CN102915531A - 一种面向遥感影像分割的影像对象合并方法 - Google Patents
一种面向遥感影像分割的影像对象合并方法 Download PDFInfo
- Publication number
- CN102915531A CN102915531A CN2011102231473A CN201110223147A CN102915531A CN 102915531 A CN102915531 A CN 102915531A CN 2011102231473 A CN2011102231473 A CN 2011102231473A CN 201110223147 A CN201110223147 A CN 201110223147A CN 102915531 A CN102915531 A CN 102915531A
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- segmentation
- image
- merging
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种面向遥感影像分割的基于对象合并指数(Object Merge Index,OMI)进行对象(基元)合并的方法,属于遥感影像处理与分析技术领域。首先根据原始影像计算边缘量化影像,并对原始影像采用常规分割算法的小尺度预分割,根据边缘量化影像计算得到预分割对象的对象合并指数OMI,基于OMI值的大小进行对象合并,得到最终分割的结果。本方法能够改进传统遥感影像分割方法中对尺度参数的依赖,对不同复杂程度的影像的处理时具有较强的尺度适应能力,能够较好的平衡过分割和欠分割的矛盾。
Description
技术领域
本发明涉及一种面向遥感影像分割的基于对象合并指数(Object Merge Index,OMI)进行对象基元合并的方法,属于遥感影像处理与分析技术领域。
背景技术
影像分割是实现面向对象的高分辨率遥感影像信息提取的一个重要步骤。在图像工程与计算机视觉领域,有大量的图像分割算法,但是大多数的分割算法在多光谱遥感影像分析中使用效果欠佳。在遥感影像分析领域较为常用的分割算法主要有均值漂移分割算法、分水岭分割算法、eCognition多分辨率分割算法等。遥感影像分割是提取地物目标基元的首要步骤,影像分割的最佳状态是将想要提取的真实地物目标用影像对象的形式表达出来,分割出的地物空间边界与目视解译的边界类似,与地物真实界线符合度较高。最佳的分割结果就是得到有地理意义的影像对象(基元),使得针对此基元所计算得到的形状、纹理和空间关系等特征能够有效用于分类。
在传统的遥感图像分割方法中(如均值漂移分割算法或多分辨率分割算法),往往都需要针对所分析的影像设定一个表达影像分割详细程度的尺度参数,此尺度参数在分割中的象元合并或基元合并过程起到控制作用,尺度参数与分割基元的面积有直接或者间接的联系。然而,由于地理现象的区域性特征与复杂性,同一幅影像中不同的区域地物类型可能不同,其复杂程度不一样,而传统分割算法对同一幅影像分割所采用的尺度参数却是一样的,其对不同复杂程度的影像区域缺乏自适应性。所以,使用传统分割方法时,当选择的尺度参数适合于分割高复杂度区域的影像时,对于低复杂度区域则会过分割,而如果采用较大的尺度参数分割,则对复杂区域地物欠分割。特别在对大区域范围的影像进行自动分析时,传统方法对于欠分割和过分割的矛盾难以调和,无法从分割结果上提取有地理代表意义的影像基元,这就直接导致了与地物目标相关的形状、纹理、空间关系等特征难以有效利用,限制了面向对象分类的精度与有效性。
本发明提出了一种面向遥感影像分割的基于对象合并指数(OMI)进行对象基元合并的方法。经文献和专利检索发现,与本发明提出的基于边缘特征构建合并指数的对象合并方法类似的方法未见报道。
发明内容
本发明提出一种面向遥感影像分割的对象基元合并方法,该方法以传统通用的分割方法小尺度预分割结果为基础,设计一种新的对象合并指数(Object Merge Index,OMI)作为判别指标进行对象基元合并,实现对图像分割基元的优化。对象合并的判别规则主要依据当前对象与其邻域对象邻接处边界的边缘特征是否明显来判别。基于该合并方法的遥感影像二次分割具有较强的尺度自适应能力,能够较好地平衡过分割和欠分割的矛盾。
本发明提出的面向遥感影像分割的对象基元合并方法,包括以下实施步骤:
(1)选取待分析的遥感影像,计算其边缘量化影像CL;
(2)对待分析的遥感影像进行预分割,采用通用的分割方法(如均值漂移分割或者多分辨率分割算法),使用较小的分割尺度,得到小尺度分割结果;
(3)遍历分割结果的所有对象,对象集合中取当前处理对象o;
(4)取当前处理对象的邻域对象集合V;
(5)对当前处理对象o和所有领域对象V进行对象合并操作,更新对象集合;
