基于相位一致的高分辨率遥感图像分割方法

基于分水岭变换的图像分割性能在很大程度上依赖于用来计算待分割图像梯度的算法。根据频域相位信息对图像特征的表征能力,引入相位一致的思想计算图像特征,应用Log Gabor小波提取高分辨率遥感图像的多尺度梯度。接着在对相位一致梯度进行分水岭分割时发现,在抑制分水岭算法的过度分割方面,经典的基于前景标记和背景标记的方法并不适合于遥感图像的分割,给出一种基于前景标记和梯度重建的分水岭算法。对IKONOS Pan图像上的农田、厂房和居民楼等地物进行特征提取和图像分割实验,结果表明相位一致方法优于空域特征检测算子,根据相位一致特征得到较好的分水岭分割结果。

结合光谱相似性与相位—致模型的高分辨率遥感图像分割方法

提出一种结合高分辨率遥感图像的光谱相似性与相位一致边缘检测模型的分水岭分割方法.分水岭分割算法的性能依赖于图像边缘梯度图.利用同类地物的光谱相似性特点,可有效抑制相位一致模型边缘检测中产生的伪边缘和噪声信息,从而获得更好的遥感图像分割结果.首先基于目标像元与其邻域像元之间的光谱曲线距离之和定义光谱相似性模型,结合相位一致模型获得边缘响应强度;然后利用自动标记分水岭变换方法实现高分辨率遥感图像分割.基于此方法和其它方法进行了分割实验,并利用基于多光谱信息熵方法对分割结果进行了非监督评价和比较,同时对比分析了计算耗时.结果表明此方法可有效抑制遥感图像过分割现象,并取得较好的分割结果.

一种边界引导的多尺度高分辨率遥感图像分割方法

针对高分辨率遥感图像分割过程中区域合并复杂性问题,提出了一种基于边界引导的多尺度遥感图像分割算法.一方面应用SUSAN算子提取高分辨率遥感图像中地物的边界用于限制区域增长过程;另一方面进行两阶段增长,首先应用基于图的分割算法进行基于像素的区域生长,然后进行考虑对象特征信息的区域合并.对宜昌城区某处融合后的QuickBird彩色图像进行了实验,并分别与无边界引导分割以及eCognition平台下图像分割效果进行了对比.结果表明,该方法可以有效抑制传统图像分割算法在低对比度区的区域融合问题,突破了分割尺度参数不能在全图取得合理分割的局限性.

结合MST划分和RHMRF-FCM算法的高分辨率遥感图像分割

针对基于像素的HMRF-FCM算法抗噪性差以及对地物复杂边界分割精度低的问题,提出一种结合形状信息的静态MST区域划分和RHMRF-FCM算法的高分辨率遥感图像分割方法。该方法定义一种静态MST同质区域划分准则,借助MST能较好表达边界和形状信息、能较好抑制几何噪声的特点,解决地物复杂边界的表达和降低分割结果中几何噪声问题。首先,利用MST静态划分将图像域划分成若干个均质区域,假设每个均质区域内光谱测度服从独立同一的多元高斯分布。然后,在此基础上构建了区域隐马尔可夫随机场模型,以及建立基于信息熵和KL信息正则化项的模糊聚类目标函数。最后,采用偏微分方法对分割模型参数进行求解,从而得到全局最优分割结果。为验证本文方法,对WorldView-3高分遥感图像进行分割试验。定性、定量分析了尺度参数、光谱相似性参数和区域紧致度参数对最优分割结果的影响,并对比分析本文算法和eCognition软件中的多分辨率分割算法、分水岭算法。

基于动态阈值区域分裂合并算法的高分辨率遥感图像分割研究

遥感图像分割是10多年前提出的一种图像处理算法,其目的是利用图像中的多种特征,如光谱特征、纹理特征、几何特征、上下文特征等,在一个特定的尺度上采取一定的标准对图像中的不同地理对象进行提取,常见的算法包括：分水岭分割算法、多尺度分割算法、均值漂移算法、四叉树分割算法等。

基于改进JSEG算法的高分辨率遥感图像分割方法

JSEG算法是一种有效的彩色图像分割方法,但该方法直接用于遥感图像分割时,往往会出现因遥感图像区域边界较模糊而导致区域边界分割不准确,或因区域阴影而导致的过分割现象。为了解决上述问题,提出基于改进JSEG算法的遥感图像分割方法,该方法利用能更好描述区域内颜色的同质性的局部同质矩阵来校正传统JSEG算法中的局部J值,以实现对区域边界的准确反映,提高区域边界分割的准确性;利用图像的LBP/C纹理特征,合并具有相似纹理信息的颜色类,以减弱传统JSEG算法的过分割现象。仿真实验验证了上述方法的有效性。

