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.     

高分辨率遥感影像分割提取构筑物评估

面向对象的影像分析已成为针对高分辨率遥感影像信息提取和行业应用的一种先进方法.该方法的实用效果,基础和关键在于对影像中所关注地物目标的影像分割提取效果.针对高分辨率遥感影像地面构筑物的提取,采用经验性符合统计比较法,把自动分割结果与人工分割提取的地面构筑物区域轮廓相对符合程度分为3个等级:良好、可以接受和不可接受,对当前应用广泛的两种多尺度影像分割方法进行了地面构筑物分割提取效果评估.     

基于BKNNSVM算法的高分辨率遥感图像分类研究（英文）

为了解决局部支持向量机算法KNNSVM存在的分类时间过长不利于具有海量数据量的高分辨率遥感图像分类的不足,提高KNNSVM的算法表现,提出了改进的基于不确定性的BKNNSVM算法.该算法利用二项式分布的共轭先验分布Beta分布根据近邻的分布情况推导该未标记样本属于正类或负类的概率大小,从而计算每一个未标记样本在类属性上的不确定性大小.再通过设置不确定性阈值的大小,对不确定性低于阈值的未标记样本直接采用KNN进行分类,而对高于阈值的样本利用其近邻建立局部支持向量机分类器进行分类.对高分辨率图像分类的实验结果表明:合适的阈值能够有效降低原始KNNSVM算法的时间开销,同时能保持KNNSVM分类精度高的特点.     

基于区域生长算法的彩色遥感图像分割

与普通彩色图像相比,遥感图像一般具有模糊、不均匀性等特点.提出了一种针对遥感图像的多区域彩色图像分割方法,该方法首先对彩色遥感图像进行预处理,然后结合K-mean聚类算法和区域生长算法分割目标区域,并利用数学形态学方法对分割结果进行后处理.实验结果表明,本文所提出的方法对彩色遥感图像能获得较好的分割效果.     

基于形态学梯度重构的高分辨率遥感影像分割方法

基于形态学梯度重构提出一种用于高分辨率遥感影像的分割方法.针对遥感图像的特点构建多形状结构元素,然后使用该结构元素对图像提取形态学梯度并进行开闭重构;根据人的视觉特征,对梯度的高对比度区域进行还原,用于保证较高的局部对比度;最后使用浸没式分水岭变换获得分割结果.对IKONOS影像进行分割实验,结果表明了该方法的有效性.     

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.     

基于分水岭变换及分层区域合并的城市高分辨率影像分割

针对城市区域高分辨率图像的特点, 以及传统的基于分水岭变换的图像分割方法中存在的过分割问题, 提出一种分割区域的分层合并方法来改进分割结果。首先采用多通道分水岭分割得到初始分割结果, 然后通过定量分析城市不同地物内部光谱变化性的特点, 对影像进行分层, 并对不同的层分别进行合并, 得到最终的分割结果。采用一景北京地区的QuickBird影像, 从目视评价、定量指标计算以及应用等3个方面, 对提出的方法进行验证和评价, 并与现有的分割方法比较。结果表明, 与现有方法相比, 基于分层区域合并的方法可得到更准确的分割结果, 适合城市高分辨率图像的分割。     

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DLSVM算法的高分辨率遥感图像分类研究

为了进一步提高高分辨率遥感图像的分类精度及效率,融合支持向量机SVM及局部支持向量机KNNSVM算法,借助主动学习相关理论,提出了基于距离的局部支持向量机算法(DLSVM).该算法通过对未标记样本和超平面之间的距离与预先设定的距离阈值相比较,判断是否需要进一步建立局部支持向量机KNNSVM来确定样本的类标.对实际的高分辨率遥感图像分类的实验结果显示:在合适的距离阈值与K值的设置下,该算法能够提高支持向量机SVM的分类精度,同时大大降低KNNSVM算法的时间消耗.     

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%。     

高分辨率影像道路提取的整体矩形匹配方法

提出了一种整体矩形匹配方法,对高分辨率遥感影像中的城市直线道路进行提取.方法基于影像特征、道路知识和数学形态学的击中击不中思想,通过改变影像分割阈值、矩形宽度和矩形方向,从矩形的内部和外部进行整体匹配,使得矩形满足最佳匹配原则,从而提取出道路.利用提出的方法对高分辨率卫星影像进行了实验.结果表明:该方法能较好地消除树木、汽车等对道路提取的影响,有效地提取出直线道路的边缘.     

