CN108053412A - 融合多定量评价指标的遥感影像最优分割结果确定方法 - Google Patents
融合多定量评价指标的遥感影像最优分割结果确定方法 Download PDFInfo
- Publication number
- CN108053412A CN108053412A CN201810002564.7A CN201810002564A CN108053412A CN 108053412 A CN108053412 A CN 108053412A CN 201810002564 A CN201810002564 A CN 201810002564A CN 108053412 A CN108053412 A CN 108053412A
- Authority
- CN
- China
- Prior art keywords
- segmentation result
- segmentation
- remote sensing
- result
- image
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种融合多定量评价指标的遥感影像最优分割结果确定方法,首先对遥感影像进行影像分割,得到分割结果集;然后计算分割结果集的GS值,确定遥感影像分割参数的尺度区间参数;利用尺度区间参数计算分割结果集的E值,根据E值大小确定出初步最优分割结果集;接着将初步最优分割结果集按对应的分割参数进行融合分割,确定出遥感影像整体最优分割结果,并筛选出欠分割对象集、过分割对象集和保留分割对象集;最后将上述三个对象集进行联合,并利用改进的GS值进行评价,确定出全局最优分割结果。本发明能够克服现有的遥感影像最优分割结果确定中用单一指标评价带来的不确定性问题,提高遥感影像分割结果的客观性、实用性和可靠性。
Description
技术领域
本发明涉及遥感图像处理技术领域,尤其涉及一种融合多定量评价指标的遥感影像最优分割结果确定方法。
背景技术
随着高分辨率遥感平台的不断增加和完善,高分遥感数据越来越多,被广泛应用于土地遥感监测、自然灾害监测、农情监测和生态修复等行业中。高分遥感数据因具有高空间分辨率、高清晰度、信息量丰富及数据时效性强等优点,可以在获得丰富的地物光谱信息的同时获取更多的地物结构、形状和纹理等细节信息,使在较小的空间尺度上观察地表的细节变化成为可能。传统的基于像元的影像分析方法依靠影像的光谱信息,且停留在像素层次上,过于着眼于局部像素而忽略邻近整片图斑的纹理、结构等信息,必然会严重制约了信息提取的精度。利用该类方法对高分遥感数据进行专题信息提取,已经出现许多不可回避的问题。
国内外学者先后利用面向对象影像分析方法(OBIA,Object-Based ImageAnalysis)对高分遥感数据进行各种专题信息提取,众多实验结果表明,OBIA方法优于传统的基于像元的影像分析方法。当前,OBIA已经成为高分遥感数据信息提取的主流方法,该方法可大致分解为影像分割和对象分类两个关键步骤,影像分割结果的好坏将直接影响后续对象分类。如何找到一个有效方法来评价影像分割结果质量,进而确定出一个最优分割结果用于后期对象分类,是OBIA可靠性的关键所在。现有评价方法大都从某一角度采用相应评价指标来评价分割结果质量进而确定最优分割结果,从实践效果来看,这些方法均具有一定的可靠性,但很难确定哪一种方法性能更优。为此,有效集合各方法的优点,融合多定量评价指标对遥感影像分割结果进行评价,必然会使得最优分割结果确定更加客观有效。
发明内容
本发明的目的在于提供一种融合多定量评价指标的遥感影像最优分割结果确定方法,能够克服现有的遥感影像最优分割结果确定中用单一指标评价带来的不确定性问题,提高遥感影像分割结果的客观性、实用性和可靠性。
为实现上述目的,本发明采用如下技术方案:
一种融合多定量评价指标的遥感影像最优分割结果确定方法,依次包括以下步骤:
(1)图像分割:对高分遥感数据进行处理,获得研究区域的遥感影像,并对遥感影像进行影像分割,得到分割结果集;
(2)整体评价:计算步骤(1)得到的分割结果集的GS值,根据GS值大小,确定遥感影像分割参数的尺度区间参数;利用尺度区间参数计算分割结果集的E值,根据E值大小确定出初步最优分割结果集;
(3)整体细化:将初步最优分割结果集按对应的分割参数进行融合分割,确定出遥感影像整体最优分割结果;
(4)全局评价:计算影像整体最优分割结果中分割对象的H值,筛选出欠分割对象集、过分割对象集和保留分割对象集;
(5)全局细化:将欠分割对象集进行再分割,将过分割对象集进行合并,分别得到细化后的分割结果,并将细化后的分割结果与保留分割对象集进行联合,得到细化后分割结果集,并利用改进的GS值进行评价,确定出全局最优分割结果。
优选地,其特征在于:所述步骤(2)中,对遥感数据进行整体评价的过程如下:
