基于各向异性马尔科夫随机场的遥感影像分割
发布时间：2021-10-08 20:21
近年来随着传感器技术的不断发展,所获遥感影像的分辨率越来越高,使得一些学者对高分辨率影像产生了浓厚的研究兴趣.因此,对于高分辨率遥感影像（HSR）的处理成为目前遥感领域备受关注的问题.其中遥感影像分割在遥感领域中占有极其重要的地位,是该领域的重要研究问题之一.影像分割的目的是把影像划分成若干个区域,这些区域内部性质相似,但区域之间差异较大.目前有多种方法用于遥感影像的分割,例如:聚类,阈值法,基于边缘检测的方法,Markov Random Field（MRF）模型等.其中MRF模型的理论知识已逐步发展至成熟,并可以详尽的描述影像的空间信息,因此被广泛应用于影像分割.但随着传感器技术的不断提高,获取影像的细节特征和结构特征不断增加,使得该模型对同一类别中的异质区域或不同类别中的同质区域没有较好的分割效果.不仅如此,影像中的不平衡数据分类问题,也给分割增加了难度.现有的分割方法往往只能保证区域,不能兼顾细节（即小区域类别容易被大区域”吞掉”）.针对上述问题,本文主要做了以下研究工作:研究了对于遥感影像分割的对象级各向异性准则方法（Object-based Markov Random Fie...
【文章来源】：河南大学河南省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
提出的用于影像分割的OMRF-AP模型的流程图
第三章基于OMRF-AP模型的遥感影像语义分割27因此存在一些错误分类,例如图3-8（a）右上角的纹理（编号3）.所提出的OMRF-AP方法的性能是没有训练数据的无监督方法,可以达到或优于有监督的NED-MRF模型的性能,例如图3-8（h）右上角的纹理.也就是说,APM和EVPI值可以为OMRF模型提供更多类别信息,该信息展示了与训练数据信息的相似作用.因此APM可以更准确地描述不同类别之间的相互作用,并且用EVPI项进行的新概率推断可以涉及每个顶点的后验概率的所有类别信息.这使得OMRF-AP模型可以有效地区分纹理图案.OMRF-AP模型的定量指标也与NED-MRF模型相似,如表3-4和表3-5所示.此外,根据启发式设置方法,这两个纹理实验的APM由公式3-9和公式3-10给出,其中不同的纹理在每个影像的真实情况下都说明了所提模型在纹理影像的分割优势.图3-7纹理图的6种基于MRF的方法的分割结果.(a)待分割影像.(b)带有类别编号的视觉解释结果.(c)ICM的结果.(d)MRMRF的结果.(e)IRGS的结果.(f)OMRF的结果.(g)NED-MRF的结果.(h)OMRF-AP的结果.1(,)=[00.9980.9980.998110.998011110.9980.99801111110111.00210.9981.0020111.0020.9981.00210].(3-9)
基于各向异性马尔科夫随机场的遥感影像分割28图3-8纹理图的6种基于MRF的方法的分割结果.(a)待分割的航空影像.(b)带有类别编号的视觉解释结果.(c)ICM的结果.(d)MRMRF的结果.(e)IRGS的结果.(f)OMRF的结果.(g)NED-MRF的结果.(h)OMRF-AP的结果.2(,)=[00.99511111.00200.995111110111111011111101110.99110].(3-10)遥感影像分割为了进一步测试OMRF-AP模型,本节对两幅航拍影像做实验.第一幅是SPOT5影像,如图3-9（a）所示,大小为438×438,位于中国平朔地区.它被分为3个部分,即城镇,农田和森林.图3-9展示了不同方法的结果.在该实验中,公式3-11中给出了OMRF-AP的APM：3(,)=[0111011.021.030].(3-11)如图3-9(a)所示,SPOT5影像的城镇包含各种子对象,例如屋顶,道路,树木等,它们具有不同的外观.同时,城镇和森林中都有树木.这些因素导致了ICM许多城镇地区的错误分类情况.通过扩展空间邻域,MRMRF,IRGS和OMRF模型的性能要好得多.但是部分城镇地区的结果仍被错误标记.利用训练数据,NED-MRF可以大致识别整个城镇.但是,它仍然无法识别具有异常特征的一些子对象,例如城镇中心具有明亮屋顶的建筑物.通过使用
