在高分辨率遥感图像分割方法中,分形网络演化算法(fractal net evolution approach,FNEA)是一种经典的影像对象构造方法。但在计算影像对象之间的异质性时,使用根据经验选择的固定权值会导致该算法不能很好地适应不同属性的影像对象分...在高分辨率遥感图像分割方法中,分形网络演化算法(fractal net evolution approach,FNEA)是一种经典的影像对象构造方法。但在计算影像对象之间的异质性时,使用根据经验选择的固定权值会导致该算法不能很好地适应不同属性的影像对象分割。针对这一问题,提出了一种改进的FNEA方法,根据不同影像对象的空间和光谱特征,自适应地计算空间判据权值和紧凑度判据权值,并将不同光谱分量对光谱判据的贡献引入到影像对象之间异质性的计算中。计算机仿真实验结果表明,该文提出的算法对不同属性的影像对象具有很好的适应性,与同类算法相比,图像分割结果得到了较好的改善。展开更多
在面向对象多光谱图像分割方法中,初始对象特征往往无法反映真实区域的整体特征,从而产生错误的合并结果。针对以上问题,提出采用简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素与结构张量粗分割相结合的方法对其进...在面向对象多光谱图像分割方法中,初始对象特征往往无法反映真实区域的整体特征,从而产生错误的合并结果。针对以上问题,提出采用简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素与结构张量粗分割相结合的方法对其进行改进。先采用SLIC超像素方法产生初始过分割结果,用结构张量产生尺度空间下的粗分割结果,再用粗分割结果指导超像素进行初步合并,使分形网络演化方法(fractal net evolution approach,FNEA)所面向的初始对象能够表达该区域的整体特征,增强后续合并过程对噪声的抗性。将该方法与传统FNEA的分割结果对比表明,该方法具有良好的抗噪能力,对复杂城区高空间分辨率多光谱图像能够得到较好的分割结果。展开更多
文摘在高分辨率遥感图像分割方法中,分形网络演化算法(fractal net evolution approach,FNEA)是一种经典的影像对象构造方法。但在计算影像对象之间的异质性时,使用根据经验选择的固定权值会导致该算法不能很好地适应不同属性的影像对象分割。针对这一问题,提出了一种改进的FNEA方法,根据不同影像对象的空间和光谱特征,自适应地计算空间判据权值和紧凑度判据权值,并将不同光谱分量对光谱判据的贡献引入到影像对象之间异质性的计算中。计算机仿真实验结果表明,该文提出的算法对不同属性的影像对象具有很好的适应性,与同类算法相比,图像分割结果得到了较好的改善。
文摘由于高分辨率全色影像(简称"高分影像")中的信息高度细节化,再加上噪声的影响,会导致传统基于纹理特征的居民地提取方法效果不理想。为此,提出一种基于小波纹理和基元合并的居民地提取方法。首先,利用结合小波变换(wavelet transform,WT)的分形网络进化算法(fractal net evolution approach,FNEA)获取初始基元,并对基元的多尺度小波纹理进行分析;然后,在人工给定种子基元的基础上合并具有相似纹理的基元;最后,对基元合并的结果进行数学形态学修整,得到居民地区域。利用天绘一号(TH-1)全色影像对所提方法进行验证及对比分析的结果表明,该方法对高分影像中的街区式居民地可取得较高的提取精度和计算效率。
文摘在面向对象多光谱图像分割方法中,初始对象特征往往无法反映真实区域的整体特征,从而产生错误的合并结果。针对以上问题,提出采用简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素与结构张量粗分割相结合的方法对其进行改进。先采用SLIC超像素方法产生初始过分割结果,用结构张量产生尺度空间下的粗分割结果,再用粗分割结果指导超像素进行初步合并,使分形网络演化方法(fractal net evolution approach,FNEA)所面向的初始对象能够表达该区域的整体特征,增强后续合并过程对噪声的抗性。将该方法与传统FNEA的分割结果对比表明,该方法具有良好的抗噪能力,对复杂城区高空间分辨率多光谱图像能够得到较好的分割结果。