①采用多尺度分割算法进行影像分割,改变尺度参数获得25个分割结果(0-250,尺度步长设为10),并计算所分割结果的GS值,选取其最小值对应的尺度参数S,在此参数左右区间各扩充50,得到一个尺度参数区间;其中,GS值计算公式如下:
式中,和分别代表分割结果内部对象的面积及方差,为分割结果内部对象个数,和分别代表分割结果内部对象和的灰度均值,为整幅影像的灰度均值,当和邻接时,为1,否则为0,其中,为和在波段的归一值,为波段总数,下标i=1,2,……,i;下标j=1,2,……,j;wVar和MI分别表示加权方差和莫兰指数;
②以步骤①得到的尺度参数区间为限制条件,用多尺度分割算法对研究区域的遥感影像进行影像分割,改变尺度参数获得20个分割结果(S±50,尺度步长设为5,S表示尺度参数),并计算全部分割结果的E值,其中,E值计算公式如下:
式中,和分别为分割结果内部对象在波段中不同像元灰度值,为由中两个不同像素灰度值组成的像素对的总数,和为分割结果内部对象和在波段中的灰度均值,是波段总数,和分别为的边界长度及与的公共边界长度,为分割结果内部对象的面积,为分割结果内部对象的总数,B表示波段总数;
③按照 原则从步骤②中计算的E值集中选出三个较大值,确定其对应的尺度参数具体值(S1、S2、S3);
其中的计算公式如下:
其中, 表示x的增量, 表示局部峰值, 、 和 分别表x、 和 处的一阶导数。
优选地,其特征在于,所述步骤(3)中,对初步最优分割结果集进行整体细化的过程如下:
①用多尺度分割算法对步骤(1)获得的初步最优分割结果集进行影像分割,其尺度参数为最大值,其他参数缺省,获得一次分割结果;
②以一次分割结果为专题图层,再用多尺度分割算法对初步最优分割结果集进行影像分割,其尺度参数为中间值,其他参数缺省,获得二次分割结果;
③以二次分割结果为专题图层,再用多尺度分割算法对初步最优分割结果集进行影像分割,其尺度参数为最小值,其他参数缺省,获得三次分割结果,即整体细化后的最优分割结果。
优选地,其特征在于,所述步骤(4)中,对影像整体最优分割结果进行全局评价的过程如下:
用光谱角原理构建H指标,计算整体最优分割结果的所有分割子区的H值,按其H值大小排序,并对H值进行统计分析,选用 u±2σ 区分欠分割和过分割的阈值,从而得到欠分割对象集、过分割对象集和保留分割对象集;
其中,H值计算公式如下:
式中,和分别为分割结果内部对象在波段中不同像元灰度值,为由中两个不同灰度值组成的像素对总数,为分割结果内部对象的某一像素对光谱角值,为分割结果内部对象的光谱角均值,和分别为分割结果内部某对象及分割结果整体,为像素对集合,和为分割结果内部某对象和分割结果整体的光谱角值;当和邻接时,为1,否则为0;为不同对象的光谱角值,即和为分割结果内部某对象和分割结果整体的光谱角值;当和邻接时,为1,否则为0;和分别表示分割结果内部对象的局部方差和局部莫兰指数;
优选地,所述步骤(5)中,对欠分割对象集、过分割对象集和保留分割对象集进行全局细化的过程如下:
①以欠分割对象集为专题图层,用多尺度分割算法对研究区域的遥感影像进行影像分割,尺度<min(S1、S2、S3)及步长为10,其他参数缺省,获得细化后的欠分割对象集;
②以过分割对象集为专题图层,用光谱差异分割算法对研究区域的遥感影像进行影像分割,差异值<min(S1、S2、S3)及步长为10,获得细化后的欠分割对象集;
③从细化后的欠分割对象集和细化后的欠分割对象集中任意取出一个子集与保留分割对象集融合,得到细化后分割结果;
④利用光谱角原理改进GS,从细化后的分割结果选出最小值从而确定出最优结果,
用光谱角原理改进GS,记aGS,其计算公式如下:
式中,和分别代表分割结果内部对象的面积及光谱角方差,和分别为分割结果内部对象和的光谱角值,为分割结果整体的的光谱角值;若和相邻,为1,否则为0;
本发明通过对高分遥感数据进行整体最优分割结果确定和全局最优分割结果确定两个步骤,来获取全局最优结果,从而能够客观地确定出遥感影像的最优分割结果,整个操作过程不需要人为选取参考对象,可以在计算机控制下自动完成全部工作,相比于现有方法,本发明在客观性、实用性和可靠性等方面具有明显的提高与改进。
附图说明
图1为本发明的流程图。
具体实施方式
以下结合附图对本发明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的部分实施例,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在没有做出创造性劳动的前提下所获得的其他所有实施例,都属于本发明的保护范围。
如图1所示,本发明所述的一种融合多定量评价指标的遥感影像最优分割结果确定方法,依次包括以下步骤:
(1)图像分割:对高分遥感数据进行处理,获得研究区域的遥感影像,并对遥感影像进行影像分割,得到分割结果集。
(2)整体评价:计算步骤(1)得到的分割结果集的GS值,根据GS值大小,确定遥感影像分割参数的尺度区间参数;利用尺度区间参数计算分割结果集的E值,根据E值大小确定出初步最优分割结果集。