(6)取对象集合中下一个对象为当前处理对象,重复步骤(4),(5),直到所有对象都被处理完。
上述对象合并方法中所述步骤(1),计算边缘量化影像CL,实现方法如下:
(1)选取待分析的遥感影像;
(2)选择对典型地物边界敏感的波段Li,采用canny算法计算量化影像CLi;
上述对象合并方法中所述步骤(5),当前对象与其所有邻域对象V的合并操作,实现方法包括:
(1)获取当前中心处理对象o,计算其邻域对象集合V;
(2)顺序获取邻域对象集合中的对象,记当前领域对象为v;
(3)计算中心对象o与邻域对象v的对象合并指数OMI;
(4)如果OMI值小于设定的阈值OMI_Trsh,则合并对象o与v,否则标记该邻域对象v为不能合并;
(5)判定当前邻域对象集合V中元素是否被取完;
(6)步骤(5)判定结果为否,则取下一邻域对象,重复执行步骤(3)和(4);
(7)步骤(5)判定结果为真,更新合并后的中心对象o,获取其新的邻域对象集合V;
(8)判定是否其所有邻域对象均被标记为不可合并,结果为否则重复执行步骤(2)至(7),结果为真则结束对象合并步骤。
上述将当前对象与其所有邻域对象的合并操作的所述步骤(3),计算中心对象与邻域对象的对象合并指数OMI,实现方法包括:
(1)获取当前中心对象o,获取待合并邻域对象v;
(2)获取中心对象o的与v相邻的边界象元集合B(o,v);
(3)获取邻域对象v的与o相邻的边界象元集合B(v,o);
(4)临时变量赋值,temp_num=0,total_num=0;
(5)顺序取集合B(v,o)中的象元,记当前象元为b(v,o);
(6)判定当前象元b(v,o)的canny边缘量化影像值CL值是否大于设定的阈值Thresh,结果
为真则将temp num值加1,并跳到步骤(9),否则继续下一步;
(7)获取边界象元b(v,o)的邻域内属于中心对象o的象元b(o,v);
(8)判定象元b(o,v)的canny边缘量化影像值CL值是否大于设定的阈值Thresh,结果为真则将temp_num值加1,否则直接跳到步骤(9)
(9)total_num值增加1;
(10)判定是否将集合B(v,o)中的象元全部取完,如果没有取完,则回到步骤(5),继续执行步骤(6)至步骤(9);如果全部象元被取完,则执行步骤(11);
(11)计算中心对象o与邻域对象v的对象合并指数OMI=temp_num/total_num;
本发明所提出的基于对象合并指数(OMI)进行对象基元合并方法,其优点是:能够改进传统遥感影像分割方法中对尺度参数的依赖,对不同复杂程度的影像的处理时具有较强的尺度适应能力,能够较好的平衡过分割和欠分割的矛盾,能够更好的抽取出地物目标的真实边界和其他空间特征。
附图说明:
图1:本发明方法中基于对象合并的遥感影像二次分割流程框图
图2:Canny边缘量化影像计算流程框图
图3:当前对象、邻域对象与边界对象示意图
图4:当前对象与其所有领域对象合并计算流程框图
图5:对象合并指数OMI计算流程框图
图6:SPOT5多光谱遥感影像
图7:实验影像小尺度(10)预分割结果
图8:本方法对象合并后的分割结果
具体的实施方式:
本发明提出的面向遥感影像分割的基于对象合并指数(OMI)的影像对象基元合并方法,其实现基本流程如图1所示。首先选取待分析的遥感影像,计算其边缘量化影像CL,然后对遥感影像进行预分割,采用通用的分割方法(如均值漂移分割或者多分辨率分割算法),使用较小的分割尺度,得到小尺度分割结果,取预分割结果对象集合中的一个对象为当前处理对象o,计算当前对象与邻域对象的合并指数OMI,如果OMI值满足阈值条件,则合并当前对象与其领域对象,如果当前对象的所有领域对象均不满足合并条件,则当前对象合并处理完成,取预分割结果中的下一对象作为当前对象,循环执行邻域对象合并操作,直到预分割结果集合中所有元素遍历完。
上述方法中计算边缘量化影像的实施步骤如图2所示,首先分析原始影像,根据所提取的目标,选取对目标边界敏感的波段,采用canny边缘提取算法,计算边缘量化影像(canny边缘量化算法使用普遍,此处不再赘述),如果选择了多个波段,则将边缘量化值的均值作为最后边缘量化影像。
上述方法中将当前对象与其所有邻域对象合并的计算步骤如图4所示,计算步骤中涉及的当前对象、邻域对象和边界对象的示意图见图3。首先获取当前中心处理对象o,计算其邻域对象集合V;顺序取邻域对象集合中的元素v,计算当前中心对象与邻域对象的对象合并指数OMI,如果阈值符合要求,则合并,否则标记当前邻域对象为不能合并;遍历当前邻域对象集合V中所有元素,做上述合并处理;如果当前邻域对象集合中所有元素处理完,则更新合并后的中心对象o及其邻域对象集合V,计算未被标记的邻域对象的对象合并指数,继续合并知道所有邻域对象均被标记为无法合并。
