基于自适应权值FNEA算法的高分辨率遥感图像分割

在高分辨率遥感图像分割方法中,分形网络演化算法(fractal net evolution approach,FNEA)是一种经典的影像对象构造方法。但在计算影像对象之间的异质性时,使用根据经验选择的固定权值会导致该算法不能很好地适应不同属性的影像对象分割。针对这一问题,提出了一种改进的FNEA方法,根据不同影像对象的空间和光谱特征,自适应地计算空间判据权值和紧凑度判据权值,并将不同光谱分量对光谱判据的贡献引入到影像对象之间异质性的计算中。计算机仿真实验结果表明,该文提出的算法对不同属性的影像对象具有很好的适应性,与同类算法相比,图像分割结果得到了较好的改善。

顾及多尺度分割参数的FNEA面向对象分类

首先对分形网络演化(FNEA)算法做了介绍,通过试验对比4种分割方法棋盘分割、四叉树分割、多尺度分割、光谱差异分割的效果。此外,通过e Cognition Developer 8.7分析软件对影像进行多尺度分割预处理,从5开始,以5为单位向上递增,共选取12组参数进行分割试验,采用面向对象CART分类器对分割后影像分类。对比分类效果图可知,小尺度分割参数对分类效果能有较好的提升;对比总体精度及Kappa系数可知,小尺度分割参数分类精度优于大尺度分割参数,且当分割参数Scale为10时,分类精度达到最好的级别。

基于高分辨率遥感影像数据的FNEA分割算法研究与应用分析

近年来,随着遥感技术和信息技术的发展,遥感影像空间分辨率也大大提高。基于像素的传统影像处理方式已经不能满足现实需求,面向对象的遥感影像分析已成趋势。因此,图像分割技术是进行其他图像处理与分析之前的关键步骤,分形网络演化多尺度分割算法(FNEA)是面向对象分析的核心。本文详细阐述了基于FNEA的多尺度分割算法的思想和流程,并结合遥感影像进行了分割实验与参数分析,对高分辨率遥感影像的研究与应用有一定指导意义。

基于改进的FNEA的遥感影像分割算法

针对分形网络演化算法(Fractal Net Evolution Approach,FNEA)中特征的利用问题和异质度权值的选择问题,提出一种改进的FNEA方法,充分利用影像的多特征信息,增加了纹理异质性,使得影像整体异质性包含的影像信息更加丰富,更加全面,同时对异质度权值的选择进行改进,根据不同异质度对不同对象分割的贡献度设定权值,使得权值的选择更加合理。实验结果表明,该方法对影像特征的利用更为合理,图像分割结果得到了较大的改善。

一种FNEA影像分割算法中初始对象的快速构建方法

针对分形网络演化法存在分割效率相对较低和区域合并准则无法适用于单像素区域对象2个问题,提出采用快速扫描法构建初始区域对象,进而采用基于异质性最小区域合并算法实现分形网络演化分割.实验证明,快速扫描法能快速构建初始区域对象.通过设置适当初始阈值参数,在不影响分割精度情况下,该方法较大程度上提高了整体分割效率.从可信度和通用性角度来看,具有较高的实用价值.

面向无人机影像的改进FNEA分割方法

针对无人机影像光谱信息量不足导致的影像分割精度较低和同类地块过度分割问题,本文设计了一种面向无人机影像的改进FNEA分割方法。首先,利用特征提取方法,构建原始RGB影像的不同纹理和植被指数特征影像;然后,基于改进分离阈值法选择最佳植被指数和纹理特征;最后,将最佳特征与原始RGB数据融合,采用FNEA算法进行影像分割。将改进FNEA方法与多种分割方法对比,结果表明改进FNEA方法的分割精度更高,同一地块内过度分割可得到较好控制,适合无人机影像的分割。

基于FNEA最优分割尺度下的塔里木河流域湿地提取研究

采用分形网络演变技术(FNEA)和eCognition处理平台,结合RapidEye高分辨率多光谱影像遥感影像,对新疆维吾尔自治区内塔里木河流域湿地提取进行研究。塔里木河流域影像覆盖面积较大,信息量丰富,本研究对影像数据进行主成分分析(PCA)处理,采用多尺度分割方法结合ESP分割尺度评价工具获取不同湿地类型最优分割尺度的参数。在FNEA分割结果上根据各湿地类型的光谱、纹理、空间关系分层分类,建立由易到难的分类规则集。结果证明,PCA可以去除影像冗余信息,其第一分量(PC1)与第二分量(PC2)均值可作为湿地提取的主要特征。基于FNEA的多尺度分类法可快速解决研究区内湿地分割尺度问题,准确完成信息的自动识别和提取,总体分类精度达到了87.7%,Kappa系数达到0.842。

