CN107610118A - 一种基于dM的图像分割质量评价方法 - Google Patents
一种基于dM的图像分割质量评价方法 Download PDFInfo
- Publication number
- CN107610118A CN107610118A CN201710873998.XA CN201710873998A CN107610118A CN 107610118 A CN107610118 A CN 107610118A CN 201710873998 A CN201710873998 A CN 201710873998A CN 107610118 A CN107610118 A CN 107610118A
- Authority
- CN
- China
- Prior art keywords
- spatial
- segmentation
- image
- representing
- value
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000003709 image segmentation Methods 0.000 claims abstract description 19
- 238000013441 quality evaluation Methods 0.000 claims abstract description 16
- 230000003595 spectral effect Effects 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 11
- 230000002146 bilateral effect Effects 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims description 2
- CZRCFAOMWRAFIC-UHFFFAOYSA-N 5-(tetradecyloxy)-2-furoic acid Chemical group CCCCCCCCCCCCCCOC1=CC=C(C(O)=O)O1 CZRCFAOMWRAFIC-UHFFFAOYSA-N 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 17
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 11
- 238000005192 partition Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于 M 的非监督图像分割质量评价方法,先对原始图像进行双边滤波和二维Gabor滤波操作，以提取光谱特征和空间特征向量，对得到的空间特征进行变换，提取三个主成分，并与光谱特征进行叠加，形成光谱‑空间特征集，以光谱‑空间特征集为底图，计算各个维度分割区域的分层空间异质性，得到关于分层空间异质性强弱的值，并使用莫兰指数计算各个维度分割结果的空间自相关性，计算特征集中各个维度中表示分层空间异质性强弱值的均值与莫兰指数的均值，构建两个值的空间，计算空间内各点与点（1,0）的马氏距离，最后根据马氏距离对图像的分割质量进行评价。本发明的有益效果：增强了质量评价的精度和稳定性，评价结果更符合人类视觉特征。
Description
技术领域
本发明涉及图像分割技术领域，具体来说，涉及一种基于dM的图像分割质量评价方法。
背景技术
图像分割是整个图像分析领域的一项关键技术，在遥感图像领域，图像分割是面向对象图像分析的先决条件，其分割结果可以用于后续的地物分类、目标识别、场景理解等任务，因此对分割结果进行准确、定量、有效地评价对基于面向对象的遥感图像分析具有重要的意义，同时，分割质量评价也可以进一步比较分割算法效能，优化分割参数以获取更好的分割结果。
现阶段图像分割质量评价方法主要可以分为主观评价、系统级评价、分析评价、监督评价和非监督评价五种类型。主观评价在遥感图像分析中具有较大的局限性，因为遥感图像中同物异谱和同谱异物的现象十分普遍，不同的人对于同一影像的解译会存在较大的偏差；系统级评价依赖与特定分析系统的结果对分割步骤的质量进行评价，不具有普适性；分析评价无需实验，直接对分割算法原理本身进行评价，但这种评价方法需要较多的先验知识，并不适合单独使用；监督评价将分割结果与专家通过目视解译所提供的分割参考结果进行对比统计，计算实际分割结果与理想分割结果的差别，虽然这种有监督的评价方法可以满足目视解译的要求，但是由于有人为参考的介入，具有较强的主观因素，此外对于大尺度图像的参考分割结果制作工作往往比较耗时，使得监督评价方法效率较低。
