遥感影像直觉模糊集分割法

针对传统模糊聚类算法在影像分割中忽略影像成像过程带来的光谱测度不确定性及聚类过程中像素类属非隶属性的问题,本文提出了一种基于直觉模糊集的遥感影像分割算法。首先,设计直觉模糊发生器,并通过最大熵法分析影像光谱测度不确定性,求解波段指数以将遥感影像转化为直觉模糊集,从而对影像的光谱测度不确定性进行建模。然后,在聚类过程中同时考虑像素类属隶属度和像素类属非隶属度,结合直觉模糊集间距离定义目标函数,提高算法对类属模糊信息的处理能力,实现遥感影像的精准分割。最后,分别利用本文算法和比较算法对模拟影像和真彩色遥感影像进行分割试验。分割结果的定性、定量评价表明,本文算法能够更好地处理影像本身和聚类过程中的不确定性,获得更高精度的影像分割结果。

基于隐马尔可夫高斯随机场模型的模糊聚类高分辨率遥感影像分割算法

本文利用隐马尔可夫随机场和高斯模型分别建立标号场和特征场的邻域关系,提出了基于隐马尔可夫高斯随机场模型的模糊聚类分割算法.该算法用隐马尔可夫随机场模型定义先验概率,并将该先验概率作为尺度控制因子引入到KL(Kullback-Lerbler)信息中,在目标函数的定义中,KL信息作为规则化项,其系数表示算法的模糊程度.在基于高斯模型的后验概率中,像素相关性被定义在空间和谱间,并用该概率的负对数值表征像素点到聚类中心的非相似性测度.通过对合成遥感影像和高分辨率遥感影像进行分割实验,证明了算法的有效性和普适性.

结合HMRF模型的模糊ISODATA高分辨率遥感图像分割

模糊ISODATA(Fuzzy ISODATA,FISODATA)在应用于图像分割时,FISODATA算法定义的FCM目标函数未考虑邻域像素间的数据相关性,导致该算法的抗噪性能较差;此外,FISODATA算法中分裂-合并操作需人工选取阈值参数,而不适当的阈值往往使得该算法陷入局部极值,因而得到错误的类属数并影响图像分割结果。该文将考虑邻域关系的基于隐马尔可夫随机场(Hidden Markov Random Field,HMRF)FCM(HMRF-FCM)方法纳入ISODATA框架,提出HMRF-FCM ISODATA(HMRF-FISODATA)算法,在分裂与合并操作后增加了优化操作,并根据优化结果自适应调节控制聚类分裂与合并的各阈值。该算法不仅能够快速获取正确类属数,而且克服了FISODATA算法没有考虑邻域像素的关系、人工选取阈值参数和受图像噪声影响大等问题,实现了自动正确确定类属数的同时完成高精度图像分割。

可变类谱聚类遥感影像分割

为实现遥感影像分割中类别数的准确、自动判别,提出了一种可变类谱聚类算法.根据影像的相似图构建权值矩阵和标准Laplacians矩阵,计算Laplacians矩阵较小特征值对应的特征向量生成特征向量矩阵,并视其与像素对应的向量行为像素特征点集;研究Laplacians矩阵处于不同(近似)块对角结构时类属同一目标类像素特征点的聚集性,定义聚类度指标,计算不同分割类别数对应聚类度;选择聚类度将发生最后一次较大跳变时的分割类别数作为算法估计类别数,并采用FCM(Fuzzy C-Means)算法划分该类别数对应像素特征点集实现影像分割.分别采用提出算法和基于特征间隙的算法分割合成及真实遥感影像.实验结果表明提出算法可准确地判别影像类别数.

高斯Copula的多光谱遥感影像分割

为了充分利用多光谱影像波段间的相关性,提出高斯Copula的多光谱遥感影像分割方法.首先,建立基于马尔可夫随机场的标号场模型,使用Potts模型刻画该标号场.然后,建立表征像素光谱测度的特征场,利用高斯Copula建立像素光谱测度的多变量统计模型以刻画该特征场.结合标号场、特征场模型及各模型参数的先验概率,利用贝叶斯定理建立多光谱影像分割的后验概率模型.最后,设计适用于模拟后验概率模型的M-H算法,在最大后验概率策略下获取最优分割结果.对模拟和真实多光谱影像分割结果表明,文中方法描述波段间相关性的能力较强,准确性较高.

