【摘要】：根據(jù)基于區(qū)域增長的面向?qū)ο髨D像分割的本質(zhì)特點,將統(tǒng)計學(xué)習(xí)理論與最小生成樹算法相結(jié)合,提出了一種基于統(tǒng)計學(xué)習(xí)理論的最小生成樹圖像分割準則。將該圖像分割準則應(yīng)用于多種遙感影像數(shù)據(jù)進行分割實驗,其結(jié)果表明基于統(tǒng)計學(xué)習(xí)理論的最小生成樹圖像分割準則能通過簡便的參數(shù)設(shè)置,即可以較好地實現(xiàn)不同尺度目標的圖像分割,同時又能對紋理區(qū)域進行有效分割,能獲得良好的區(qū)域邊界和較好的抗噪聲性能,并在海岸帶大比例尺無人機正射影像的圖像分割實踐中得到了較好驗證。
【圖文】：

則１，Ｉ′ｉ是ＭＳＴ的邊權(quán)期望（均值），因此，要得到好的分割結(jié)果，應(yīng)該設(shè)置Ｍ為期望的邊權(quán)均值，對于判決準則２，Ｍ應(yīng)該設(shè)置為希望得到的區(qū)域的最大邊權(quán)。給定一個小的δ和損失上界Ｍ，合并閾值隨著區(qū)域的增大而減校這意味著在合并過程中，區(qū)域面積較小時允許區(qū)域內(nèi)部具有較大差異，而隨著區(qū)域面積的增大，它所允許的區(qū)域內(nèi)差異較小，保證了區(qū)域的一致性，這使得該準則具有較高的抗噪聲能力，避免產(chǎn)生太小區(qū)域（過分割）。在準則１中，使用ＭＳＴ的邊權(quán)均值來判斷和預(yù)測圖２Ｍ取不同值時閾值隨面積的變化規(guī)律Ｆｉｇ．２ＲｅｌａｔｉｏｎｓｈｉｐＢｅｔｗｅｅｎｔｈｅＴｈｒｅｓｈｏｌｄａｎｄｔｈｅＡｒｅａｗｉｔｈＤｉｆｆｅｒｅｎｔＭ兩個區(qū)域是否允許合并，削弱了大邊權(quán)值的影響，因此，它允許區(qū)域內(nèi)存在大的不均勻性。而準則２用最大邊權(quán)來進行判斷預(yù)測，因此，能較好地保持區(qū)域內(nèi)部一致性和邊界信息。從計算量考慮，使用準則１時，在合并算法實現(xiàn)過程中需要存儲區(qū)域中每個邊權(quán)值并且計算它們的和與均值，而在準則２的實現(xiàn)過程中，只需使用當前訪問邊，因此，對于準則１來說所需計算量和存儲量都大于準則２。另外，在構(gòu)造影像圖模型的過程中，很容易得到最大邊權(quán)值，即損失上界Ｍ，這樣就可以根據(jù)其大小和允許內(nèi)部差異大小給出一個推薦Ｍ值，從而實現(xiàn)不同尺度參數(shù)下的分割。綜上所述，準則２在算法的準確度和效率上都優(yōu)于準則１。３．２分割實驗結(jié)果與分析本文以我國陽江海域無人機遙感影像數(shù)據(jù)（由ＤＭ１５０型號飛機于２０１４－１１－２８，在飛行高度為８００ｍ獲取的０．１８ｍ分辨率影像生成的１∶２０００

部差異也更大，這是因為準則１采用了區(qū)域邊權(quán)平均，，而準則２采用的是區(qū)域內(nèi)最大邊權(quán)值，更保證了區(qū)域內(nèi)部的一致性。另一方面，兩個準則都隨著參數(shù)Ｍ值的增大，分割所得區(qū)域面積也在不斷增大，因此，通過選擇合適的參數(shù)Ｍ的值，將得到不同細節(jié)的分割區(qū)域。同時，由于算法相同，參數(shù)控制總的思想相同，因此，采用準則２同樣可以得到準則１的分割結(jié)果。從圖中可以發(fā)現(xiàn)，這兩個準則都隨著分割尺度參數(shù)的增大，區(qū)域內(nèi)部的細節(jié)被忽略，具有保證分割結(jié)果整個區(qū)域完整性的特點，即避免產(chǎn)生過分割。圖３采用準則１分割所得結(jié)果Ｆｉｇ．３ＳｅｇｍｅｎｔａｔｉｏｎＲｅｓｕｌｔｓｂｙｔｈｅＦｉｒｓｔＣｒｉｔｅｒｉｏｎ圖４采用準則２分割所得結(jié)果Ｆｉｇ．４ＳｅｇｍｅｎｔａｔｉｏｎＲｅｓｕｌｔｓｂｙｔｈｅＳｅｃｏｎｄＣｒｉｔｅｒｉｏｎ通過實驗可知，準則２能較好地得到區(qū)域邊界，且不會出現(xiàn)重邊等過細的不必要的分割邊界。２）第二組實驗將本文提出的準則２與Ｆｅｌｚｅｎｓｚｗａｌｂ等［７］提出的分割準則比較。圖５（ａ）為采用準則２�。停剑玻皶r得到的分割結(jié)果，圖５（ｃ）為采用Ｆｅｌｚｅｎｓｚｗａｌｂ準則取ｋ＝２５５時所得分割結(jié)果。從圖５中可以發(fā)現(xiàn)，采用Ｆｅｌｚｅｎｓｚｗａｌｂ準則得到的分割結(jié)果存在很多雙邊區(qū)域，如圖５（ｂ）和５（ｄ）中黃色框內(nèi)局部顯示，這些雙邊小區(qū)域?qū)τ趨^(qū)域劃分和目標識別來說過于瑣碎，并且容易在整體內(nèi)部出現(xiàn)小對象，如圖中的圍塘，采用Ｆｅｌｚｅｎｓｚｗａｌｂ準則會出現(xiàn)很多過分割，不利于整體分析；另外，從圖中可以看出，本文方法也可以將輪船邊界分割的較好，而
【作者單位】： 國家海洋局南海規(guī)劃與環(huán)境研究院;武漢大學(xué)遙感信息工程學(xué)院;
【基金】：海洋公益性行業(yè)科研專項(201305020-7) 深圳大學(xué)空間信息智能感知與服務(wù)深圳市重點實驗室開放研究基金(201302) 國家海洋局南海分局海洋科學(xué)技術(shù)局長基金 國家自然科學(xué)基金(41101410) 湖北省自然科學(xué)基金(2011CDB273)~~
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 唐偉力;龍建忠;;一種基于降雨模型的圖像分割方法在礫巖圖像分割中的應(yīng)用[J];成都信息工程學(xué)院學(xué)報;2007年02期