①采用多尺度分割算法进行影像分割,改变尺度参数获得25个分割结果(0-250,尺度步长设为10),并计算所分割结果的GS值,选取其最小值对应的尺度参数S,在此参数左右区间各扩充50,得到一个尺度参数区间;其中,GS值计算公式如下:
式中,和分别代表分割结果内部对象的面积及方差,为分割结果内部对象个数,和分别代表分割结果内部对象和的灰度均值,为整幅影像的灰度均值,当和邻接时,为1,否则为0,其中,为和在波段的归一值,为波段总
数,下标i=1,2,……,i;下标j=1,2,……,j;wVar和MI分别表示加权方差和莫兰指数;
②以步骤①得到的尺度参数区间为限制条件,用多尺度分割算法对研究区域的遥感影像进行影像分割,改变尺度参数获得20个分割结果(S±50,尺度步长设为5,S表示尺度参数),并计算全部分割结果的E值,其中,E值计算公式如下:
式中,和分别为分割结果内部对象在波段中不同像元灰度值,为由中两个不同像素灰度值组成的像素对的总数,和为分割结果内部对象和在波段中的灰度均值,是波段总数,和分别为的边界长度及与的公共边界长度,为分割结果内部对象的面积,为分割结果内部对象的总数,B表示波段总数;
③按照 原则从步骤②中计算的E值集中选出三个较大值,确定其对应的尺度参数具体值(S1、S2、S3);随尺度参数变化,当接近图像占优的地物的真实边界时,E值会发生突变,即在速率图像上出现多个局部峰
其计算公式如下:
其中, 表示x的增量, 表示局部峰值, 、 和 分别表x、 和 处的一阶导数。
(3)整体细化:将初步最优分割结果集按对应的分割参数进行融合分割,确定出遥感影像整体最优分割结果。
①用多尺度分割算法对步骤(1)获得的初步最优分割结果集进行影像分割,其尺度参数为最大值,其他参数缺省,获得一次分割结果;
②以一次分割结果为专题图层,再用多尺度分割算法对初步最优分割结果集进行影像分割,其尺度参数为中间值,其他参数缺省,获得二次分割结果;
③以二次分割结果为专题图层,再用多尺度分割算法对初步最优分割结果集进行影像分割,其尺度参数为最小值,其他参数缺省,获得三次分割结果,即整体细化后的最优分割结果。
(4)全局评价:计算影像整体最优分割结果中分割对象的H值,筛选出欠分割对象集、过分割对象集和保留分割对象集。
用光谱角原理构建H指标,计算整体最优分割结果的所有分割子区的H值,按其H值大小排序,并对H值进行统计分析,选用 u±2σ 区分欠分割和过分割的阈值,从而得到欠分割对象集、过分割对象集和保留分割对象集;
其中,H值计算公式如下:
式中,和分别为分割结果内部对象在波段中不同像元灰度值,为由中两个不同灰度值组成的像素对总数,为分割结果内部对象的某一像素对光谱角值,为分割结果内部对象的光谱角均值,和分别为分割结果内部某对象及分割结果整体,为像素对集合,和为分割结果内部某对象和分割结果整体的光谱角值;当和
邻接时,为1,否则为0;为不同对象的光谱角值,即和为分割结果内部某对象和分割结果整体的光谱角值;当和邻接时,为1,否则为0;和分别表示分割结果内部对象的局部方差和局部莫兰指数;
。
(5)全局细化:将欠分割对象集进行再分割,将过分割对象集进行合并,分别得到细化后的分割结果,并将细化后的分割结果与保留分割对象集进行联合,得到细化后分割结果集,并利用改进的GS值进行评价,确定出全局最优分割结果。
①以欠分割对象集为专题图层,用多尺度分割算法对研究区域的遥感影像进行影像分割,尺度<min(S1、S2、S3)及步长为10,其他参数缺省,获得细化后的欠分割对象集;
②以过分割对象集为专题图层,用光谱差异分割算法对研究区域的遥感影像进行影像分割,差异值<min(S1、S2、S3)及步长为10,获得细化后的欠分割对象集;
③从细化后的欠分割对象集和细化后的欠分割对象集中任意取出一个子集与保留分割对象集融合,得到细化后分割结果;
④利用光谱角原理改进GS,从细化后的分割结果选出最小值从而确定出最优结果,
用光谱角原理改进GS,记aGS,其计算公式如下:
式中,和分别代表分割结果内部对象的面积及光谱角方差,和分别为分割结果内部对象和的光谱角值,为分割结果整体的的光谱角值;若和相邻,为1,否则为0;
Claims (5)
1.一种融合多定量评价指标的遥感影像最优分割结果确定方法,其特征在于,依次包括以下步骤:
(1)图像分割:对高分遥感数据进行处理,获得研究区域的遥感影像,并对遥感影像进行影像分割,得到分割结果集;
(2)整体评价:计算步骤(1)得到的分割结果集的GS值,根据GS值大小,确定遥感影像分割参数的尺度区间参数;利用尺度区间参数计算分割结果集的E值,根据E值大小确定出初步最优分割结果集;
(3)整体细化:将初步最优分割结果集按对应的分割参数进行融合分割,确定出遥感影像整体最优分割结果;
(4)全局评价:计算影像整体最优分割结果中分割对象的H值,筛选出欠分割对象集、过分割对象集和保留分割对象集;