基于分水岭和FNEA算法的图像分割

遥感图像分割,就是指将遥感图像分成各具特性的区域并提取出感兴趣的目标的技术和过程。本文主要对分水岭和FNEA(fractal net evolution approach)算法结合起来进行图像分割。

k均值聚类引导的遥感影像多尺度分割优化方法

针对不同尺度地物的分割需求,提出了一种k均值聚类引导的多尺度分割优化方法。首先对原始影像进行小尺度分割和k均值聚类,然后利用k均值聚类结果引导对象合并,在合并过程中利用Otsu阈值方法自动选择k均值聚类的影响因子,最终得到适应不同尺度地物的分割结果。以FNEA多尺度分割方法为例,利用模拟数据和真实的GeoEye-1影像数据进行相关试验,目视和定量评价表明本文方法能够得到适宜不同尺度地物的高质量分割结果。

基于小波纹理和基元合并的高分影像居民地提取

由于高分辨率全色影像(简称"高分影像")中的信息高度细节化,再加上噪声的影响,会导致传统基于纹理特征的居民地提取方法效果不理想。为此,提出一种基于小波纹理和基元合并的居民地提取方法。首先,利用结合小波变换(wavelet transform,WT)的分形网络进化算法(fractal net evolution approach,FNEA)获取初始基元,并对基元的多尺度小波纹理进行分析;然后,在人工给定种子基元的基础上合并具有相似纹理的基元;最后,对基元合并的结果进行数学形态学修整,得到居民地区域。利用天绘一号(TH-1)全色影像对所提方法进行验证及对比分析的结果表明,该方法对高分影像中的街区式居民地可取得较高的提取精度和计算效率。

选择利用Wishart和K统计描述的极化SAR图像分割

为得到极化SAR图像中不同异质程度区域的准确分割,本文提出一种选择利用Wishart和K统计描述的极化SAR图像分割方法。该方法采用分形网络演化算法思想,将简单线性迭代聚类算法生成的超像素作为初始对象;再根据区域异质度指标,选择利用Wishart分布或K分布描述对象的统计相似性;最终实现综合利用Wishart和K统计描述的极化SAR图像分形网络演化分割。通过模拟数据和真实极化数据进行实验并与其它方法相比较,结果表明,本文方法在整体上能准确分割不同异质程度的地物,在局部细节上分割结果边界更精细。

高分辨率遥感影像分割的城市绿地提取研究

城市绿地是生态文明建设的重要组成部分,绿地信息提取是城市绿地规划和建设的基础和前提。遥感影像分割是绿地信息分类提取的关键步骤,选择合适的影像分割方法能有效提高城市绿地提取精度。传统的遥感分割方法分割结果中边缘锯齿现象严重,与绿地实地边界相差较大,不符合绿地信息提取的要求。本文以高分辨率的WorldView影像为数据源,使用深度学习网络DeepLab-v3+对城市绿地进行分割研究,在分割基础上进行城市绿地信息提取。同时,本研究将该网络模型的分割和分类结果与基于Ostu、MeanShift、FNEA分割算法的分类精度进行比较。研究表明:DeepLab-v3+的分割性能最好,其分割边缘光滑,与绿地实地边界吻合度高,有效解决了传统分割算法的边缘锯齿问题;在各种分割分类算法中,DeepLab-v3+的分类精度最高,达到98.01%。

精准农业下无人机遥感技术的水稻提取方法研究

在世界各国推进精准农业发展的潮流下,无人机遥感技术已然成为推动农业走向精准化的最有利手段之一。为促进我国精准农业的发展,如何提高影像地物分类精度给我国农业发展改革、政策出台提供可靠的数据支持是目前亟需解决的一个问题。本文以分形网络演化方法(fractal net evolution approach-FNEA)对无人机影像进行最优尺度分割,在此基础上根据影像各地物类别的特征信息建立分类定义。实验结果表明:该方法对地物分类针对性强,可减少地物的错分、漏分,提高影像分类的整体精度。

高分辨率遥感影像分割方法

本文针对于FNEA分割算法具有过分割、欠分割及边缘不清楚的现象,提出一种改进的FNEA分割方法,首先,通过Canny算子引入边缘特征参与分割,同时引入一种自适应选取分割权值的方法确定分割参数。实验结果表明,提出的方法能够有效地应用于高分辨率遥感影像的分割,能够更好地应用于后续的地物分类以及信息提取。