结合高斯回归模型和隐马尔可夫随机场的模糊聚类图像分割

为了克服经典模糊聚类图像分割算法对图像噪声的敏感性,该文提出结合高斯回归模型(GRM)和隐马尔科夫随机场(HMRF)的模糊聚类图像分割算法。该算法用信息熵正则化模糊C均值(FCM)的目标函数,再用KL(Kullback-Leibler)信息加以改进,并将HMRF和GRM模型应用到该目标函数中,其中HMRF模型通过先验概率建立标号场邻域关系,而GRM模型则在中心像素标号与其邻域像素标号一致的基础上建立特征场邻域关系。利用提出的算法和其它经典算法分别对模拟图像、真实SAR图像以及纹理图像进行了分割实验,并对分割结果进行精度评价。实验结果表明,该文提出的算法具有更高的分割精度。

结合Voronoi划分HMRF模型的模糊ISODATA图像分割

为了解决传统模糊聚类图像分割方法对噪声敏感及无法自动准确确定聚类数的问题,提出结合Voronoi划分HMRF模型的模糊ISODATA图像分割方法。利用Voronoi划分将图像域划分为若干子区域,以划分子区域为基本单元定义基于隐马尔科夫随机场(HMRF)模型的模糊聚类目标函数,以解决噪声敏感问题;通过迭代自组织数据分析技术算法(ISODATA)中聚类分裂、合并技术改变聚类数,以实现聚类数的自动确定。对模拟、合成图像和真实图像分割结果的定性、定量分析表明:提出算法不仅可以有效克服噪声和像素异常值对分割结果的影响,而且还能自动准确确定聚类数,实现自动变类图像分割。

结合马尔可夫高斯模型的双邻域模糊聚类分割算法

针对传统模糊C均值(FCM)算法采用欧几里得测度描述像素与聚类间的非相似性对噪声和异常值敏感的问题,提出基于马尔可夫-高斯模型、且包含特征场和标号场双邻域的模糊聚类分割算法.首先根据马尔可夫模型能够结合邻域像素作用的特点在标号场上建立与邻域像素相关联的能量函数,确保相同邻域系统内的像素属于相同类别的概率较之不在相同邻域系统内的像素更大,最终实现标号场邻域系统的建立;而后在特征场上利用Gaussian模型描述像素与聚类间的非相似性测度,并结合相邻像素对非相似性的影响构建特征场邻域模型,即利用中心像素和邻域像素特征与聚类均值矢量的差异代替传统像素特征与均值矢量的差异构建Gaussian模型;最后结合标号场和特征场邻域构建包含双邻域的模糊聚类分割模型,实现高精度模糊聚类分割.通过与现有多种典型FCM算法对模拟影像和真实彩色影像的实验以及分割结果的对比分析,证明了文中算法的有效性.

邻域约束高斯混合模型的模糊聚类图像分割

针对传统模糊聚类分割方法无法有效模拟数据分布特征的问题,提出基于邻域约束高斯混合模型的模糊聚类图像分割算法.利用高斯分布刻画聚类内像素光谱测度统计特征,定义像素与其邻域像素相关性的先验概率,并作为高斯混合模型中各高斯分量权重系数,构建包含特征场邻域作用的高斯混合模型.利用高斯分量描述像素与聚类间的非相似性测度,建立基于高斯混合模型的模糊聚类目标函数.在传统模糊聚类方法基础上,采用高斯混合模型定义像素与聚类间的非相似性测度,并在高斯混合模型中融入邻域作用,有效解决数据具有多峰值特征的问题.最后通过实验验证文中算法的准确性.

采用非规则标识点过程的LiDAR点云数据目标提取

针对LiDAR点云数据目标投影几何的非规则性,提出非规则标识点过程的LiDAR点云数据目标提取方法。首先,在投影平面上定义随机点过程,利用其随机点定位该平面上的目标投影,对每一随机点生成一组节点集以建模该目标投影几何,作为目标标识;假设地物目标高程值服从独立同一高斯分布,从而得到LiDAR点云数据高程测度模型;在贝叶斯理论架构下建立目标几何提取模型,并结合可逆跳变马尔可夫链蒙特卡罗(Reversible Jump Markov Chain Monte Carlo,RJMCMC)算法模拟后验分布以及估计各参数;最后根据最大后验概率准则,求解最优目标提取模型。采用提出方法对LiDAR点云数据进行目标提取,根据实验结果可以看出,算法得到的检测精度均达到80%以上,最高精度为99.43%,得到了较好的检测结果。本文将传统的规则标识点过程拓展到非规则标识点过程,可以有效拟合任意形状目标几何。定性和定量的实验结果表明了该方法的可行性、有效性和准确性。

利用SAR影像区域分割方法提取海洋暗斑特征

在SAR强度影像中,包括海洋溢油在内的许多海洋现象呈现为暗斑。为从诸多暗斑中辨识海洋溢油,需要在SAR影像中提取暗斑的几何和统计分布特征,以此作为进一步分类(辨识)海洋溢油的依据,将基于几何划分技术的区域分割方法应用于SAR影像暗斑特征提取。首先建立高分辨率SAR影像暗斑或然率模型,然后利用最大化期望值和M-H算法实现其几何及统计分布特征参数提取。实验结果表明,该方法不仅可以精准提取暗斑的几何形状,同时还能有效估计其统计分布参数。

