基于标记分水岭算法的高分辨率遥感图像分割方法

由于Quickbird等高分辨率遥感图像信息分布的特殊性,一些面向视频(或自然)图像分割方法并不完全适合于高分辨率遥感图像的分割.基于标记的Watershed图像分割算法是一种改进的分水岭算法, 它很好地被应用于人脸及其他一些场景图像的分割.把该方法引入高分辨遥感图像的分割,并针对遥感图像的特点,在分割之前采用中值滤波对高分辨率遥感图像进行预处理;同时,在分割过程中采用用小波滤波器替代Butterworth滤波器对梯度图像的低通滤波.不同地物特征的Quickbird图像的分割实验表明,对于纹理比较均一的高分辨率遥感图像,该方法避免了过分割现象,且效率较高;但对于纹理比较复杂的图像,该方法具有一定的局限性.     

基于改进的均值漂移算法的高分辨率遥感影像分割方法研究

影像分割是面向对象信息提取的关键,其分割结果的精度高低将对信息提取结果精度产生重要影响。本文在研究均值漂移(Mean shift)算法的基础上,对图像的多维特征向量加以改进。该改进算法先通过改进颜色特征距离公式来对高分辨率遥感影像进行预处理,然后加入纹理特征向量,并设置纹理特征的参数值和迭代次数,进而对高分辨率遥感影像进行分割。文章采用该改进的均值漂移算法对遥感影像进行分割实验,并与业界公认的ecognition软件的分割结果进行对比,实验结果表明:该改进算法得到的分割精度更高,能得到更好的分割结果。     

基于阈值分割与数学形态学的高分辨率遥感影像道路信息提取

从高分辨率遥感影像中快速,有效的提取道路信息,一直是遥感学界研究的热点和难点问题。本文研究了一种基于阈值分割与数学形态学的高分辨率遥感影像道路提取算法,该算法不需人工给出道路种子点,方向等信息,在某种意义上提高了道路提取的自动化程度。提取过程是:首先利用阈值分割将遥感影像分割成包含道路信息的二值图像,然后利用数学形态学运算对二值图像进行处理,根据道路形态特征提取出道路区域。     

基于邻接图的面向对象遥感图像分割算法

为解决高分辨率遥感图像自动化处理程度不高的问题,提出一种基于邻接图的面向对象遥感图像分割方法.综合利用遥感图像的光谱信息和区域形状信息进行图像分割,并采用了一种新的异质性度量准则.与经典软件eCogniton在QuickBird图像分割的效率和效果方面的对比分析表明,该算法在运算效率上较eCognition的多尺度分割方法可以提高近1倍.     

基于OpenCV的分水岭分割算法的研究及应用

本文对基于形态学分水岭算法进行了深入的研究,并针对其存在的过分割问题对分水岭算法提出改进:使用区域合并方法限制允许出现的区域的数目,这种改进的方法不仅可以很好地抑制过分割问题,还能有效分割出图像中的感兴趣区域,以达到提取图像有效边缘信息的目的。将此方法在OpenCV下进行实验,结果表明这种方法可以有效清除干扰噪声及局部极小值,从而得到精确的分割结果。     

一种改进的多光谱遥感图像超像素分割算法

针对简单线性迭代聚类算法在多光谱遥感图像超像素分割中存在的未充分利用图像特征信息及超像素尺寸、 数量固定导致分割精度较低的问题, 提出将流形 简单线性迭代聚类算法引入到遥感图像超像素分割任务中, 并对其进行改进. 首先, 给出一种基于彩色局部二进制模式改进的多光谱遥感图像纹理特征提取方法; 其次, 扩展流形 简单线性迭代聚类算法的光谱空间, 使算法可以适应高维图像数据; 最后, 改进流形 简单线性迭代聚类算法的聚类距离度量, 融合图像的多段光谱特征、 空间特征及纹理特征对像素进行迭代聚类, 实现内容敏感超像素分割. 实验结果表明, 与现有方法相比, 该算法对多光谱遥感图像的超像素分割结果更准确, 在边缘召回率、 欠分割误差、 可达细分精度指标上均有提升, 能改善多光谱遥感图像分割预处理方法中精度较低的问题.     