非监督的分割评价方法无需提供理想的分割参考标准，而是建立一种基于人类认知的特定质量标准来评价分割结果，图像分割的本质是同质性区域合并和异质性区域分离，因此现有的非监督评价方法多通过设计统计指标，计算分割区域局部与整体的统计值，再将这些指标联合得到整体的质量评分，对分割结果进行评价，非监督的分割评价方法具有定量、客观和高效的特点，但对于统计指标的设计，合理的指标联合策略以及对于空间信息的利用都有待于进一步优化。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的上述技术问题，本发明提出一种基于dM的图像分割质量评价方法，通过从原始图像中提取光谱和空间特征构建待评价的特征集，从图像分割区域特征统计的角度，引入了空间分层异质性和空间自相关作为区域内外同质和异质性评价的测度，两个测度用于计算分割结果在特征集中的统计值，最终联合两个测度得到一个全局的评价标准dM，最终提供了一种基于上述两种测度的图像分割评价方法，为不同图像分割方法或不同分割参数所产生的不同分割结果提供一种客观定量的评价依据。
为实现上述技术目的，本发明的技术方案是这样实现的：
一种基于dM的非监督图像分割质量评价方法,包括以下步骤：
S1对原始影像进行非线性的双边滤波操作，以提取待评价的光谱特征；
S2对原始图像进行二维Gabor滤波，得到空间特征向量；
S3对得到空间特征进行PCA变换，从空间特征向量的维度中提取前三个主成分，并与提取的光谱特征进行叠加，形成光谱-空间特征集；
S4以光谱-空间特征集为底图，使用地理探测器，计算各个维度分割区域的分层空间异质性，得到关于分层空间异质性强弱的值；
S5以光谱-空间特征集为底图，使用莫兰指数计算各个维度分割结果的空间自相关性；S6计算特征集中各个维度中表示分层空间异质性强弱值的均值与莫兰指数的均值，并构建分层空间异质性的强弱与莫兰指数相关的空间，计算空间内各点与点(1,0)的马氏距离。
进一步的，在步骤S1中，进行所述双边滤波操作时，双边滤波核具有如下表达形式：
其中，i和j是原始图像的像素索引,c是当前被滤波的像素的的坐标，I代表输入的原始图像，Ki代表一个标准化参数以确保∑jWij＝1，参数σs和σr表示空间相似度和光谱相似度。
进一步的，在步骤S2中，所述Gabor滤波的函数具有如下形式：
其中，I＝(x，y)表示输入图像的空间域变量，||·||表示范数算子，μ和v分别表示Gabor滤波核的方向和尺度，kμ，v表示频率向量；σ则表示高斯窗口带宽与波长的比。
进一步的，对所述图像在F个尺度和D个方向上对图像进行滤波会得到2SD个响应图:
{(rf，d，mf，d)|f＝0，...，F-1，d＝0，...，D-1}
其中，rf，d和mf，d分别代表实部和幅值部。
进一步的，在步骤S4中，使用所述地理探测器进行计算的公式为：
其中，N表示分割结果中的像元个数，L为分割块的数量，h表示分割块的索引值，Nh表示分割块h中的像元个数，Yi和分别表示特征集和分割块h中像元的值，和分别代表特征集和分割块h的均值，q值表示得到的分层空间异质性的强弱，其变化区间为[0,1]。
进一步的，在步骤S5中，所述莫兰指数的公式为：
其中，L为分割块的数量，h和u表示分割块的索引，和分别代表整个图像和分割块h在特征集上的均值，whu表示空间权重矩阵，反映了分割块h和分割块u的空间关系，当分割块h与分割块u相邻时，whu＝1，否则whu＝0，MI的取值范围为[-1,1]，当MI>0时，空间分布呈现正相关，当MI<0时，则呈现负相关。
进一步的，在步骤S6中，所述马氏距离的计算公式为：
其中，Xo为点(1,0)，Xs对应第s个分割结果的点，∑为所有分割质量点的协方差，dM(Xo，Xs)为Xs到点(1,0)的马氏距离，同时也是第s个分割结果的质量评分，dM值越大，表明待评价图像的分割结果越好。
本发明的有益效果：通过双边滤波和Gabor滤波构建待评价的遥感图像的特征集，在此基础上，引入空间分层异质性和空间自相关这两个测度，计算分割结果在光谱-空间特征集上的区域和全局统计特征，通过构建测度空间，计算空间内各个分割结果的质量点到点(1,0)的马氏距离，以消除量纲的影响，得到各个分割结果的质量评分dM，从而对分割结果进行质量评价；空间分层异质性的引入进一步从全局加强了对于分割块内部同质性及分割快间异质性的判断，从而增强了质量评价的精度和稳定性，而光谱-空间特征集评价底图的构建则使得该发明更适用于内部地物分布复杂的遥感图像分割质量评价，使得评价结果更符合人类视觉特征。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是基于dM的图像分割质量评价方法的流程图；
图2是三张测试图及其地理位置；
图3是对图2中三张测试图使用两种分割算法生成的局部分割结果图；