上述方法中对象合并指数OMI的计算步骤如图5所示,计算步骤中涉及的当前对象、邻域对象和边界对象的示意图见图3。首先获取当前中心对象o和待合并的邻域对象v,计算获取分属中心对象和邻域对象的相邻的边界象元集合B(o,v)和B(v,o);顺序取邻域边界象元集合的象元b(v,o),如果当前象元的canny边缘量化值大于阈值,或者b(v,o)的邻域象元b(o,v)的canny边缘量化值大于阈值,则计数器temp_num加1,否则下一步;取邻域边界象元集合中的下一象元,重复上述步骤,直到所有元素被取完;统计B(v,o)中元素的总数total_num,则可以计算当前对象与其邻域对象的对象合并指数OMI。
以下为本发明的一个实施例子:现有空间分辨率为10m的SPOT5多光谱遥感影像(图6),所处区域为海岸带地区。由于本幅影像以水体和植被为主要地物类型,因此我们可以选取近红外波段(NIR,band1)来计算边缘影像。采用传统分割方法以较小尺度参数(10)对实验影像进行预分割,得到结果如图7。可以看到,在大面积水域部分出现了严重的过分割,植被区域过分割也较为严重,在养殖区域分割斑块对养殖池塘的划分基本合理。
从预分割结果集合中取当前处理对象o,按照本发明方法中的对象合并步骤,完成当前对象与其邻域对象的合并操作。合并过程有两层主要的循环,分别称为内层循环和外层循环。当前处理对象的邻域对象有多个,每个邻域对象均需要计算合并指数,考虑合并操作,此为内层循环。另外,当前对象有合并操作后,其邻域对象集合会发生改变,所以,合并操作后,需要重新获取邻域对象集合,并进行合并计算,直到无法再合并为止,此为外层循环。具体实施方法如下:
(1)获取当前中心处理对象o,计算其邻域对象集合V;
(2)顺序获取邻域对象集合中的对象,记当前领域对象为v;
(3)计算中心对象o与邻域对象v的合并指数OMI;
(4)如果OMI值小于设定的阈值OMI_Trsh,则合并对象o与v,否则标记该邻域对象v为不能合并;
(5)判定当前邻域对象集合V中元素是否被取完;
(6)步骤(5)判定结果为否,则取下一邻域对象,重复执行步骤(3)和(4);
(7)步骤(5)判定结果为真,更新合并后的中心对象o,获取其新的邻域对象集合V;
(8)判定是否其所有邻域对象均被标记为不可合并,结果为否则重复执行步骤(2)至(7),结果为真则结束对象合并步骤。
针对每一个邻域对象,均需要计算其与当前处理对象之间的对象合并指数,对象合并指数OMI的计算方法是本发明的关键步骤,具体实施方法为:
(1)获取当前中心对象o,获取待合并邻域对象v;
(2)获取1心对象o的与v相邻的边界象元集合B(o,v);
(3)获取邻域对象v的与o相邻的边界象元集合B(v,o);
(4)临时变量赋值,temp_num=0,total_num=0;
(5)顺序取集合B(v,o)中的象元,记当前象元为b(v,o);
(6)判定当前象元b(v,o)的canny边缘量化影像值CL值是否大于设定的阈值Thresh,结果为真则将temp_num值加1,并跳到步骤(9),否则继续下一步;
(7)获取边界象元b(v,o)的四邻域内属于中心对象o的象元b(o,v);
(8)判定象元b(o,v)的canny边缘量化影像值CL值是否大于设定的阈值Thresh,结果为真则将temp_num值加1,否则直接跳到步骤(9)
(9)total_num值增加1;
(10)判定是否将集合B(v,o)中的象元全部取完,如果没有取完,则回到步骤(5),继续执行步骤(6)至步骤(9);如果全部象元被取完,则执行步骤(11);
(11)计算中心对象o与邻域对象v的合并指数OMI=temp_num/total_num;
按照以上步骤对实验区影像预分割结果进行对象合并,得到的最终分割结果如图8所示。结果中将过分割的区域进行了有效合并,大面积水体边界划分与目视结果十分接近,植被区域过分割现象也得到一定的抑制,复杂度高的养殖区域的精细分割结果得到保持。经过本发明方法对影像分割得到的结果,得到的影像对象与真实地物更为接近,基于此结果提取的对象空间特征将使面向对象影像分析更为有效。
以上是本发明的实施步骤的详细解说。对于本研究领域的一般技术人员,在不背离本发明所述精神和权力要求范围的情况下对它进行各种显而易见的改变均在本发明的保护范围之内。
Claims (4)
1.本发明提出的面向遥感影像分割的对象基元合并方法,包括以下实施步骤:
(1)选取待分析的遥感影像,计算其边缘量化影像CL;
(2)对遥感影像进行预分割,采用通用的分割方法(如均值漂移分割或者多分辨率分割算法),使用较小的分割尺度,得到小尺度分割结果;
(3)遍历分割结果的所有对象,对象集合中取当前处理对象o;
(4)取当前处理对象的邻域对象集合V;
(5)对当前处理对象o和所有领域对象V进行对象合并操作,更新对象集合;
