基于上下文分析的无监督分层迭代算法用于SAR图像分割

基于聚类的分割算法能够有效地分析目标特征在特征域的分布结构,进而准确判断目标的所属类别,但难以利用图像的空间和边缘信息,而基于区域增长的分割算法能够在空间域利用多种图像信息计算目标之间的相似性,但缺乏对特征结构本身的深层挖掘,容易出现欠分割或过分割的结果.本文结合这两种算法各自的优势,针对合成孔径雷达(Synthetic aperture radar,SAR)图像的特点,提出了一种基于上下文分析的无监督分层迭代算法.该算法使用过分割区域作为操作单元,以提高分割速度,降低SAR图像相干斑噪声的影响.在合并过分割区域时,该算法采用了分层迭代的策略:首先,设计了一种改进的模糊C均值聚类算法,对过分割区域的外观特征进行聚类分析,获得其类别标记,该类别标记包含了特征的分布结构信息.然后,利用多种SAR图像特征对同类区域的空域上下文进行分析,使用区域迭代增长算法对全局范围内的相似区域进行合并,直到不存在满足合并条件的过分割区域对为止,再重新执行聚类算法.这两种子算法分层交替迭代,扬长避短,实现了一种有效的方法来组织和利用多种信息对SAR图像进行分割.对模拟和真实SAR图像的实验表明,本文提出的算法能够在区域一致性和细节保留之间做到很好的平衡,准确地分割出各类目标区域,对相干斑噪声具有很强的鲁棒性.

结合区域增长与RANSAC的机载LiDAR点云屋顶面分割

建筑物屋顶面大小差异较大、形状复杂、数量不确定等特点,以及机载LiDAR点云密度不均、分布不规则、缺乏语义信息等特性,对屋顶面的准确分割造成了很大干扰,因此现有分割方法的精度和适用性仍有待提高。针对上述问题,本文提出一种结合区域增长与RANSAC的机载LiDAR点云屋顶面分割方法。首先,引入稳健的法向量估计算法计算点云法向量,利用提出的迭代区域增长策略和RANSAC提取多个可靠屋顶面片;然后,基于可靠屋顶面片参数和RANSAC计算内点的思想,迭代合并可靠屋顶面片,并精化屋顶面参数;最后,计算未能通过前面步骤分割的点到各屋顶面的垂直距离,将其标记为距离最小且小于阈值的屋顶面,并通过局部范围内投票的方式精化屋顶面分割结果。利用多个具有代表性的建筑物点云和一组区域建筑物点云进行试验,结果表明,所提出的方法可有效地分割不同复杂程度的建筑物屋顶面,并能较好地分割面积较小的屋顶面,以屋顶面和单点为评价单元的平均分割正确率为95.56%和97.93%,分割的结果可为建筑物三维模型重建、点云精简等应用提供可靠的信息。