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。

基于深度学习的高分辨率遥感图像分割方法

以往高分辨率遥感图像分割方法由于没有对遥感图像中的数据模点进行检测,导致分割精度不高,本文设计了一种基于深度学习的高分辨率遥感图像分割方法。首先,通过对遥感图像进行预处理,保留重要的细节信息;其次,对预处理后的遥感图像进行特征提取,并对特征提取后的图像进行滤波处理,增加图像光谱的一致性;最后,利用深度学习方法对遥感图像中的数据模点进行检测,得到遥感图像的最终分割结果。通过实验并与以往的高分辨率遥感图像分割方法进行对比证明基于深度学习的高分辨率遥感图像分割方法具有更高的分割精度。

一种高分辨率遥感图像分割算法

文章研究总结了一种适合于高分辨率可见光遥感图像分割的算法。该算法是一种结合数学形态学区域分割算法和Canny边缘检测算法的综合图像分割算法,可以有效地将图像中的多个小目标分割出来。

基于多特征的高分辨率遥感图像分割方法

为满足高分辨率遥感图像应用对图像分割算法的要求,提出一种多尺度、多特征的高分辨率遥感图像分割方法。通过分水岭算法获取预分割区域,进一步引入多尺度、多特征的高分辨率区域归一化特征,通过区域生长算法建立地物不同尺度间的上下文关系。实验结果表明,该方法可以在保证算法效率同时,算法利用高分辨率遥感图像中的多光谱、多尺度信息,可获得较好的分割效果。

一种高分辨率遥感图像分割方法研究

针对高分辨率遥感图像分割方法计算效率低和分割精度差等问题进行研究。设计了一种新型网络结构,架构由端到端的新型全卷积网络框架构成,结合了密集连接的思想和全卷积层的体系结构,实现了每个层和所有其他层之间的直接连接。利用多尺度卷积核构造更宽的网络,提高了网络在不同尺度下的适应性。试验结果表明,提出方法在15尺度时精确度达到最大值92.2%,具有良好的分割性能。

基于双模态高效特征学习的高分辨率遥感图像分割

遥感图像因具有丰富的语义信息和空间信息,增加了语义分割的难度。然而已有提取双模态特征的分割方法采用相同的主干网络,没有考虑互补特征的差异,存在特征提取、特征融合和上采样恢复细节信息不足等问题,无法准确高效的学习高分辨率遥感图像信息。因此,本文提出基于双模态高效特征学习的高分辨率遥感图像分割算法。首先,针对不同模态的遥感图像设计合适的编码器,高效的提取双模态特征,并通过交互加强模块减少不同路径特征之间的差异。其次,提出双模态特征聚合模块和深层特征提取模块进一步融合和提取双模态特征,使网络能够充分学习互补信息。最后,提出多层特征上采样模块,利用语义信息丰富的高层特征对细节信息丰富的低层特征进行加权操作,逐步上采样实现特征高效恢复,提升分割性能。实验结果表明,所提算法在ISPRS Potsdam和Vaihingen数据集上的总体精度分别达到了94.52%、90.45%,能够高效的提取并融合高分辨率遥感图像的双模态特征,提高遥感图像分割的准确率。

融合多尺度特征的高分辨率森林遥感图像分割

为实现对青海三江源国家级自然保护区高原森林的有效监测,基于深度学习技术提出一种融合多尺度特征的遥感图像分割算法。首先,构建了该地区首个2 m空间分辨率的高原森林数据集;其次,为解决遥感图像真值标签不足影响网络模型训练的问题,针对森林遥感图像分割的特点提出一种将图像打乱重组的数据增强方法,将训练数据扩充至1 600张;然后,为解决主流分割网络处理大范围遥感图像存在无法聚焦细节的缺陷,基于编解码结构,提出一种融合多尺度特征的高分辨率森林遥感图像分割网络模型,该模型融合了所设计的卷积模块、多尺度特征融合模块和特征放大提取模块。实验结果表明,所提数据增强方法提升了模型的分割精度,同时该模型经数据增强训练,交并比(intersection over union, IoU)高达89.64%,结果优于当前主流图像分割模型。

基于改进坐标注意力和U-Net网络的高分辨率遥感图像建筑物提取

在城市规划、统计调查和灾害应急评估等领域,从遥感图像中准确提取建筑物至关重要。然而,由于高分辨率遥感图像中建筑形态的多样性和地面环境的复杂性,实现建筑的完整、高精度提取仍然是一个挑战。为此,本文提出了一种用于从高分辨率遥感图像中提取建筑物的新网络,该网络保留了U-Net的编码器–解码器结构,并融合了坐标自注意模块(CSAM),以调整网络对输入图像中不同区域的关注程度,使得网络能够有选择性地捕捉和强调重要的语义信息,增强特征提取能力。在空间分辨率为0.3 m的WHU建筑物数据集上进行的实验结果表明,与U-Net、PSPNet、DeepLabV3+相比,所提出的网络能够获得更准确的建筑提取结果,达到98.21%的像素精度、95.28%的精准率、94.57%的召回率和90.34%的交并比。

