一种区域自适应的遥感影像分水岭分割算法

提出了一种区域自适应的标记分水岭分割方法。该方法利用高斯低通滤波和概率统计相结合的方法,对梯度影像进行区域自适应阈值分割,提取分割标记,然后采用Meyer算法进行标记分水岭分割。实验结果表明,该算法能够有效解决遥感影像不同区域的分割问题,达到比较理想的水平。     

基于分水岭变换的遥感影像面向对象多尺度分割算法研究

面向对象多尺度分割技术建立一种基于多尺度分割、逐级分层提取地物边界的方法。并基于这一思想,提出基于分水岭算法和异质性最小区域合并算法相结合的快速分割方法。试验表明,该方法能快速准确地获得高分辨率遥感图像的分割结果。     

融合LiDAR点云与高分影像的单木检测方法研究

对一种结合高分影像数据和机载LiDAR点云的单木检测方法进行研究,首先采用面向对象分类方法对高分影像上的单木区域进行分割,得到单木区域分割图;再以单木区域为约束,从机载LiDAR激光点云中分离出单木点云,构建局部冠层高度模型(CHM);最后对单木CHM采用分水岭算法探测冠层局部极值,实现对单木中心定位检测.实验结果表明该方法能够充分利用高分影像和激光雷达点云优势,提高了单木定位准确性,具有广泛的应用前景.     

基于改进超像素和标记分水岭的高分辨率遥感影像分割方法

影像分割是高分辨率影像面向对象分析中的关键步骤,对信息提取精度起到至关重要的作用.为提高高分辨率遥感影像面向对象算法分割性能,提出一种改进超像素和标记分水岭的分割方法,包括特征融合、超像素初分割、控制标记符的标记分水岭再分割3个主要步骤.在超像素初分割阶段,利用高分辨率遥感影像纹理特征突出的优势,结合颜色空间、空间位置...     

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。     

结合异质性及分水岭变换的遥感影像分割方法

面向对象的遥感信息提取,首要任务是对遥感影像进行分割,分割的目的在于把原始图像分割成一些在空间上相邻、光谱相似的同质区域。传统的分水岭变换对噪声敏感,易产生过分割现象,不能直接适用于遥感影像的信息提取。本文利用非线性同组滤波方法(PGF)消除原始影像噪声,根据高分辨率遥感影像地物的异质性特征,对分水岭初始分割结果进行异质性准则合并。实验结果表明,该方法对高分辨率遥感影像的分割效果良好,能够适用于面向对象的信息提取。     

激光点云与航空影像融合分类

为了更好地利用激光点云数据和航空影像数据信息,改善影像分类效果,提出了将激光点云数据与航空影像进行融合分类,实现面向对象的融合分类方法。在航空影像的分水岭分割算法中加入激光点云高程信息计算梯度,然后结合两种数据源的特征,建立分层分类的规则集得到地物的分类结果。试验表明,激光点云的高程信息能够改善影像分割效果,也能将地面地物与非地面地物较好地区分,对建筑和植被的分类起到了有效作用。     

车载激光雷达点云与全景影像的自动配准

针对激光雷达点云数据缺乏纹理信息的问题,该文提出一种基于互信息的车载激光雷达点云与全景影像配准方法。该方法使用统一的球面全景成像模型,引入互信息作为相似性测度,将车载激光雷达点云生成的深度图与信息提取后的全景影像进行配准,实现配准参数的自动、高精度解算。同时,对车载激光雷达点云与全景影像配准的精度进行评定与分析。实验结果表明,车载点云与全景影像的配准方案是可行的,具有较高的配准精度。     

一种顾及几何特征的云模型遥感影像分割方法

将云模型与模糊理论相结合,提出了一种基于不确定性的、顾及几何特征的遥感影像分割方法。该方法用分水岭算法对原影像进行分割获得初始分割图斑,再将图斑抽象成云模型,以云模型实现图斑对象表达,在基于云概念的光滑度、紧凑度定义的基础上,构造差异性度量准则和相应的云模型综合算法,并由云综合运算实现不同粒度空间下的区域合并,达到多尺度遥感影像分割的目的。几组实际影像数据的分割实验证明了该方法的有效性。     

特征空间聚类的电力线激光雷达点云分割方法

针对现有电力线激光雷达点云分割方法中存在的问题,该文提出了一种采用特征空间K-means聚类的单档电力线激光雷达点云分割方法:利用电力线LiDAR点云的水平坐标信息进行直线拟合,并对LiDAR点沿直线方向进行分段;将每一段LiDAR点云投影到相应的电力线切平面(该平面垂直于拟合直线);最后使用K-means聚类方法进行投影点的聚类,且相邻的段和段之间通过投影中心点进行类别的传递和规则化。实验表明,该方法可以较好地进行单档电力线LiDAR点云分割,且对电力线根数、电力线类型、电力线空间配置结构、档距长度、点云不规则断裂等因素不敏感。     