图4是不同分割算法对三张测试图像分割后计算所得的MI和q值；
图5是在MI-q空间中不同分割结果的MI和q值所构成的质量点及其对应的dM值；
图6是根据dM值选出的不同分割算法的最优尺度参数和最优尺度下的分割结果，以及两个分割算法在不同尺度参数下的dM值的对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供一种基于dM的图像分割质量评价方法，在本实例中，采用MRS和MSS两种分割方法，图2是三张测试图及其地理位置，图3是对三张测试图使用两种分割算法生成的局部分割结果图；对三张测试图像在20个尺度参数内进行分割，得到120个分割结果，对这些结果的评价，具体包括以下步骤：
S1为进一步消除分割区域内部的光谱变化，同时保持边界信息，对三张测试图像进行非线性的双边滤波操作，以提取待评价的光谱特征，双边滤波核具有如下表达形式:
其中，i和j是原始图像的像素索引,c是当前被滤波的像素的的坐标，I代表输入的原始图像，Ki代表一个标准化参数以确保∑iWij＝1，参数σs和σr表示空间相似度和光谱相似度，经过滤波后的图像得到了平滑处理。
S2为了提取空间信息，对测试图像进行二维Gabor滤波，得到空间特征向量，Gabor变换属于加窗傅里叶变换，可以在频域不同尺度、不同方向上提取相关特征，Gabor滤波函数具有如下形式：
其中，I＝(x，y)表示输入图像的空间域变量，||·||表示范数算子，μ和v分别表示Gabor滤波核的方向和尺度，kμ，v表示频率向量，σ则表示高斯窗口带宽与波长的比，对图像在F个尺度和D个方向上对图像进行滤波会得到2SD个响应图：{(rf，d，mf，d)|f＝0，...，F-1，d＝0，...，D-1},其中，rf，d和mf，d分别代表实部和幅值部，幅值部分包含了图像局部的能量变化，将被用作纹理特征用于后续分析，在本实施例中S＝3，D＝4，共得到12维的空间特征向量。
S3对得到空间特征进行PCA变换，从空间特征向量的12维中提取前三个主成分，并与之前提取的光谱特征进行叠加，形成光谱-空间特征集。
S4以前三个步骤提取的光谱-空间特征集为底图，使用地理探测器，计算各个维度分割区域的分层空间异质性，得到关于分层空间异质性强弱的值，使用地理探测器进行计算的公式为：
其中，N表示分割结果中的像元个数，L为分割块的数量，h表示分割块的索引值，Nh表示分割块h中的像元个数，Yi和分别表示特征集和分割块h中像元的值，和分别代表特征集和分割块h的均值，q值表示得到的分层空间异质性的强弱，其变化区间为[0,1]，分割结果的分层空间异质性越强，其分割块内部的同质性就越强，q值就越大，图4展示了测试图像在不同分割算法下，分割结果计算出来的q值随尺度参数的变化情况。
S5以光谱-空间特征集为底图，使用莫兰指数计算各个维度分割结果的空间自相关性，莫兰指数的公式为：
其中，L为分割块的数量，h和u表示分割块的索引，和分别代表整个图像和分割块h在特征集上的均值，whu表示空间权重矩阵，反映了分割块h和分割块u的空间关系，当分割块h与分割块u相邻时，whu＝1，否则whu＝0，MI的取值范围为[-1,1]，当MI>0时，空间分布呈现正相关，当MI<0时，则呈现负相关，因此当|MI|的值越小，分割块之间的空间相关性越小，分割快之间的异质性越强，图4展示了测试图像在不同分割算法下，分割结果计算出来的MI值随尺度参数的变化情况。
S6计算特征集中各个维度分层空间异质性强弱值q的均值与莫兰指数MI的均值，得到以及并构建MI-q空间，计算空间内各点与点(1,0)的马氏距离，马氏距离的计算公式为：
其中，Xo为点(1,0)，Xs对应第s个分割结果的点，∑为所有分割质量点的协方差，dM(Xo，Xs)为Xs到点(1,0)的马氏距离，同时也是第s个分割结果的质量评分，dM值越大，表明待评价图像的分割结果越好，在图5中，不同分割算法的质量点使用不同的符号表示，dM值的大小采用不同颜色深度来表示。可以看到，距离点(1,0)越远的点，颜色深度越深，dM值越高，表示分割质量越好，图6展示了根据dM值选择的各个测试图像在两个分割算法下的最优分割尺度及其该尺度下的分割结果，可以看到dM方法可以有效的针对不同图像选择最优的分割参数，此外图6还展示了两个分割算法下，dM值随尺度参数变化的情况。根据不同尺度下dM的分布情况可以对比在该尺度参数下分割算法的性能，从而达到评价分割算法的目的。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于 M 的非监督图像分割质量评价方法,其特征在于，包括以下步骤：
S1 对原始影像进行非线性的双边滤波操作，以提取待评价的光谱特征；
S2 对原始图像进行二维Gabor滤波，得到空间特征向量；