【参考文献】：
期刊论文
[1]一种改进型Canny算子边缘检测算法[J]. 朱秋林,石银涛,李靖. 地理空间信息. 2020(01)
[2]基于高阶正则与非光滑数据拟合项的图像边缘检测模型[J]. 李春,陈静思,王鹏彦,李健,罗泽. 计算机系统应用. 2020(01)
[3]基于图像边缘增强与弱化的边缘检测[J]. 张晗,钱育蓉,王跃飞,陈人和,田宸玮. 计算机工程与设计. 2019(11)
[4]遥感影像监督分割评价指标比较与分析[J]. 李泽宇,明冬萍,范莹琳,赵林峰,刘思民. 地球信息科学学报. 2019(08)
[5]遥感影像的海岸线自动提取方法研究进展[J]. 吴一全,刘忠林. 遥感学报. 2019(04)
[6]深度学习语义分割方法在遥感影像分割中的性能分析[J]. 王俊强,李建胜,丁波,蔡富. 计算机测量与控制. 2019(07)
[7]图像分割技术在遥感影像地物信息自动提取中的应用分析[J]. 程香丽. 四川水泥. 2019(07)
[8]多尺度对象高空间分辨率遥感影像谱聚类分割[J]. 李军军,曹建农,廖娟,程贝贝,朱莹莹. 测绘科学. 2019(10)
[9]一种具有边缘保持的多尺度马尔可夫随机场模型图像分割方法[J]. 孟月波,刘光辉,徐胜军,冯峰. 西安交通大学学报. 2019(03)
[10]人工智能时代测绘遥感技术的发展机遇与挑战[J]. 龚健雅. 武汉大学学报(信息科学版). 2018(12)
博士论文
[1]高分辨率遥感影像分割方法及应用研究[D]. 刘大伟.长安大学 2016
硕士论文
[1]基于深度学习的高分辨率遥感影像语义分割的研究与应用[D]. 汪志文.北京邮电大学 2019
[2]基于模糊聚类的高分辨率遥感影像分类算法研究[D]. 黄磊.重庆邮电大学 2019
[3]基于深度学习的遥感图像语义分割方法研究[D]. 林锦发.广东工业大学 2019
[4]基于混合高斯模型的智能视频多目标检测算法研究[D]. 何利平.广西师范大学 2014
[5]K均值算法研究及其应用[D]. 朱建宇.大连理工大学 2013
[6]基于直方图阈值法的遥感图像分割算法研究[D]. 卢建华.福建农林大学 2013
本文编号：3424891
【文章来源】：河南大学河南省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
提出的用于影像分割的OMRF-AP模型的流程图
第三章基于OMRF-AP模型的遥感影像语义分割27因此存在一些错误分类,例如图3-8（a）右上角的纹理（编号3）.所提出的OMRF-AP方法的性能是没有训练数据的无监督方法,可以达到或优于有监督的NED-MRF模型的性能,例如图3-8（h）右上角的纹理.也就是说,APM和EVPI值可以为OMRF模型提供更多类别信息,该信息展示了与训练数据信息的相似作用.因此APM可以更准确地描述不同类别之间的相互作用,并且用EVPI项进行的新概率推断可以涉及每个顶点的后验概率的所有类别信息.这使得OMRF-AP模型可以有效地区分纹理图案.OMRF-AP模型的定量指标也与NED-MRF模型相似,如表3-4和表3-5所示.此外,根据启发式设置方法,这两个纹理实验的APM由公式3-9和公式3-10给出,其中不同的纹理在每个影像的真实情况下都说明了所提模型在纹理影像的分割优势.图3-7纹理图的6种基于MRF的方法的分割结果.(a)待分割影像.(b)带有类别编号的视觉解释结果.(c)ICM的结果.(d)MRMRF的结果.(e)IRGS的结果.(f)OMRF的结果.(g)NED-MRF的结果.(h)OMRF-AP的结果.1(,)=[00.9980.9980.998110.998011110.9980.99801111110111.00210.9981.0020111.0020.9981.00210].(3-9)