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。     

基于目标匹配的遥感图像变化检测方法

针对传统的像素级遥感图像变化检测方法中检测精度严重依赖于图像配准、辐射校正和差异图像阈值选取的问题,提出了一种基于目标匹配的目标级遥感图像变化检测方法。该方法直接作用于2幅未经配准和辐射校正的不同时相遥感图像,利用目标的区域不变矩与目标之间的角度关系对目标进行匹配,将不能匹配的目标作为变化目标,利用匹配目标对2幅图进行配准,以同时实现图像的配准与变化检测,并用配准结果对变化检测结果进行修正。实验结果表明,该方法具有较好的定性检测性能。     

Bresenham算法及其在遥感影像图形绘制中的应用

为解决遥感影像解译样本数据在使用过程中涉及的直线图形栅格化问题,文章在分析了经典Bresenham算法原理及关键点的基础上,提出了通过直线斜率整体考虑8个扇区方向一体化实现方法。利用误差判别式e表征变量的增量,准确选择下一个像素点,完成直线图形像素的正确扫描。将算法应用于样本数据中地面照片视野范围的绘制,结果表明:算法在0~360°各个视野角度具有很好的适用性,绘制效率和准确性优于现有其他算法,适用于遥感影像直线图形绘制。     

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.     

基于多随机场遥感图像分割

结合二维Wold分解技术来对遥感图像进行分割，将图像分解为确定性随机场和纯不确定性随机场，通过调整它们之间的比例关系，来加强纹理边缘，从而改善马尔可夫标记场模型对纹理边缘过平滑的现象．实验对城区目标进行提取，结果表明本方法的有效性优于纯马尔可夫随机场所采取的分割方法．     

基于相似性度量的高分辨率SAR图像无监督分割

SAR图像中斑点噪声的存在给分割造成了严重的影响.为此,基于JSEG平台,针对高分辨率SAR图像的特点,提出了一种新的相似性度量,这也是该无监督分割算法的核心.该算法主要由预处理、纹理组合和区域生长三个步骤来完成.在纹理组合中,利用新的相似性度量标准,把预处理后的SAR数据通过计算映射成一组新的数据,这组新数据可初步表征图像的分割;最后利用简单的区域生长完成分割.实验结果表明,该方法充分利用了SAR图像的特征信息,能够准确实现对SAR图像的分割,并具有很好的稳健性.     

遥感图像中机场跑道的检测

针对遥感图像中机场跑道区域比较狭长的特点,提出了一种新的检测遥感图像中机场跑道的方法.对原始图像的二值图像进行一系列数学形态学操作和逻辑运算,实现感兴趣区域的增强,以此为基础,借助Hough变换检测出跑道区域的中轴线.应用图形学中的Bresenham算法,对每务中轴线取平行线,得到机场跑道区域.通过对大量的图片进行测试表明,该方法可以较准确地检测出机场跑道.     

基于RF模型的高分辨率遥感影像分类评价

以QuickBird高分辨率遥感影像为主要数据源,采用多尺度影像分割方法提取地物对象的光谱、纹理和形状特征;在此基础上,构建基于随机森林（RF）方法的遥感影像分类模型,分析和评价特征变量对模型重要性与稳定性的影响。结果表明:1研究区最优分割尺度参数为70、形状因子0.2、色彩因子0.8,同时构建研究区乔木、灌木和草地等8个景观类型的光谱、纹理和形状等32个特征变量信息;2选择5 000棵树和1个节点变量构建的RF分类模型的总体精度为0.94,Kappa系数为0.93,OOB（Out of Bag）数据泛化误差为6.01%;3通过分析特征变量的重要性发现,Ratio_la₁和Ratio_la₂等光谱特征的重要性值明显比形状特征和纹理特征的高;4基于平均下降精度,选择16个变量构建RF模型时总体精度达到0.94,Kappa系数0.93;5基于基尼指数构建的RF模型,在19个变量时总体精度和Kappa系数达到峰值。相比较而言,基于平均下降精度构建的RF较稳定。