基于协同分割的高分辨率遥感图像变化检测

针对面向对象变化检测存在的多时相对象边界不一致的难题,基于计算机视觉领域的多视图像协同分割思想,提出一种面向多时相高分辨率遥感图像变化检测的协同分割方法.首先对多时相遥感图像进行协同处理,利用多时相信息发现变化特征,以光谱变化为指标,获得变化强度图,进而在变化强度图的引导下,结合各时相的图像自身特征进行分割,通过能量函数的构建和优化,直接生成边界准确、空间对应的多时相变化对象.利用两个时相的高分辨率航空图像进行实验表明,该方法可以较完整准确地分割出变化对象,通过建立其空间对应关系,能清晰地表达对象的变化过程,为高分辨率遥感图像面向对象变化检测提供了新思路.

高分辨率遥感图像道路分割算法

为了提高从高分辨率遥感图像(high-resolution remote sensing image,HRI)中提取道路信息的自动化程度和准确性,发展了一种HRI道路分割算法,主要包括光谱合并、边界合并和基于形状特征的道路区域提取等3个步骤。其中,前2个步骤是基于区域生长的图像分割算法。光谱合并综合考虑了区域的均值、方差等统计特征量,以提高分割精度;边界合并采用了基于矢量梯度的边界计算方法,以准确提取多光谱HRI中的边界强度;结合全局最优合并算法实现光谱和边界合并,以得到最优化的分割结果。在道路区域被完整分割出来的基础上,利用形状特征提取道路,采用圆形度特征区分道路和非道路。利用2景Orb View3多光谱图像进行道路提取实验的结果表明,该方法的道路提取结果总精度和Kappa系数分别在97%和0.8以上,明显优于SVM监督分类方法。

基于U-Net的高分辨率遥感图像语义分割方法

图像分割是遥感解译的重要基础环节,高分辨率遥感图像中包含复杂的地物目标信息,传统分割方法应用受到极大限制,以深度卷积神经网络为代表的分割方法在诸多领域取得了突破进展。针对高分辨遥感图像分割问题,提出一种基于U-Net改进的深度卷积神经网络,实现了端到端的像素级语义分割。对原始数据集做了扩充,对每一类地物目标训练一个二分类模型,随后将各预测子图组合生成最终语义分割图像。采用了集成学习策略来提高分割精度,在"CCF卫星影像的AI分类与识别竞赛"数据集上取得了94%的训练准确率和90%的测试准确率。实验结果表明,该网络在拥有较高分割准确率的同时还具有良好的泛化能力,能够用于实际工程。

基于区域合并的高分辨率遥感图像多尺度分割

图像分割是高分辨率遥感图像处理和分析的关键环节.本文探讨了将区域合并方法应用于高分辨率遥感图像多尺度分割的技术要点,旨在提升分割的精度和效率,获得地物对象的多尺度表达.主要研究内容包含如下五个方面:(1)图模型的构建,包括区域邻接图和最近邻图,以提高分割效率;(2)合并准则的确定,选择能有效表征区域同质性、形状和边界的图像特征并加以组合,提升分割精度;(3)合并策略的选择,针对寻优范围不同列出面向全局、面向局部以及混合区域合并等三种合并策略,并分析各自的特点;(4)尺度参数的设置,针对面向局部的区域合并策略提出递增的尺度参数序列控制方法,生成边界一致的多尺度分割结果;(5)分割树的设计,利用树中不同层级的节点表达不同尺度的分割区域,可快速输出多尺度分割结果.研究成果可应用于高分辨率遥感图像面向对象分析、地物目标识别和信息提取.

高分辨率遥感图像双解耦语义分割网络模型

语义分割是高空间分辨率遥感图像分析和理解的核心内容之一。现有基于深度学习的语义分割网络会导致遥感图像高频信息损失,边界分割不准确。针对此问题,本文提出一种双解耦语义分割网络模型,将提取的两级特征图解耦为具有高频特性的边界特征和具有低频特性的主体特征,并将解耦后的边界和主体特征图进行融合,从而改善高分辨率遥感图像语义分割性能。进一步提出了一种顾及边界和主体的损失函数,对地物要素及其边界和主体部分进行优化学习。在ISPRS Vaihingen和Potsdam 2D高空间分辨率遥感图像数据集上进行试验,与已有的遥感图像语义分割网络模型结果比较,双解耦语义分割网络模型能有效提高地物要素分割精度。