S3 对得到空间特征进行PCA变换，从空间特征向量的维度中提取前三个主成分，并与提取的光谱特征进行叠加，形成光谱-空间特征集；
S4 以光谱-空间特征集为底图，使用地理探测器，计算各个维度分割区域的分层空间异质性，得到关于分层空间异质性强弱的值；
S5 以光谱-空间特征集为底图，使用莫兰指数计算各个维度分割结果的空间自相关性；
S6 计算特征集中各个维度中表示分层空间异质性强弱值的均值与莫兰指数的均值，并构建分层空间异质性的强弱与莫兰指数相关的空间，计算空间内各点与点（1,0）的马氏距离。
2.根据权利要求1所述的一种基于 M 的非监督图像分割质量评价方法,其特征在于，在步骤S1中，进行所述双边滤波操作时，双边滤波核具有如下表达形式：
其中，i和j是原始图像的像素索引, c 是当前被滤波的像素的的坐标，I代表输入的原始图像， 代表一个标准化参数以确保，参数和表示空间相似度和光谱相似度。
3.根据权利要求1所述的一种基于 M 的非监督图像分割质量评价方法,其特征在于，在步骤S2中，所述Gabor滤波的函数具有如下形式：
其中，表示输入图像的空间域变量，表示范数算子，分别表示Gabor滤波核的方向和尺度，表示频率向量；则表示高斯窗口带宽与波长的比。
4.根据权利要求3所述的一种基于 M 的非监督图像分割质量评价方法,其特征在于，对所述图像在F个尺度和D个方向上对图像进行滤波会得到2SD个响应图:
其中，和分别代表实部和幅值部。
5.根据权利要求1所述的一种基于 M 的非监督图像分割质量评价方法,其特征在于，在步骤S4中，使用所述地理探测器进行计算的公式为：
其中，N表示分割结果中的像元个数，L为分割块的数量，h表示分割块的索引值， 表示分割块h中的像元个数，和分别表示特征集和分割块h中像元的值，和分别代表特征集和分割块h的均值，q值表示得到的分层空间异质性的强弱，其变化区间为[0,1]。
6.根据权利要求1所述的一种基于 M 的非监督图像分割质量评价方法,其特征在于，在步骤S5中，所述莫兰指数的公式为：
其中，L为分割块的数量，h和u表示分割块的索引，和分别代表整个图像和分割块h在特征集上的均值，表示空间权重矩阵，反映了分割块h和分割块u的空间关系，当分割块h与分割块u相邻时，，否则，MI的取值范围为[-1,1]，当MI>0时，空间分布呈现正相关，当MI<0时，则呈现负相关。
7.根据权利要求1所述的一种基于 M 的非监督图像分割质量评价方法,其特征在于，在步骤S6中，所述马氏距离的计算公式为：
=
其中，为点（1,0），对应第s个分割结果的点，, s=1,…,S，为所有分割质量点的协方差，为到点（1,0）的马氏距离，同时也是第s个分割结果的质量评分，值越大，表明待评价图像的分割结果越好。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710873998.XA CN107610118B (zh) | 2017-09-25 | 2017-09-25 | 一种基于dM的图像分割质量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710873998.XA CN107610118B (zh) | 2017-09-25 | 2017-09-25 | 一种基于dM的图像分割质量评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107610118A true CN107610118A (zh) | 2018-01-19 |
| CN107610118B CN107610118B (zh) | 2020-12-08 |
Family
ID=61058037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710873998.XA Expired - Fee Related CN107610118B (zh) | 2017-09-25 | 2017-09-25 | 一种基于dM的图像分割质量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107610118B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636727A (zh) * | 2018-12-17 | 2019-04-16 | 辽宁工程技术大学 | 一种超分辨率重建影像空间分辨率评价方法 |
| CN109816668A (zh) * | 2019-01-22 | 2019-05-28 | 中国科学院地理科学与资源研究所 | 遥感影像非监督分割评价方法和装置 |
| CN109919960A (zh) * | 2019-02-22 | 2019-06-21 | 西安工程大学 | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 |
