發(fā)布時間：2021-09-02 18:49

　　隨著超像素算法的發(fā)展,簡單線性迭代聚類算法（SLIC）簡單和良好的分割效果被廣泛應用,主要應用在林地信息提取、目標跟蹤、生物醫(yī)學圖像等領域。但針對簡單線性迭代聚類算法在紋理較為復雜的遙感影像分割中的不足,提出了一種改進SLIC的超像素分割算法（M-SLIC）。首先使用均值漂移算法對預處理后的LandSat8遙感影像進行均值漂移,再結(jié)合均勻模式+旋轉(zhuǎn)不變的線性反投影算法（LBP）和SLIC算法,對遙感影像進行超像素分割處理。結(jié)果表明:M-SLIC超像素分割算法分割遙感影像時相比較SLIC算法在邊緣召回率上提高了1.5%,在欠分割錯誤率上降低了2%,M-SLIC算法能夠更好地貼合遙感影像邊緣,對于顏色相近的地物分割的欠分割錯誤率更低,更適合紋理較為復雜的林地遙感影像。 

【文章來源】：東北林業(yè)大學學報. 2020,48(11)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

原始圖像與不同處理圖像的比較

因此,M-SLIC在LandSat8遙感影像處理中,能夠很好的捕捉地物變化特征,反映不同地物典型的紋理信息,并且邊界捕捉更精準,具有更好的準確率和魯棒性;M-SLIC在欠分割錯誤率以及覆蓋率上優(yōu)于SLIC、SLIC融合紋理、LSC、SEEDS算法。圖3 不同超像素不同算法的邊緣召回率和欠分割錯誤率變化趨勢

圖2 LandSat8遙感影像分割結(jié)果表3 幾種主要算法運行時間對比 算法 不同超像素不同算法的運行時間/s 100塊超像素 200塊超像素 300塊超像素 400塊超像素 500塊超像素 600塊超像素 700塊超像素 800塊超像素 900塊超像素 1 000塊超像素 M-SLIC 3.10 3.15 3.18 3.40 3.50 3.70 3.75 4.05 4.10 4.15 SLIC紋理 3.04 3.12 3.20 3.27 3.30 3.42 3.47 3.51 3.74 3.82 SLIC 2.13 2.17 2.25 2.31 2.39 2.45 2.58 2.75 2.92 3.11 SEEDS 1.12 1.18 1.21 1.28 1.33 1.38 1.46 1.51 1.57 2.44 LSC 2.55 2.57 2.61 2.56 2.72 2.75 3.05 3.13 3.22 3.31

【參考文獻】：
期刊論文
[1]FLIC: Fast linear iterative clustering with active search[J]. Jiaxing Zhao,Ren Bo,Qibin Hou,Ming-Ming Cheng,Paul Rosin.  Computational Visual Media. 2018(04)
[2]改進的GrabCut算法木材表面缺陷圖像分割試驗[J]. 白雪冰,宋恩來,李潤佳,許景濤.  東北林業(yè)大學學報. 2017(10)
[3]基于改進SLIC方法的彩色圖像分割[J]. 張亞亞,劉小偉,劉福太,張建廷.  計算機工程. 2015(04)
[4]商標圖像平滑濾波算法研究與應用[J]. 黃曉剛,劉蘇.  機械制造與自動化. 2014(01)
[5]自適應Mean Shift算法的彩色圖像平滑與分割算法[J]. 王晏,孫怡.  自動化學報. 2010(12)
[6]一種新的基于高階非線性擴散的圖像平滑方法[J]. 賈迪野,黃鳳崗,蘇菡.  計算機學報. 2005(05)



本文編號：3379539