(5)全局细化:将欠分割对象集进行再分割,将过分割对象集进行合并,分别得到细化后的分割结果,并将细化后的分割结果与保留分割对象集进行联合,得到细化后分割结果集,并利用改进的GS值进行评价,确定出全局最优分割结果。
2.如权利要求1所述的一种融合多定量评价指标的遥感影像最优分割结果确定方法,其特征在于:所述步骤(2)中,对遥感数据进行整体评价的过程如下:
①采用多尺度分割算法进行影像分割,改变尺度参数获得25个分割结果(0-250,尺度步长设为10),并计算所分割结果的GS值,选取其最小值对应的尺度参数S,在此参数左右区间各扩充50,得到一个尺度参数区间;
其中,GS值计算公式如下:
式中,和分别代表分割结果内部对象的面积及方差,为分割结果内部对象个数,和分别代表分割结果内部对象和的灰度均值,为整幅影像的灰度均值,当和邻接时,为1,否则为0,其中,为和在波段的归一值,为波段总数,下标i=1,2,……,i;下标j=1,2,……,j;wVar和MI分别表示加权方差和莫兰指数;
②以步骤①得到的尺度参数区间为限制条件,用多尺度分割算法对研究区域的遥感影像进行影像分割,改变尺度参数获得20个分割结果(S±50,尺度步长设为5,S表示尺度参数),并计算全部分割结果的E值,其中,E值计算公式如下:
式中,和分别为分割结果内部对象在波段中不同像元灰度值,为由中两个不同像素灰度值组成的像素对的总数,和为分割结果内部对象和在波段中的灰度均值,是波段总数,和分别为的边界长度及与的公共边界长度,为分割结果内部对象的面积,为分割结果内部对象的总数,B表示波段总数;
③按照原则从步骤②中计算的E值集中选出三个较大值,确定其对应的尺度参数具体值(S1、S2、S3);
其中的计算公式如下:
其中,表示x的增量, 表示局部峰值, 、 和 分别表 和 处的一阶导数。
3.如权利要求1所述的一种融合多定量评价指标的遥感影像最优分割结果确定方法,其特征在于,所述步骤(3)中,对初步最优分割结果集进行整体细化的过程如下:
①用多尺度分割算法对步骤(1)获得的初步最优分割结果集进行影像分割,其尺度参数为最大值,其他参数缺省,获得一次分割结果;
②以一次分割结果为专题图层,再用多尺度分割算法对初步最优分割结果集进行影像分割,其尺度参数为中间值,其他参数缺省,获得二次分割结果;
③以二次分割结果为专题图层,再用多尺度分割算法对初步最优分割结果集进行影像分割,其尺度参数为最小值,其他参数缺省,获得三次分割结果,即整体细化后的最优分割结果。
4.如权利要求1所述的一种融合多定量评价指标的遥感影像最优分割结果确定方法,其特征在于,所述步骤(4)中,对影像整体最优分割结果进行全局评价的过程如下:
用光谱角原理构建H指标,计算整体最优分割结果的所有分割子区的H值,按其H值大小排序,并对H值进行统计分析,选用 u±2σ 区分欠分割和过分割的阈值,从而得到欠分割对象集、过分割对象集和保留分割对象集;
其中,H值计算公式如下:
式中,和分别为分割结果内部对象在波段中不同像元灰度值,为由中两个不同灰度值组成的像素对总数,为分割结果内部对象的某一像素对光谱角值,为分割结果内部对象的光谱角均值,和分别为分割结果内部某对象及分割结果整体,为像素对集合,和为分割结果内部某对象和分割结果整体的光谱角值;当和邻接时,为1,否则为0;为不同对象的光谱角值,即和为分割结果内部某对象和分割结果整体的光谱角值;当和邻接时,为1,否则为0;和分别表示分割结果内部对象的局部方差和局部莫兰指数;
。
5.如权利要求1所述的一种遥感影像最优分割结果确定方法,其特征在于,所述步骤(5)中,对欠分割对象集、过分割对象集和保留分割对象集进行全局细化的过程如下:
①以欠分割对象集为专题图层,用多尺度分割算法对研究区域的遥感影像进行影像分割,尺度<min(S1、S2、S3)及步长为10,其他参数缺省,获得细化后的欠分割对象集;
②以过分割对象集为专题图层,用光谱差异分割算法对研究区域的遥感影像进行影像分割,差异值<min(S1、S2、S3)及步长为10,获得细化后的欠分割对象集;
③从细化后的欠分割对象集和细化后的欠分割对象集中任意取出一个子集与保留分割对象集融合,得到细化后分割结果;
④利用光谱角原理改进GS,从细化后的分割结果选出最小值从而确定出最优结果,
用光谱角原理改进GS,记aGS,其计算公式如下:
式中,和分别代表分割结果内部对象的面积及光谱角方差,和分别为分割结果内部对象和的光谱角值,为分割结果整体的的光谱角值;若和相邻,为1,否则为0;
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810002564.7A CN108053412B (zh) | 2018-01-02 | 2018-01-02 | 融合多定量评价指标的遥感影像最优分割结果确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810002564.7A CN108053412B (zh) | 2018-01-02 | 2018-01-02 | 融合多定量评价指标的遥感影像最优分割结果确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108053412A true CN108053412A (zh) | 2018-05-18 |