(6)取对象集合中下一个对象为当前处理对象,重复步骤(4),(5),直到所有对象都被处理完。
3.根据权力要求1所述步骤(5),当前对象与其所有邻域对象V的合并操作,实现方法如下:
(1)获取当前中心处理对象o,计算其邻域对象集合V;
(2)顺序获取邻域对象集合中的对象,记当前领域对象为v;
(3)计算中心对象o与邻域对象v的对象合并指数OMI;
(4)如果OMI值小于设定的阈值OMI_Trsh,则合并对象o与v,否则标记该邻域对象v为不能合并;
(5)判定当前邻域对象集合V中元素是否被取完;
(6)步骤(5)判定结果为否,则取下一邻域对象,重复执行步骤(3)和(4);
(7)步骤(5)判定结果为真,更新合并后的中心对象o,获取其新的邻域对象集合V;
(8)判定是否其所有邻域对象均被标记为不可合并,结果为否则重复执行步骤(2)至(7),结果为真则结束对象合并步骤。
4.根据权力要求3所述步骤(3),计算中心对象与邻域对象的对象合并指数OMI,实现方法如下:
(1)获取当前中心对象o,获取待合并邻域对象v;获取中心对象o的与v相邻的边界象元集合B(o,v);获取邻域对象v的与o相邻的边界象元集合B(v,o);
(2)临时变量赋值,temp_num=0,total_num=0;
(3)顺序取集合B(v,o)中的象元,记当前象元为b(v,o);
(4)判定当前象元b(v,o)的canny边缘量化影像值CL值是否大于设定的阈值Thresh,结果为真则将temp_num值加1,并跳到步骤(5),否则获取边界象元b(v,o)的邻域内属于中心对象o的象元b(o,v),判定象元b(o,v)的canny边缘量化影像值CL值是否大于设定的阈值Thresh,结果为真则将temp_num值加1;
(5)total_num值增加1;
(6)判定是否将集合B(v,o)中的象元全部取完,如果没有取完,则回到步骤(3),继续执行步骤(4)至步骤(5);如果全部象元被取完,则执行步骤(7);
(7)计算中心对象o与邻域对象v的对象合并指数OMI=temp_num/total_num。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102231473A CN102915531A (zh) | 2011-08-05 | 2011-08-05 | 一种面向遥感影像分割的影像对象合并方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102231473A CN102915531A (zh) | 2011-08-05 | 2011-08-05 | 一种面向遥感影像分割的影像对象合并方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102915531A true CN102915531A (zh) | 2013-02-06 |
Family
ID=47613886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102231473A Pending CN102915531A (zh) | 2011-08-05 | 2011-08-05 | 一种面向遥感影像分割的影像对象合并方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102915531A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400389A (zh) * | 2013-08-12 | 2013-11-20 | 电子科技大学 | 一种高分辨率遥感图像分割方法 |
CN103593853A (zh) * | 2013-11-29 | 2014-02-19 | 武汉大学 | 基于联合稀疏表达的遥感影像多尺度面向对象分类方法 |
CN104021555A (zh) * | 2014-06-11 | 2014-09-03 | 南宁市勘察测绘地理信息院 | 基于虚拟打印技术的影像裁剪分幅方法 |
CN106408582A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种监测港口的油品及液体化工品堆场的方法及系统 |
CN106407938A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种利用遥感影像提取港口特定地物的方法及系统 |
CN106407940A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种港口水域图像的提取方法及系统 |