基于波段加权K均值聚类的高光谱影像分类

为了在高光谱影像分类过程中有效地利用波段信息,在传统K均值算法的基础上引入特征加权的思想,使得在聚类过程中能够充分合理利用各波段信息。该算法中,根据波段影像的熵、标准差、均值及互信息等统计信息的函数定义波段权重;根据波段对聚类的重要性定义波段-类别权重,并且定义其熵信息测度作为约束项。对Salinas高光谱影像分别采用本文算法和传统K均值算法进行实验,从总精度及Kappa值方面来看,该算法都比传统K均值算法的数值高,由此说明引入波段权重及波段-类别权重的有效性。

结合Delaunay三角网的图像分割

为了有效消除图像噪声影响,提出结合Delaunay三角网的图像分割方法。首先,将像素灰度看作定义在像素格点上的‘高程’,并在此三维图像表达上构建Delaunay三角网,该三角网在图像域上的投影将图像域划分成若干个子区域,形成超像素,再对每个子区域内像素灰度值做均值化处理,由此将原图像转换为均值图像;最后在均值图像上进行图像分割,可以很好地削弱噪声对图像分割的影响。采用本文思想,基于Intel(R)Core(TM)3.20 GHz/2G内存/Matlab2015a平台,以经典的模糊C均值(Fuzzy C-means,FCM)图像分割算法为例,分别对Berkeley标准测试图像和遥感图像进行了分割实验。生成一幅具有三个同质区域的模拟图像,分别采用对比算法和本文算法对模拟图像进行分割测试,对比算法1(基于ENVI平台的ISODATA分割算法)的三个同质区域(1-3)的用户精度、产品精度、总精度和Kappa值分别为74.87%/55.72%/73.64%、83.98%/37.87%/85.38%、70.25%和0.54;对比算法2(基于中值滤波的FCM分割方法)的三个同质区域(1-3)的用户精度、产品精度、总精度和Kappa值分别为98.16%/70.54%/99.73%、88.10%/99.16%/87.87%、89.93%和0.84;本文算法的三个同质区域(1-3)的用户精度、产品精度、总精度和Kappa值分别为96.25%/80.35%/99.49%、99.76%/94.53%/86.67%、93.30%和0.89。定性和定量的测试结果验证了本文方法的有效性、可靠性和准确性。

结合马氏距离的区域化模糊聚类遥感图像分割

传统模糊聚类算法通常将像素光谱测度间的欧式距离作为相似性准则,其仅适用于同质区域内像素光谱测度呈对称分布的图像.同时,基于像素的图像分割算法极易受噪声干扰,导致该类算法难以适用于高分辨率遥感图像分割.因此,提出结合马氏距离的区域化模糊聚类遥感图像分割算法,该算法以Voronoi多边形为基本单元,令多边形内所有像素与该多边形具有同一类属性,并采用马氏距离定义非相似性测度.此外,在目标函数中引入马氏距离规则化项以控制聚类尺度,进而构建区域化高分辨率遥感图像分割模型.通过对合成及真实遥感图像分割结果的定性及定量分析,证明了提出算法具有较强的鲁棒性.

观测数据采样化的遥感影像非监督分割

为了实现影像的自动化分割,提出一种利用非监督方式将观测数据采样化的遥感影像分割方法。该方法利用欧氏空间的概率分布建模采样数据和观测数据,并将其映射到黎曼空间,通过不断将观测数据转换为采样数据的方式实现影像的自动采样化。每次采样过程只需计算观测数据点到采样点的测地线距离,将距采样点测地线距离最小的观测数据转化为采样数据,以保证采样数据不断趋于该类数据的真实分割结果,同时使算法能够有效分割具有不同像素数的类别。将算法应用于模拟影像和真实遥感影像分割,对其分割结果以及传统基于统计、基于模糊的非监督算法和基于神经网络的监督算法相应分割结果定性定量的对比分析验证了该算法的有效性及可行性。

基于随机投影深度函数的非典型道路中心线提取

提出一种结合随机投影深度函数和路径形态学的非典型道路中心线提取方法.随机投影深度函数可有效区分RGB彩色空间中数据集的数据中心与离群值,从而充分利用非典型道路光谱特征的异质性及其与图像背景光谱特征的差异性来凸显具有离群值光谱特征的道路.利用随机投影深度函数对彩色遥感图像进行由中心向外的排序,生成深度场图像,并采用直方图阈值分割方法二值化深度场图像;利用路径形态学粗提取道路区域,去除独立斑块、连接断路来精细化道路区域;利用形态学细化操作提取道路中心线,并去除细枝以得到精准的道路中心线.实验采用Ikonos和ZY-3图像,结果表明:该方法可有效提取非典型道路中心线,其提取道路中心线的完整率、正确率和检测质量平均达到94.31%,94.16%和90.02%.