结合多特征和模糊偏好关系的高分辨率遥感影像分割

发布时间：2021-10-08 06:58

　　高空间分辨率（简称高分辨率）遥感影像除光谱特征外,还包含丰富的纹理特征,为了实现高分辨率遥感影像的高精度分割,提出结合多特征和模糊偏好关系的分割方法.首先,通过像素光谱测度定义多种统计特征,根据定义的各个特征提取特征影像并分别实现影像分割,利用其结果构建模糊决策矩阵;然后,基于像素定义特征间的模糊偏好关系矩阵,计算不同特征对最终分割决策的权重,并对模糊决策矩阵加权以突出优势特征,抑制劣势特征;最后,通过反模糊化决策矩阵得到最优影像分割结果.对合成影像和真实高分辨率遥感影像的分割结果进行定性和定量评价,结果表明,合成影像的分割总精度为99.8%, Kappa值为0.998,说明所提出的算法通过结合各特征的优势部分能够获得高精度的分割结果. 

【文章来源】：控制与决策. 2020,35(04)北大核心EICSCD

【文章页数】：10 页

【部分图文】：

真实高分辨率遥感影像的单一特征分割结果

为了对本文算法进行定性评价,提取其分割结果的轮廓线(见图6(b))与原始影像进行叠加(见图6(c)).可以看出,本文算法的各区域与原始影像均拟合较好.为了进一步验证本文算法对真实高分辨率遥感影像分割性能的优势,利用WFCM算法(各特征的权重人为设置为[0.4,0.15,0.15,0.15,0.15])、文献算法作为对比算法对图4进行分割实验.4种对比算法分割结果见图7:图7(a)为WFCM算法的分割结果,可以看出,WFCM算法对于真实高分辨率遥感影像的分割结果同样不理想;图7(b)为文献算法的分割结果,可以看出,基于区域划分的操作使得各影像在区域内部分割较好,但在边界处分割精度降低;图7(c)为文献算法的分割结果,可以看出,图7(c)中I～III出现过分割,图7(c)中IV～VI包含噪声和异常值较多;图7(d)为文献算法的分割结果可以看出,该算法抗噪声和异常值能力较强,但是依旧有小部分区域划分错误,分割效果没有本文算法好.综合而言,针对真实高分辨率遥感影像,4种对比算法在分割精度方面均比不过本文算法,本文算法的性能要优于对比算法,充分验证了本文算法的优势.图7 对比算法分割结果

对比算法分割结果

【参考文献】：
期刊论文
[1]利用高斯混合模型的多光谱图像模糊聚类分割[J]. 李玉,徐艳,赵雪梅,赵泉华.  光学精密工程. 2017(02)
[2]基于多特征的高分遥感图像分割算法研究[J]. 金永涛,李旭青,张周威,陈曦.  中国空间科学技术. 2016(06)
[3]高分辨率遥感影像的平原建成区提取[J]. 温奇,王薇,李苓苓,梅立琴,谭毅华.  光学精密工程. 2016(10)
[4]一种加权模糊C均值聚类算法及其在图像分割中的应用[J]. 薛艳锋,刘继华,高永强,高志娥,武彩红.  计算机应用与软件. 2016(07)
[5]基于快速递推模糊2-划分熵图割的红外图像分割[J]. 尹诗白,王一斌,邓箴.  光学精密工程. 2016(03)
[6]基于区域划分的多特征纹理图像分割[J]. 赵泉华,高郡,李玉.  仪器仪表学报. 2015(11)
[7]基于多特征融合条件随机场的人脸图像分割[J]. 尹艳鹏,周颖,曾丹,程诚,张之江.  电子测量技术. 2015(06)
[8]基于模糊测度和证据理论的模糊聚类集成方法[J]. 毕凯,王晓丹,邢雅琼.  控制与决策. 2015(05)
[9]融合颜色和纹理特征的彩色图像分割[J]. 贾士军,王昆.  测绘科学. 2014(12)
[10]基于灰度共生矩阵的纹理提取方法研究[J]. 任国贞,江涛.  计算机应用与软件. 2014(11)



本文编号：3423650