基于分形网络进化分割和对象特征提取的GF-1卫星数据沙化土地分类识别研究

以高分一号(GF-1)为数据源,以浑善达克沙地为研究区,研究基于GF-1数据的沙化土地分类识别技术。文中的处理范围约为200km*400km,通过J-M距离和最终分类精度来确定每个类别对应的最优分割尺度,分割方法采用的是分形网络进化分割算法(FNEA),通过信息增益比、J48决策树、随机树、标准差和变异系数来确定最优分类对象特征,通过决策树和支持向量机(SVM)结合分类方法形成了半自动化的沙化土地分类识别流程,总体精度达到了85.61%,Kappa系数为0.8295。

边缘约束下的分形网络分割算法

分形网络演化算法(fractal net evolution approach, FNEA)是一种有效的多尺度影像分割算法,但对于具有斑点噪声、局部区域对比度低等特点的高分辨率合成孔径雷达(synthetic aperture radar,SAR)图像,直接应用FNEA算法得到的分割结果难以用于后续的面向对象影像分析。提出了基于边缘约束的FNEA(edge restricted FNEA,eFNEA)算法,通过加入边缘信息和构建异质性规则来为分割融入更多信息,提高分割效果。实验结果表明,对于微弱边缘和噪声污染严重等情形,eFNEA算法的分割结果均优于FNEA算法。

高分辨率遥感影像的全变分分割模型

由于全变分(Total Variation,TV)模型具有较好的去噪、增强和扩散等功能,在过去的几十年中,TV模型在图像去噪、增强和超分辨率重建等方面得到了深入研究与广泛应用。鉴于TV模型的理论与分割理论具有一致性,因此本文主要研究TV模型用于高分辨率遥感影像的分割,并针对地物多尺度特征,提出了自适应的TV(ATV)模型;且与目前流行的面向对象的影像分析软件eCognition中的FNEA分割方法进行了比较。实验采用2幅高分辨率遥感影像,同时采用了面向对象的分割和分类评价,得出各方法各具优缺点的结论。

一种多尺度全卷积神经网络驱动的遥感影像修复方法

结合深度学习,提出一种多尺度全卷积神经网络驱动的遥感影像修复方法。构建高斯金字塔实现多尺度变换,影像通过FNEA（fractal net evolution approach）算法进行分割,利用卷积层之间的激活函数值来寻找最佳匹配像素,最后通过全卷积神经网络反向传播函数对修补区域进行像素填充。多组实验验证了多尺度全卷积神经网络方法可以良好的修复遥感影像,有自动化高、效率高、目视修复效果佳的优势。

高分辨率影像分割的分形网络演化改进方法

分形网络演化是针对高分辨遥感影像的高精度分割方法。它是以像元自下而上进行地物域合并,直至满足区域对象间异质性值大于预设阈值,停止区域合并得到最终分割结果。当对大数据量遥感影像进行分割时,形成初始区域对象的速度较慢,并且数量较多,导致分割时间长,有待在整体分割效率上进一步提高。一种有效的改进措施是采用某种分割方法,快速生成初始区域对象,然后再以初始分割结果区域对象进行区域合并。本文提出一种自动种子点的并行区域生长分割方法,用于快速生成初始区域对象;提出均匀数据划分的并行区域生长策略及消除数据划分线两侧的区域对象方法;采用OpenMP并行技术实现并行区域生长过程。分割效果对比和效率分析结果表明,本文提出的初始分割方法效率较高,并且分割结果可重现,从可信度、通用性角度来看,具有较高的实用价值。

激光雷达点云辅助的高分影像分水岭分割方法

针对分水岭分割方法用于高分辨率遥感影像分割时过分割现象严重,且分割精度会受"同谱异物"现象的影响等问题,该文提出了一种激光雷达(LiDAR)点云辅助的高分影像分水岭分割方法,该方法利用高分影像和LiDAR点云两种数据源指导分割的进行:首先根据点云滤波结果将高分影像分为地物、地面两幅分影像进行分割合并,保证地物与非地物的正确划分;然后对过分割现象,提出了分形网格演化算法结合点云高程特征的合并准则,得到整体分割结果。实验证明该方法能有效改善"同谱异物"地类的混淆现象,可为复杂城区提供更精确的地类分割结果。