非洪泛的基于区域标记的图像分割与填充算法

提出了一种对大分辨率图像有效的、基于区域标记的图像分割与填充算法,能分割并填充高分辨率图像中任意形状的连通区域。算法不使用栈结构,不使用递归方法,仅通过一次标记和一次填充过程即可完成对主连通区域的分割和填充,不仅易于实现还克服了基于洪泛的种子填充算法和扫描线填充算法容易出现栈空间溢出的缺点,具有较强的实用性。     

采用改进YOLOv3的高分辨率遥感图像目标检测

由于高分辨率遥感图像存在目标排列密集、尺寸差别大等情况,传统算法难以准确地对其进行目标检测。在YOLOv3算法的基础上,提出一种改进的高分辨率遥感图像目标检测算法(remote sensing-YOLO,RS-YOLO)。利用K-means聚类算法对数据集进行聚类,重新设计适合遥感图像的先验框; 引入高斯模型计算预测框的不确定度,以提高网络对预测框坐标的准确度; 使用弱化的非极大值抑制算法(soft non-aximum suppression,Soft-NMS)对预测框进行处理,增强算法对密集排列目标的检测能力。实验结果表明,改进后的算法能够对高分辨率遥感图像进行有效的目标检测,以NWPU VHR-10数据集为例,RS-YOLO的平均检测精度达到了87.97%。     

面向高分辨率卫星图像的几种图像分割算法稳定性对比分析

将基于均值漂移和图模型的图像分割算法及这两种算法的混合算法应用到高分辨率卫星光学图像,并对比了它们在分割遥感图像时的稳定性。均值漂移算法是一种基于核密度梯度估计的特征空间分析算法,其实质是一种统计优化过程。基于图模型的算法将一幅图像抽象为一个无向图,通过不断合并图结点,将这个图分割为多个连通分量,进而实现一幅图像分割。混合算法首先利用均值漂移技术对图像进行滤波,然后再使用图分割算法对图像进行分割。实验结果显示,均值漂移算法分割结果对其参数变化较为敏感,而基于图模型的算法和混合算法则较为稳定。     

一种基于Hop-Along的遥感图像道路提取算法

基于数值形态学的道路提取是遥感图像处理的常见问题,通常结构元素的选取复杂多变,降低了算法的自动化程度.文章结合数值形态学和Hop-Along算法,对影像进行预处理、阈值分割,得到包含道路信息的二值影像;使用数值形态学的腐蚀运算及形态重建,得到主要道路网络;使用局部Hop-Along算法进行多线拟合,得到单像素的道路中心线.通过对高分辨率遥感图像的Matlab实验证明,算法大幅降低了选取结构元素的次数,提高了自动化程度,且保持了数值形态学的几何学特性.     

基于加权小波分析的遥感图像融合算法

提出一种基于加权小波分析的遥感图像融合算法. 首先在光照色度饱和度空间上提取多光谱图像的光照强度分量, 对光照强度分量进行主成分分析获得修正的光照强度, 再将修正的光照强度与小波分析高频区域进行加权融合, 最后进行小波分析与光照色度饱和度空间逆变换获得遥感图像的最终融合结果. 该方法有效解决了在低频空间分辨率与高频空间分辨率的图像融合过程中, 小波分析方法丢弃低频分量易产生分块模糊现象, 且主成分分析方法易产生光谱图像信息域失真的问题. 在不同场景遥感图像的融合上进行仿真实验, 结果表明, 该算法在一定程度上解决了图像融合后边缘模糊、 融合结果中出现模糊块状阴影等问题, 并在清晰度、 纹理细节和真实性上获得了较大提升, 且能针对不同的融合需求调整合适的加权系数, 使遥感图像的融合达到最佳效果. 在光照色度饱和度空间, 加权小波分析进一步提升了遥感图像融合的效果, 不仅充分表达了各种遥感图像的细节, 而且能较好地保留原始光谱信息.     

基于区域分割的彩色航空影像建筑物自动检测

为了从高分辨率遥感图像中完整提取建筑物区域,采用区域分割的原理,研究了建筑物自动检测的方法。该方法首先利用利用K-Mean分类方法将地物分为两类:人工地物类和非人工地物类,然后利用阴影、Mean Shift分割信息来剔除人工地物类中干扰区域,再根据形状分析来确定真实的建筑物区域。本文用上述方法对高分辨率航空影像进行了实验,实验结果证明了该方法有着较高的识别率、较好的准确性和鲁棒性,具有实用价值。     

基于最小二乘支持向量机和高分辨率遥感影像的大尺度区域岩性划分

基于大尺度区域分割的理念,提取高分辨率遥感图像中与岩性相关的纹理、形状、光谱信息,利用最小二乘支持向量机(LS-SVM)在非线性预测中的优势,对研究区地质岩性进行识别。首先对高分辨率图像中与岩性相关的光谱、纹理、形状、高程等特征信息进行样本选取,选取过程中以图像的纹理为主要特征信息,同时以J-M距离、转换分类度为依据选取最优特征空间,采用因子分析变换降维对特征空间进行压缩,实现特征信息最优化;然后对已知样本进行训练,建立分类模型,评价模型精度;最后利用模型对研究区进行岩性划分,并进行分类后处理。研究结果表明:基于LS-SVM的分类方法在利用高分辨率遥感图像岩性识别中表现良好,为地质岩性分类提供了一种新的方法和手段;加入纹理等信息后的LS-SVM分类模型更加利于岩性的判别。     