基于各向异性马尔科夫随机场的遥感影像分割28图3-8纹理图的6种基于MRF的方法的分割结果.(a)待分割的航空影像.(b)带有类别编号的视觉解释结果.(c)ICM的结果.(d)MRMRF的结果.(e)IRGS的结果.(f)OMRF的结果.(g)NED-MRF的结果.(h)OMRF-AP的结果.2(,)=[00.99511111.00200.995111110111111011111101110.99110].(3-10)遥感影像分割为了进一步测试OMRF-AP模型,本节对两幅航拍影像做实验.第一幅是SPOT5影像,如图3-9（a）所示,大小为438×438,位于中国平朔地区.它被分为3个部分,即城镇,农田和森林.图3-9展示了不同方法的结果.在该实验中,公式3-11中给出了OMRF-AP的APM：3(,)=[0111011.021.030].(3-11)如图3-9(a)所示,SPOT5影像的城镇包含各种子对象,例如屋顶,道路,树木等,它们具有不同的外观.同时,城镇和森林中都有树木.这些因素导致了ICM许多城镇地区的错误分类情况.通过扩展空间邻域,MRMRF,IRGS和OMRF模型的性能要好得多.但是部分城镇地区的结果仍被错误标记.利用训练数据,NED-MRF可以大致识别整个城镇.但是,它仍然无法识别具有异常特征的一些子对象,例如城镇中心具有明亮屋顶的建筑物.通过使用
【参考文献】：
期刊论文
[1]一种改进型Canny算子边缘检测算法[J]. 朱秋林,石银涛,李靖. 地理空间信息. 2020(01)
[2]基于高阶正则与非光滑数据拟合项的图像边缘检测模型[J]. 李春,陈静思,王鹏彦,李健,罗泽. 计算机系统应用. 2020(01)
[3]基于图像边缘增强与弱化的边缘检测[J]. 张晗,钱育蓉,王跃飞,陈人和,田宸玮. 计算机工程与设计. 2019(11)
[4]遥感影像监督分割评价指标比较与分析[J]. 李泽宇,明冬萍,范莹琳,赵林峰,刘思民. 地球信息科学学报. 2019(08)
[5]遥感影像的海岸线自动提取方法研究进展[J]. 吴一全,刘忠林. 遥感学报. 2019(04)
[6]深度学习语义分割方法在遥感影像分割中的性能分析[J]. 王俊强,李建胜,丁波,蔡富. 计算机测量与控制. 2019(07)
[7]图像分割技术在遥感影像地物信息自动提取中的应用分析[J]. 程香丽. 四川水泥. 2019(07)
[8]多尺度对象高空间分辨率遥感影像谱聚类分割[J]. 李军军,曹建农,廖娟,程贝贝,朱莹莹. 测绘科学. 2019(10)
[9]一种具有边缘保持的多尺度马尔可夫随机场模型图像分割方法[J]. 孟月波,刘光辉,徐胜军,冯峰. 西安交通大学学报. 2019(03)
[10]人工智能时代测绘遥感技术的发展机遇与挑战[J]. 龚健雅. 武汉大学学报(信息科学版). 2018(12)
博士论文
[1]高分辨率遥感影像分割方法及应用研究[D]. 刘大伟.长安大学 2016
硕士论文
[1]基于深度学习的高分辨率遥感影像语义分割的研究与应用[D]. 汪志文.北京邮电大学 2019
[2]基于模糊聚类的高分辨率遥感影像分类算法研究[D]. 黄磊.重庆邮电大学 2019
[3]基于深度学习的遥感图像语义分割方法研究[D]. 林锦发.广东工业大学 2019
[4]基于混合高斯模型的智能视频多目标检测算法研究[D]. 何利平.广西师范大学 2014
[5]K均值算法研究及其应用[D]. 朱建宇.大连理工大学 2013
[6]基于直方图阈值法的遥感图像分割算法研究[D]. 卢建华.福建农林大学 2013
本文编号：3424891
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3424891.html