CN108053412B CN108053412B (zh) | 2021-10-01 |
Family
ID=62126014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810002564.7A Active CN108053412B (zh) | 2018-01-02 | 2018-01-02 | 融合多定量评价指标的遥感影像最优分割结果确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108053412B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322454A (zh) * | 2019-07-08 | 2019-10-11 | 自然资源部第二海洋研究所 | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 |
CN110751626A (zh) * | 2019-09-19 | 2020-02-04 | 北京航空航天大学 | 一种基于像元可靠性判定的卫星融合图像质量评价方法 |
CN112070745A (zh) * | 2020-09-08 | 2020-12-11 | 中国科学院空天信息创新研究院 | 一种快速有效的遥感影像分割非监督评价方法 |
CN114821375A (zh) * | 2022-06-27 | 2022-07-29 | 江西省地矿测绘有限公司 | 基于多源遥感数据的成图方法、装置、存储介质及设备 |
CN116051976A (zh) * | 2022-11-23 | 2023-05-02 | 河南理工大学 | 一种融合高程信息的遥感影像的处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361589A (zh) * | 2014-11-12 | 2015-02-18 | 河海大学 | 一种基于尺度间映射的高分辨率遥感影像分割方法 |
CN106971397A (zh) * | 2017-04-01 | 2017-07-21 | 郭建辉 | 基于改进jseg算法的城市高分辨率遥感影像分割方法 |
CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
-
2018
- 2018-01-02 CN CN201810002564.7A patent/CN108053412B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361589A (zh) * | 2014-11-12 | 2015-02-18 | 河海大学 | 一种基于尺度间映射的高分辨率遥感影像分割方法 |
CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
CN106971397A (zh) * | 2017-04-01 | 2017-07-21 | 郭建辉 | 基于改进jseg算法的城市高分辨率遥感影像分割方法 |
Non-Patent Citations (3)
Title |
---|
BRIAN JOHNSON ET AL.: "Unsupervised image segmentation evaluation and refinement using a multi-scale approach", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
NICHOLAS CLINTON ET AL.: "Accuracy Assessment Measures for Object-based Image Segmentation Goodness", 《PHOTOGRAMMETRIC ENGINEERING & REMOTE SENSING》 * |
张宏民: "南京市典型区域城市绿地的多尺度分割优化", 《中国优秀硕士学位论文全文数据库(基础科学辑)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322454A (zh) * | 2019-07-08 | 2019-10-11 | 自然资源部第二海洋研究所 | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 |