CN106407939A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种利用遥感影像提取港口的装卸设备的方法及系统 |
CN109886171A (zh) * | 2019-02-01 | 2019-06-14 | 北京大学 | 遥感影像地理场景的分割方法及装置 |
CN111046844A (zh) * | 2019-12-27 | 2020-04-21 | 中国地质大学(北京) | 一种基于新型邻域选取约束的高光谱图像分类方法 |
CN111860153A (zh) * | 2020-01-09 | 2020-10-30 | 九江学院 | 尺度自适应的高光谱图像分类方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080260205A1 (en) * | 2005-02-10 | 2008-10-23 | Koninklijke Philips Electronics N. V. | Image Processing Device and Method |
CN101408941A (zh) * | 2008-10-20 | 2009-04-15 | 中国科学院遥感应用研究所 | 遥感图像多尺度分割及分割结果的层次结构表示方法 |
CN101710425A (zh) * | 2009-12-25 | 2010-05-19 | 南京航空航天大学 | 基于图像灰度梯度和灰度统计直方图的自适应预分割方法 |
-
2011
- 2011-08-05 CN CN2011102231473A patent/CN102915531A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080260205A1 (en) * | 2005-02-10 | 2008-10-23 | Koninklijke Philips Electronics N. V. | Image Processing Device and Method |
CN101408941A (zh) * | 2008-10-20 | 2009-04-15 | 中国科学院遥感应用研究所 | 遥感图像多尺度分割及分割结果的层次结构表示方法 |
CN101710425A (zh) * | 2009-12-25 | 2010-05-19 | 南京航空航天大学 | 基于图像灰度梯度和灰度统计直方图的自适应预分割方法 |
Non-Patent Citations (2)
Title |
---|
TAO ZHANG等: "Automatic mapping aquaculture in coastal zone from TM imagery with OBIA approach", 《2010 18TH INTERNATIONAL CONFERENCE ON GEOINFORMATICS》 * |
张敏等: "汶川地震区航空影像地质灾害自动识别技术", 《地理与地理信息科学》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400389A (zh) * | 2013-08-12 | 2013-11-20 | 电子科技大学 | 一种高分辨率遥感图像分割方法 |
CN103400389B (zh) * | 2013-08-12 | 2016-05-04 | 电子科技大学 | 一种高分辨率遥感图像分割方法 |
CN103593853A (zh) * | 2013-11-29 | 2014-02-19 | 武汉大学 | 基于联合稀疏表达的遥感影像多尺度面向对象分类方法 |
CN104021555A (zh) * | 2014-06-11 | 2014-09-03 | 南宁市勘察测绘地理信息院 | 基于虚拟打印技术的影像裁剪分幅方法 |
CN104021555B (zh) * | 2014-06-11 | 2016-06-29 | 南宁市勘察测绘地理信息院 | 基于虚拟打印技术的影像裁剪分幅方法 |
CN106407938A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种利用遥感影像提取港口特定地物的方法及系统 |
CN106408582A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种监测港口的油品及液体化工品堆场的方法及系统 |
CN106407940A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种港口水域图像的提取方法及系统 |
CN106407939A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种利用遥感影像提取港口的装卸设备的方法及系统 |