基于局部均值和标准差的Curvelet变换遥感图像融合算法

为充分利用各种遥感图像的有用信息,在Curvelet变换的基础上,提出一种基于局部均值和标准差限定的遥感图像融合算法.通过Curvelet变换将同一场景下的高空间分辨率全色图像和低分辨率多光谱图像分解到不同尺度、不同方向的频带范围内,然后对低、高频系数分别采用最大值法和局部均值及标准差限定法的融合规则进行融合,最后进行Curvelet反变换得到融合图像.实验表明,基于该融合规则的Curvelet算法优于传统的遥感图像融合算法.     

基于改进RFBNet算法的遥感图像目标检测

针对遥感图像中的小目标存在信息少、易受背景干扰、特征表达较弱等缺陷, 导致目前通用目标检测算法在对这类小目标进行检测时效果不理想的问题, 为提高对遥感图像中小目标的检测能力, 提出一种基于RFBNet的改进算法. 该算法以RFBNet为框架, 首先利用自校正卷积取代特征提取网络中的常规卷积, 以扩展感受野丰富输出, 进而强化对弱特征的提取能力; 然后设计多尺度特征融合模块, 丰富浅层特征图的抽象信息; 最后设计稠密预测模块, 提前在较浅层整合上下文信息, 使最后阶段的每层输出都含有丰富且联系紧密的多尺度特征信息. 将该算法在数据集UCAS_AOD和NWPU VHR-10上进行实验, 平均检测精度分别达83.4%和94.8%. 实验结果表明, 该算法有效提高了遥感图像中目标检测的精度, 且针对遥感图像中的小尺度目标检测问题改善明显.     

改进的Mean-Shift遥感影像分割方法

基于高斯核Mean-Shift(MS)算法因收敛速度慢难以满足遥感图像处理的实时应用要求,提出一种改进的MS算法应用于遥感图像分割.针对传统MS算法需多次人工试用来确定固定带宽的问题,给出几种类型遥感影像的空间带宽参考值,且不同波段影像用plug-in规则分别计算值域带宽.针对遥感影像数据量大、MS迭代计算时间长的不足,使用一些加速策略来加速收敛;由于采用MS算法检测出的模点数较多,采用基于全局模点融合来稳定遥感影像分割结果;可用于分割遥感影像的特征很多,模点检测时用灰度特征,全局模点融合时用纹理特征,这样充分利用了遥感影像多维特征且不降低计算速度.采用Quickbird影像进行分割试验,研究结果表明:本文算法自适应程度高,速度和精度也能满足应用要求,是一种稳健的自动分割方法.     

基于自动多种子区域生长的遥感影像面向对象分割方法

在遥感影像分割分类中,种子区域生长算法是一种常见的分割算法.传统的种子区域生长算法只能提取单一连续的、纹理简单的目标地物,而对具有复杂纹理和多光谱特征的遥感影像,分割时存在分割效果差、不能同时有效地提取多个地物的问题.针对以上问题,本文提出了一种改进的面向对象的自动多种子区域生长算法.该方法适用于同时提取多个目标地物,且分割效果好.该方法首先使用一种改进的中值滤波对影像进行平滑处理,使目标内部一致性更高,同时保留纹理信息.然后通过一定的准则进行自动种子选取并进行生长,最后对生长后的区域进行碎斑合并处理,最终得到多种对象的分割结果.本文采用三组不同大小的1m空间分辨率的航空影像进行实验,通过与分水岭以及传统单种子区域生长算法的多组实验对比,发现该方法可以面向全局对象,自动选取覆盖各种地物类型的种子,同时对多种地物目标进行分割处理,可为后续面向对象影像分析和应用提供可靠的数据基础.     

基于独立分量分析的遥感影像分类方法

多光谱遥感影像反映了不同地物的光谱特征,其分类是遥感应用的基础。独立分量分析对未知的源信号的混合信号进行估计,可以获得相互独立的源信号的近似。独立分量分析利用了信号的高阶统计信息,对于多光谱遥感影像而言,其去除了波段影像之间的相关性,获得的波段影像是相互独立的。最后通过TM遥感影像数据的分类试验,验证了基于独立分量分析的线性光谱混合分析模型应用于多光谱遥感影像非监督分类的有效性。