2 黃曉莉;曾黃麟;王秀碧;劉永春;;基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像分割[J];信息技術(shù);2008年09期

3 肖飛;綦星光;;圖像分割方法綜述[J];可編程控制器與工廠自動化;2009年11期

4 汪一休;;一種交互式圖像分割的修正優(yōu)化方法[J];中國科學(xué)技術(shù)大學(xué)學(xué)報;2010年02期

5 李丹;;圖像分割方法及其應(yīng)用研究[J];科技信息;2010年36期

6 龔永義;黃輝;于繼明;關(guān)履泰;;基于熵的兩區(qū)域圖像分割[J];中國圖象圖形學(xué)報;2011年05期

7 張甫;李興來;陳佳君;;淺談圖像分割方法的研究運用[J];科技創(chuàng)新與應(yīng)用;2012年04期

8 汪梅;何高明;賀杰;;常見圖像分割的技術(shù)分析與比較[J];計算機光盤軟件與應(yīng)用;2013年06期

9 魏慶;盧照敢;邵超;;基于復(fù)雜性指數(shù)的圖像分割必要性判別技術(shù)[J];計算機工程與應(yīng)用;2013年16期

10 陳曉丹;李思明;;圖像分割研究進展[J];現(xiàn)代計算機(專業(yè)版);2013年33期

相關(guān)會議論文 前10條

1 楊魁;趙志剛;;圖像分割技術(shù)綜述[A];2008年中國高校通信類院系學(xué)術(shù)研討會論文集（下冊）[C];2009年

2 楊暄;郭成安;李建華;;改進的脈沖耦合神經(jīng)網(wǎng)絡(luò)及其在圖像分割中的應(yīng)用[A];第十屆全國信號處理學(xué)術(shù)年會（CCSP-2001）論文集[C];2001年

3 楊生友;;圖像分割在醫(yī)學(xué)圖像中應(yīng)用現(xiàn)狀綜述[A];2009中華醫(yī)學(xué)會影像技術(shù)分會第十七次全國學(xué)術(shù)大會論文集[C];2009年

4 閆平昆;;基于模型的圖像分割技術(shù)及其醫(yī)學(xué)應(yīng)用[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

5 高嵐;胡友為;潘峰;盧凌;;基于小生境遺傳算法的SAR圖像分割[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學(xué)術(shù)論壇（交通運輸工程學(xué)科）論文集（下冊）[C];2005年

6 孫莉;張艷寧;胡伏原;趙榮椿;;基于Gaussian-Hermite矩的SAR圖像分割[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

7 李盛;;基于協(xié)同聚類的圖像分割[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

8 張利;許家佗;;舌象圖像分割技術(shù)的研究與應(yīng)用進展[A];中華中醫(yī)藥學(xué)會中醫(yī)診斷學(xué)分會第十次學(xué)術(shù)研討會論文集[C];2009年

9 秦昆;李振宇;李輝;李德毅;;基于云模型和格網(wǎng)劃分的圖像分割方法[A];《測繪通報》測繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

10 高惠琳;竇麗華;陳文頡;謝剛;;圖像分割技術(shù)在醫(yī)學(xué)CT中的應(yīng)用[A];中國自動化學(xué)會控制理論專業(yè)委員會A卷[C];2011年

相關(guān)博士學(xué)位論文 前10條

1 白雪飛;基于視覺顯著性的圖像分割方法研究[D];山西大學(xué);2014年

2 黃萬里;基于高分衛(wèi)星數(shù)據(jù)多尺度圖像分割方法的天山森林小班邊界提取研究[D];福建師范大學(xué);2015年

3 王輝;圖像分割的最優(yōu)化和水平集方法研究[D];電子科技大學(xué);2014年

4 高婧婧;腦部MR圖像分割理論研究[D];電子科技大學(xué);2014年

5 潘改;偏微分方程在圖像分割中的應(yīng)用研究[D];東北大學(xué);2013年

6 馮籍瀾;高分辨率SAR圖像分割與分類方法研究[D];電子科技大學(xué);2015年

7 李偉斌;圖像分割中的變分模型與快速算法研究[D];國防科學(xué)技術(shù)大學(xué);2014年

8 鄧曉政;基于免疫克隆選擇優(yōu)化和譜聚類的復(fù)雜圖像分割[D];西安電子科技大學(xué);2014年

9 帥永e

本文編號：2550001