CN109886171A (zh) * | 2019-02-01 | 2019-06-14 | 北京大学 | 遥感影像地理场景的分割方法及装置 |
CN109886171B (zh) * | 2019-02-01 | 2021-07-23 | 北京大学 | 遥感影像地理场景的分割方法及装置 |
CN111046844A (zh) * | 2019-12-27 | 2020-04-21 | 中国地质大学(北京) | 一种基于新型邻域选取约束的高光谱图像分类方法 |
CN111860153A (zh) * | 2020-01-09 | 2020-10-30 | 九江学院 | 尺度自适应的高光谱图像分类方法及系统 |
CN111860153B (zh) * | 2020-01-09 | 2023-10-13 | 九江学院 | 尺度自适应的高光谱图像分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102915531A (zh) | 一种面向遥感影像分割的影像对象合并方法 | |
CN108985247B (zh) | 多光谱图像城市道路识别方法 | |
CN101706950B (zh) | 一种遥感影像多尺度分割的高性能实现方法 | |
CN103559500B (zh) | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 | |
CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
Zhang et al. | Boundary-constrained multi-scale segmentation method for remote sensing images | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN102096816B (zh) | 基于最小生成树的多尺度多层次影像分割方法 | |
CN101937079A (zh) | 基于区域相似度的遥感影像变化检测方法 | |
CN105956557A (zh) | 一种面向对象的时序遥感影像云覆盖区域自动检测方法 | |
CN103984946A (zh) | 一种基于K-means的高分辨率遥感地图道路提取方法 | |
CN104361589A (zh) | 一种基于尺度间映射的高分辨率遥感影像分割方法 | |
CN102663382A (zh) | 基于子网格特征自适应加权的视频图像文字识别方法 | |
Huang et al. | A top-down strategy for buildings extraction from complex urban scenes using airborne LiDAR point clouds | |
CN108053412B (zh) | 融合多定量评价指标的遥感影像最优分割结果确定方法 | |
CN106157323A (zh) | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 | |
CN108986116A (zh) | 一种基于遥感影像的红树林提取方法及系统 | |
CN105096315A (zh) | 基于Gamma分布的异质超像素SAR图像分割方法 | |
CN105335965B (zh) | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 | |
CN109034026A (zh) | 一种遥感影像中水陆区域的红树林提取方法及系统 | |
CN102881017B (zh) | 一种细胞分离方法 | |
CN103500451B (zh) | 一种用于卫星数据的独立浮冰提取方法 | |
Li et al. | Optimized automatic seeded region growing algorithm with application to ROI extraction | |
CN103971367A (zh) | 水文资料图像分割方法 | |
Duan et al. | An index-based shadow extraction approach on high-resolution images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C05 | Deemed withdrawal (patent law before 1993) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130206 |