CN110322454B (zh) * | 2019-07-08 | 2021-12-10 | 自然资源部第二海洋研究所 | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 |
CN110751626A (zh) * | 2019-09-19 | 2020-02-04 | 北京航空航天大学 | 一种基于像元可靠性判定的卫星融合图像质量评价方法 |
CN110751626B (zh) * | 2019-09-19 | 2022-07-19 | 北京航空航天大学 | 一种基于像元可靠性判定的卫星融合图像质量评价方法 |
CN112070745A (zh) * | 2020-09-08 | 2020-12-11 | 中国科学院空天信息创新研究院 | 一种快速有效的遥感影像分割非监督评价方法 |
CN112070745B (zh) * | 2020-09-08 | 2022-11-22 | 中国科学院空天信息创新研究院 | 一种快速有效的遥感影像分割非监督评价方法 |
CN114821375A (zh) * | 2022-06-27 | 2022-07-29 | 江西省地矿测绘有限公司 | 基于多源遥感数据的成图方法、装置、存储介质及设备 |
CN116051976A (zh) * | 2022-11-23 | 2023-05-02 | 河南理工大学 | 一种融合高程信息的遥感影像的处理方法 |
CN116051976B (zh) * | 2022-11-23 | 2023-09-19 | 河南理工大学 | 一种融合高程信息的遥感影像的处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108053412B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053412A (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 | |
CN107123123B (zh) | 基于卷积神经网络的图像分割质量评价方法 | |
CN109934200B (zh) | 一种基于改进M-Net的RGB彩色遥感图像云检测方法及系统 | |
WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
CN108319972A (zh) | 一种针对图像语义分割的端到端差异网络学习方法 | |
CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN106462771A (zh) | 一种3d图像的显著性检测方法 | |
CN110503613B (zh) | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 | |
CN109801292A (zh) | 一种基于生成对抗网络的沥青公路裂缝图像分割方法 | |
Yang et al. | River delineation from remotely sensed imagery using a multi-scale classification approach | |
CN104408458B (zh) | 基于射线补全区域图和特征学习的sar图像分割方法 | |
CN112489054A (zh) | 一种基于深度学习的遥感图像语义分割方法 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN105590301B (zh) | 自适应正斜双十字窗均值滤波的脉冲噪声消除方法 | |
CN114897742B (zh) | 一种纹理和结构特征两次融合的图像修复方法 | |
CN109961105B (zh) | 一种基于多任务深度学习的高分辨率遥感影像分类方法 | |
CN111640128A (zh) | 一种基于U-Net网络的细胞图像分割方法 | |
CN110378921A (zh) | 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法 | |
CN108765478A (zh) | 一种建筑点云中分离单体建筑的密度聚类算法 | |
CN115661072A (zh) | 一种基于改进Faster RCNN算法的圆盘耙片表面缺陷检测方法 | |
CN113392849A (zh) | 一种基于r-cnn的复杂路面裂缝识别方法 | |
CN113505670A (zh) | 基于多尺度cam和超像素的遥感图像弱监督建筑提取方法 | |
CN102129576A (zh) | 全天空极光图像占空比参数的提取方法 | |
CN105069766B (zh) | 一种基于汉字图像轮廓特征描述的碑文修复方法 |
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 |