| CN109949298A (zh) * | 2019-03-22 | 2019-06-28 | 西南交通大学 | 一种基于聚类学习的图像分割质量评价方法 |
| CN110264477A (zh) * | 2019-06-20 | 2019-09-20 | 西南交通大学 | 一种基于树结构的图像分割评价方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20120301018A1 (en) * | 2011-04-26 | 2012-11-29 | National Cheng Kung University | Method for image/video segmentation using texture feature |
| CN103390274A (zh) * | 2013-07-19 | 2013-11-13 | 电子科技大学 | 一种基于区域相关信息熵的图像分割质量评价方法 |
| CN103646400A (zh) * | 2013-12-17 | 2014-03-19 | 中国地质大学（北京） | 面向对象遥感影像分析中的尺度分割参数自动选择方法 |
| CN105096315A (zh) * | 2015-06-19 | 2015-11-25 | 西安电子科技大学 | 基于Gamma分布的异质超像素SAR图像分割方法 |
| CN106340005A (zh) * | 2016-08-12 | 2017-01-18 | 盐城师范学院 | 基于尺度参数自动优化的高分遥感影像非监督分割方法 |
-
2017
- 2017-09-25 CN CN201710873998.XA patent/CN107610118B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20120301018A1 (en) * | 2011-04-26 | 2012-11-29 | National Cheng Kung University | Method for image/video segmentation using texture feature |
| CN103390274A (zh) * | 2013-07-19 | 2013-11-13 | 电子科技大学 | 一种基于区域相关信息熵的图像分割质量评价方法 |
| CN103646400A (zh) * | 2013-12-17 | 2014-03-19 | 中国地质大学（北京） | 面向对象遥感影像分析中的尺度分割参数自动选择方法 |
| CN105096315A (zh) * | 2015-06-19 | 2015-11-25 | 西安电子科技大学 | 基于Gamma分布的异质超像素SAR图像分割方法 |
| CN106340005A (zh) * | 2016-08-12 | 2017-01-18 | 盐城师范学院 | 基于尺度参数自动优化的高分遥感影像非监督分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| G. M. ESPINDOLA 等: "Parameter selection for region-growing image segmentation algorithms using spatial autocorrelation", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
| JIN-FENG WANG 等: "A measure of spatial stratified heterogeneity", 《ECOLOGICAL INDICATORS》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636727A (zh) * | 2018-12-17 | 2019-04-16 | 辽宁工程技术大学 | 一种超分辨率重建影像空间分辨率评价方法 |
| CN109636727B (zh) * | 2018-12-17 | 2022-11-15 | 辽宁工程技术大学 | 一种超分辨率重建影像空间分辨率评价方法 |
| CN109816668A (zh) * | 2019-01-22 | 2019-05-28 | 中国科学院地理科学与资源研究所 | 遥感影像非监督分割评价方法和装置 |
| CN109816668B (zh) * | 2019-01-22 | 2019-12-24 | 中国科学院地理科学与资源研究所 | 遥感影像非监督分割评价方法和装置 |
