的无人机大视角差影像序列作为数据源对提出的方法进行测试,并与具有代表性的基于手工设计的ASIFT方法和基于深度学习的多种方法进行了比较。结果表明,本文方法能够提取稳健的大视角差影像序列仿射不变学习型特征,在正确匹配点数、匹配点正确率、匹配点均方根误差和匹配时间开销方面具有优势。     

自适应距离和模糊拓扑优化的模糊聚类SAR影像变化检测

针对模糊聚类算法的不足,结合差分影像的特点,提出一种基于自适应距离（adaptive distance）和模糊拓扑（fuzzy topology）理论的SAR影像变化检测技术框架（FATCD）。FATCD首先基于自适应距离公式提出一种自适应的样本到聚类中心的距离计算方法,优化了聚类过程中像元隶属度的计算公式,提高了模糊隶属度函数的准确程度;而后利用模糊拓扑理论改进传统去模糊化方式最大隶属度原则,从而增强了去模糊化过程。借助这两点,FATCD提高了模糊聚类变化检测的性能。两组真实SAR影像数据的试验结果表明本文方法可行、有效。     

改进的区间二型模糊聚类遥感影像变化检测

遥感影像的复杂模糊性问题会干扰影像变化检测的结果,可引入区问二型模糊C均值聚类算法解决此问题,但算法参数的随机性导致检测结果不稳定.本文首先利用局部最优解优化萤火虫算法中的候选解,引入可变步长因子,以此自适应寻优区问二型模糊C均值聚类算法的模糊因子;然后结合寻优得到的模糊因子进行区问二型模糊C均值聚类,迭代更新隶属区问...     

基于Voronoi划分的区域化模糊聚类遥感影像分割

正随着遥感传感器分辨率的不断提高,高分辨率遥感影像在提供更多丰富地物细节信息的同时,也使影像中同质区域内像素光谱相似性减弱、同质区域间像素光谱相似性增强,从而增加了影像分割的不确定性。与此同时,影像中几何噪声更加明显,极易造成误分割。这些特点将导致传统影像分割方法无法实现高分辨率遥感影像的有效分割。为此,本文提出在影像域几何划分基础上的区域化模糊聚类遥感影像分割方法。该方法摒弃传统以像素为基本操作单元的方式,代之以Voronoi多边形为基本操作单元,在模糊聚类框架下实现区域化影像建模,进而定义区域化模糊聚类目标函数,以解决高分辨率遥感影像分割问题。论文的内容如下。     

结合隶属度空间约束的模糊聚类图像分割

针对传统模糊聚类分割方法未考虑邻域像素隶属度空间关系的问题,该文提出了一种结合隶属度空间约束的模糊聚类图像分割方法。采用邻域之间的空间约束来限制隶属度值,解决同质区域中可能出现的噪声问题,从而提高分割精度。分别对模拟图像和彩色图像进行分割实验,并与未结合隶属度空间约束的分割结果进行对比分析。实验表明,此方法实现了对隶属度的空间约束,验证了本文算法的有效性。     

以卫星影像为底图的无人机图像自动拼接方法

针对无人机影像受成像角度倾斜、光照不均匀等影响,导致常规匹配方法拼接效果较差的问题,该文提出一种基于现有卫星影像的由粗到精无人机图像自动拼接方法。首先,在对图像进行粗匹配阶段,提出了一种基于环状描述子的尺度不变特征变换,用于解决图像间旋转和尺度的差异,较好地克服了SIFT算法描述子维度较高且计算量大的不足。其次,引入分块互信息进行精匹配,减少拼接过程中的累计误差。最后,采用该文提出算法对无人机图像进行拼接,实验结果表明,该文提出的无人机图像拼接算法在满足实时性要求的同时可以达到较高精度。     

基于自适应图像分割自动提取道路中心线

道路是城区地理空间信息中最重要的基础设施之一,从高分辨影像中自动、快速的提取道路特征,是快速更新城市道路网信息的重要途径。文中在分析道路基本特征的基础上,选择基于自适应结构元素的形态分析算法提取初始道路区域;引入面积和长宽比等形状指数,得到较精确的道路信息;最后,采用Hilditch细化算法,并进行优化处理。实验证明,该道路提取过程中无需人工设置参数,且能够得到具有较高完整性和正确性的道路中心线。     

超体素约简和谱聚类结合的机载LiDAR点云单木分割

为提高机载LiDAR点云数据的单木分割精度和效率,本文提出了一种基于Nystr?m的谱聚类算法。该算法基于谱聚类方法,同时引入了mean shift体素化和Nystr?m方法,在保持谱聚类算法优越表现的同时,大幅降低了谱聚类算法的空间和时间复杂度。首先,用mean shift方法将点云数据转换到体素空间以合理压缩数据量,使用带有体素权重的高斯相似度函数在体素空间中构造相似图。然后,使用Nystr?m方法计算相似度矩阵的近似特征向量和特征值。接下来,使用K-means方法在特征空间中进行聚类,并将结果映射回原始点集以获得单木的聚类点。最后,直接从单木聚类中获取单木参数。在黑龙江省孟家岗林场的实验结果表明：本算法有效改进了谱聚类算法,以牺牲5%的分割精度为代价将分割效率提升了约96倍;与K-means方法相比,本算法在分割精度和计算效率方面均表现更优;从分割结果中提取的树高参数具有较高的精度,R2和RMSE值分别为0.86和1.62 m。本文提出的基于Nystr?m的谱聚类算法是一种有效的机载LiDAR点云分割方法,可以用来进行单木点云分割和单木因子提取。     

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。     

一种模糊聚类的遥感影像分析方法研究

针对传统模糊聚类的遥感影像分析方法的不足,重点研究基于模糊ISODATA聚类的遥感影像分析。通过Matlab软件编程实现基于迭代自组织数据分析技术、模糊C均值聚类、模糊ISODATA算法对合成图像、纹理图像及真实遥感影像的分类,并对其分类结果进行讨论。通过实验数据对比,评价FISODATA算法的优越性。实验结果表明:ISODATA算法及FISODATA算法都能够实现变类,而FCM算法只能在固定聚类数下进行分类,但是,ISODATA算法分类机制不稳定,不能每次都确定正确聚类数。在迭代过程中,将FISODATA算法引入模糊集理论,便能够快速准确的实现聚类数的确定。