全色遥感图像中城区的快速模糊分割算法

提出一种全色遥感图像中城区的快速模糊分割算法。该算法基于模糊集理论,根据贝叶斯准则建立相应的隶属函数,并分析选取城区在全色图像中有效的特征,逐步实现城区的分割。实验以SPOT-5全色图像为例,并对模糊训练的可靠性进行分析,最后与区域增长法和多尺度几何信息分割算法进行比较。实验表明,该算法简单准确快速,能够为一些重要的应用提供有效支持。

高分辨率全色遥感图像多级阈值分割

针对模糊熵多级阈值分割方法存在模糊特性不足、计算量大、自动性差等问题,提出一种基于区间二型模糊熵的高分辨率全色遥感图像多级阈值分割方法。首先,利用岭型模糊隶属度函数构造区间二型模糊集,由构造的模糊集和阈值个数,在多级图像分割场景中定义区间二型模糊熵。然后,利用量子比特将其模糊参数集编码为量子染色体,设置若干量子染色体构成初始种群,并以定义的区间二型模糊熵作为适应度评价函数,对种群中的个体进行适应度评价,保留和记录最优个体。在提出的进化策略中,利用量子旋转门的动态旋转角机制使种群以更好的适应性和效率自动确定模糊参数的最优组合,据此,以最大模糊性原则得到多级阈值,实现图像最优多级阈值分割。在实验中选取基于最大熵和模糊熵的多级阈值分割方法作为对比算法,对具有不同地物的高分辨率全色遥感图像进行了分割实验。实验平均评价结果表明本文方法能在减少计算时间的同时获得更好的分割结果,面积加权方差降低了39.7%,Jeffries-Matusita距离降低了14.7%,运行时间为6.403 s。可满足高分辨全色遥感图像分割结果对空间连续且光谱均匀的要求且具有高实时性。

基于过渡区特征的全色遥感图像冰雪识别

针对全色图像的冰雪识别问题,以过渡区理论为基础,提出基于过渡区特征的冰雪识别方法。首先利用K-均值聚类方法分离云、雪与其他地物,再通过SUSAN(smallest univalue segment assimilating nucleus)边缘检测提取过渡区图像;然后设立描述过渡区大小的特征量——厚度,并与过渡区的均值和方差特征量组合成特征向量,用以分析过渡区特征,识别具有冰雪过渡区特征的点,构成冰雪边界;最后经过边界生长和区域填充,实现冰雪识别。以"北京一号"小卫星全色图像为遥感数据源,应用该方法及过渡区阈值法、迭代自组织法和面向对象纹理分析法分别提取冰雪覆盖区。该方法的冰雪识别精度达到97.39%,明显高于其他识别方法,表明该方法能获得较高精度的冰雪识别结果和丰富的边缘信息,可为云雪分离及雪线提取等方法研究提供参考。

高频域多深度空洞网络的遥感图像全色锐化算法

遥感图像全色锐化是提取多光谱图像的光谱信息和全色图像的结构信息,将其融合成高分辨率多光谱遥感图像的过程。然而,高分辨率多光谱图像会存在光谱或结构信息的缺失问题。为了优化这一问题,该文提出一种基于多深度神经网络的遥感图像全色锐化算法,该算法有结构保护和光谱保护2个模块。结构保护模块使用滤波操作,提取全色图像和多光谱图像的高频信息,然后采用多深度神经网络提取图像的多尺度信息,从而提高模型的空间信息提取能力,减小过拟合的风险;光谱保护模块通过跳跃连接将上采样的多光谱图像与结构保护模块相连接,以保护图像的光谱信息。为了验证新模型的有效性,在相同实验条件下,将所提方法与多种遥感图像全色锐化算法进行比较,并从主观视觉效果和客观评价2个方面进行评估。实验结果表明,所提方法能够改善当前算法存在的结构信息缺失现象,更好地保护多光谱图像的光谱信息以及全色图像的结构信息。

基于区域的多尺度全色遥感图像分割

针对边缘信息不足导致的图像误分割问题,提出一种基于区域的多尺度全色遥感图像分割方法.首先,利用曲波变换对图像进行多尺度分析,获取多尺度分解图像;然后,利用规则划分技术将其图像域划分成一系列子块,结合统计方法,建立基于区域的多尺度统计分割模型;接着设计可逆变马尔可夫链蒙特卡罗(RJMCMC)算法求解该分割模型;最后,利用所提出方法对全色遥感图像进行分割实验,实验结果表明,所提出方法能够有效解决图像误分割问题,并较好地实现图像分割.

基于局部特征差异的异源图像融合算法

针对现有异源图像融合多以光学图像为主、合成孔径雷达(SAR)图为辅和光学图像极易受传播媒介干扰且不能同时保留纹理细节与颜色信息等问题,提出一种新的基于局部特征差异的异源图像融合算法。首先通过自适应分割将SAR图像划分为规则特征区和不规则特征区两个区域;然后进行平移不变离散小波变换(SIDWT),再根据局部特征差异性设计融合规则,将SAR图像与全色遥感(PAN)图像的小波系数进行融合,以期保留图像的特征信息与色彩信息;最后通过信息量、清晰度等客观评价指标对融合结果进行评价与分析。仿真实验证明了算法的有效性。