| CN109919960A (zh) * | 2019-02-22 | 2019-06-21 | 西安工程大学 | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 |
| CN109949298A (zh) * | 2019-03-22 | 2019-06-28 | 西南交通大学 | 一种基于聚类学习的图像分割质量评价方法 |
| CN109949298B (zh) * | 2019-03-22 | 2022-04-29 | 西南交通大学 | 一种基于聚类学习的图像分割质量评价方法 |
| CN110264477A (zh) * | 2019-06-20 | 2019-09-20 | 西南交通大学 | 一种基于树结构的图像分割评价方法 |
| CN110264477B (zh) * | 2019-06-20 | 2020-04-21 | 西南交通大学 | 一种基于树结构的图像分割评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107610118B (zh) | 2020-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107610118B (zh) | 一种基于dM的图像分割质量评价方法 | |
| CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
| CN109035188B (zh) | 一种基于目标特征驱动的智能图像融合方法 | |
| Yuan et al. | Remote sensing image segmentation by combining spectral and texture features | |
| CN104835175B (zh) | 一种基于视觉注意机制的核环境中目标检测方法 | |
| CN109657610A (zh) | 一种高分辨率多源遥感影像的土地利用变化检测方法 | |
| CN109255358B (zh) | 一种基于视觉显著性和深度图的3d图像质量评价方法 | |
| CN109410171B (zh) | 一种用于雨天图像的目标显著性检测方法 | |
| CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 | |
| CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
| CN112308873B (zh) | 多尺度Gabor小波PCA融合图像边缘检测方法 | |
| CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
| CN107590515A (zh) | 基于熵率超像素分割的自编码器的高光谱图像分类方法 | |
| CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
| CN111563408B (zh) | 多层次感知特征渐进自学习的高分辨率影像滑坡自动检测方法 | |
| CN111950406A (zh) | 一种手指静脉识别方法、装置及存储介质 | |
| Casanova et al. | Texture analysis using fractal descriptors estimated by the mutual interference of color channels | |
| CN110555843B (zh) | 一种高精度的无参考融合遥感影像质量分析方法及系统 | |
| CN106157330A (zh) | 一种基于目标联合外观模型的视觉跟踪方法 | |
| CN103700109B (zh) | 基于多目标优化moea/d和模糊聚类的sar图像变化检测方法 | |
| Guo et al. | Dual graph U-Nets for hyperspectral image classification | |
| CN113343900A (zh) | 基于cnn与超像素结合的组合核遥感影像目标检测方法 | |
| CN108960276A (zh) | 提升光谱图像监督分类性能的样本扩充与一致性判别方法 | |
| Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
| CN111709977A (zh) | 一种基于自适应单峰立体匹配成本滤波的双目深度学习方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201208 |