高分辨率影像分类的最优分割尺度计算

针对高分辨率遥感影像分类与信息提取中存在的难点,基于不同目标地物在高分辨率影像上具有对应最优分割尺度的基本思想,该文在分析现有最优分割尺度确定方法的基础上,提出了加权均值法结合最大面积的最优分割尺度的确定方法;利用该方法,进行了高分辨率影像分割实验,获取了对应典型地物的最优分割尺度数值范围,实现了典型地物的信息提取;并运用样本点检验的方法,计算并分析了分类的精度结果。结果表明:基于加权均值与最大面积相结合的最优分割尺度计算方法,应用于面向对象高分辨率影像信息的提取具有较为理想的精度。     

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。     

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。     

遥感影像并行分割的无缝拼接算法

针对影像数据分块并行处理造成的接边问题,该文基于构建缓冲区的方法提出了一种新的拼接算法。该算法只在每一个数据分块的右侧和下侧构建缓冲区,消除拼接线的原则是保证分割边界的准确性和拓扑关系的正确性。数据分块完成后采用并行的策略对第一个块进行分割,然后将每一块的分割结果与相邻的块进行拼接,在缓冲区内按一定规则判断各块分割对象是否保留并对拓扑关系进行检查,拼接完各块后并行输出对象矢量化后的结果。通过实验验证,该算法不仅保证了分割边界的准确性,而且能够处理大影像,提高了工作效率。     

改进的自适应遗传算法在遥感图像分割中的应用

为了自动确定遥感图像分割的最佳阈值,本文提出了一种改进的自适应遗传算法,并利用该算法对二维Otsu图像阈值分割函数进行了全局优化,提高了分割闻值的求解速度。该算法能够根据个体适应度大小和群体的分散程度自动调整遗传控制参数,从而能够在保持群体多样性的同时加快收敛速度,克服基本遗传算法的收敛性差、易早熟问题。实验结果表明,该算法具有良好的收敛速度和稳定性,达到较好的图像分割效果,大大缩短了计算时间。     

高分辨率遥感图像道路分割算法

为了提高从高分辨率遥感图像(high-resolution remote sensing image,HRI)中提取道路信息的自动化程度和准确性,发展了一种HRI道路分割算法,主要包括光谱合并、边界合并和基于形状特征的道路区域提取等3个步骤。其中,前2个步骤是基于区域生长的图像分割算法。光谱合并综合考虑了区域的均值、方差等统计特征量,以提高分割精度;边界合并采用了基于矢量梯度的边界计算方法,以准确提取多光谱HRI中的边界强度;结合全局最优合并算法实现光谱和边界合并,以得到最优化的分割结果。在道路区域被完整分割出来的基础上,利用形状特征提取道路,采用圆形度特征区分道路和非道路。利用2景Orb View3多光谱图像进行道路提取实验的结果表明,该方法的道路提取结果总精度和Kappa系数分别在97%和0.8以上,明显优于SVM监督分类方法。     

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.     

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。     

观测数据采样化的遥感影像非监督分割

为了实现影像的自动化分割,提出一种利用非监督方式将观测数据采样化的遥感影像分割方法。该方法利用欧氏空间的概率分布建模采样数据和观测数据,并将其映射到黎曼空间,通过不断将观测数据转换为采样数据的方式实现影像的自动采样化。每次采样过程只需计算观测数据点到采样点的测地线距离,将距采样点测地线距离最小的观测数据转化为采样数据,以保证采样数据不断趋于该类数据的真实分割结果,同时使算法能够有效分割具有不同像素数的类别。将算法应用于模拟影像和真实遥感影像分割,对其分割结果以及传统基于统计、基于模糊的非监督算法和基于神经网络的监督算法相应分割结果定性定量的对比分析验证了该算法的有效性及可行性。     

JSEG改进算法在多光谱遥感影像区域分割上的应用

图像分割是对图像进行感兴趣区域提取与识别的基础,是图像分析的关键步骤.基于区域分割的JSEG算法是一种既融合了颜色信息又融合了空间信息的图像分割方法,在普通图像和视频图像中都能得到良好的分割结果.将这一算法引入到遥感影像的分割中,并对其做出改进,使之适用于多光谱遥感影像和纹理特征复杂的遥感影像的区域分割.实验结果表明,该算法很好的解决了由于影像中复杂的地物信息而产生的不同区域边界模糊的问题.