基于各向異性馬爾科夫隨機場的遙感影像分割
發(fā)布時間：2021-10-08 20:21
近年來隨著傳感器技術的不斷發(fā)展,所獲遙感影像的分辨率越來越高,使得一些學者對高分辨率影像產生了濃厚的研究興趣.因此,對于高分辨率遙感影像（HSR）的處理成為目前遙感領域備受關注的問題.其中遙感影像分割在遙感領域中占有極其重要的地位,是該領域的重要研究問題之一.影像分割的目的是把影像劃分成若干個區(qū)域,這些區(qū)域內部性質相似,但區(qū)域之間差異較大.目前有多種方法用于遙感影像的分割,例如:聚類,閾值法,基于邊緣檢測的方法,Markov Random Field（MRF）模型等.其中MRF模型的理論知識已逐步發(fā)展至成熟,并可以詳盡的描述影像的空間信息,因此被廣泛應用于影像分割.但隨著傳感器技術的不斷提高,獲取影像的細節(jié)特征和結構特征不斷增加,使得該模型對同一類別中的異質區(qū)域或不同類別中的同質區(qū)域沒有較好的分割效果.不僅如此,影像中的不平衡數據分類問題,也給分割增加了難度.現有的分割方法往往只能保證區(qū)域,不能兼顧細節(jié)（即小區(qū)域類別容易被大區(qū)域”吞掉”）.針對上述問題,本文主要做了以下研究工作:研究了對于遙感影像分割的對象級各向異性準則方法（Object-based Markov Random Fie...
【文章來源】：河南大學河南省
【文章頁數】：67 頁
【學位級別】：碩士
【部分圖文】：
提出的用于影像分割的OMRF-AP模型的流程圖
第三章基于OMRF-AP模型的遙感影像語義分割27因此存在一些錯誤分類,例如圖3-8（a）右上角的紋理（編號3）.所提出的OMRF-AP方法的性能是沒有訓練數據的無監(jiān)督方法,可以達到或優(yōu)于有監(jiān)督的NED-MRF模型的性能,例如圖3-8（h）右上角的紋理.也就是說,APM和EVPI值可以為OMRF模型提供更多類別信息,該信息展示了與訓練數據信息的相似作用.因此APM可以更準確地描述不同類別之間的相互作用,并且用EVPI項進行的新概率推斷可以涉及每個頂點的后驗概率的所有類別信息.這使得OMRF-AP模型可以有效地區(qū)分紋理圖案.OMRF-AP模型的定量指標也與NED-MRF模型相似,如表3-4和表3-5所示.此外,根據啟發(fā)式設置方法,這兩個紋理實驗的APM由公式3-9和公式3-10給出,其中不同的紋理在每個影像的真實情況下都說明了所提模型在紋理影像的分割優(yōu)勢.圖3-7紋理圖的6種基于MRF的方法的分割結果.(a)待分割影像.(b)帶有類別編號的視覺解釋結果.(c)ICM的結果.(d)MRMRF的結果.(e)IRGS的結果.(f)OMRF的結果.(g)NED-MRF的結果.(h)OMRF-AP的結果.1(,)=[00.9980.9980.998110.998011110.9980.99801111110111.00210.9981.0020111.0020.9981.00210].(3-9)
基于各向異性馬爾科夫隨機場的遙感影像分割28圖3-8紋理圖的6種基于MRF的方法的分割結果.(a)待分割的航空影像.(b)帶有類別編號的視覺解釋結果.(c)ICM的結果.(d)MRMRF的結果.(e)IRGS的結果.(f)OMRF的結果.(g)NED-MRF的結果.(h)OMRF-AP的結果.2(,)=[00.99511111.00200.995111110111111011111101110.99110].(3-10)遙感影像分割為了進一步測試OMRF-AP模型,本節(jié)對兩幅航拍影像做實驗.第一幅是SPOT5影像,如圖3-9（a）所示,大小為438×438,位于中國平朔地區(qū).它被分為3個部分,即城鎮(zhèn),農田和森林.圖3-9展示了不同方法的結果.在該實驗中,公式3-11中給出了OMRF-AP的APM：3(,)=[0111011.021.030].(3-11)如圖3-9(a)所示,SPOT5影像的城鎮(zhèn)包含各種子對象,例如屋頂,道路,樹木等,它們具有不同的外觀.同時,城鎮(zhèn)和森林中都有樹木.這些因素導致了ICM許多城鎮(zhèn)地區(qū)的錯誤分類情況.通過擴展空間鄰域,MRMRF,IRGS和OMRF模型的性能要好得多.但是部分城鎮(zhèn)地區(qū)的結果仍被錯誤標記.利用訓練數據,NED-MRF可以大致識別整個城鎮(zhèn).但是,它仍然無法識別具有異常特征的一些子對象,例如城鎮(zhèn)中心具有明亮屋頂的建筑物.通過使用
【參考文獻】：
期刊論文
[1]一種改進型Canny算子邊緣檢測算法[J]. 朱秋林,石銀濤,李靖. 地理空間信息. 2020(01)
[2]基于高階正則與非光滑數據擬合項的圖像邊緣檢測模型[J]. 李春,陳靜思,王鵬彥,李健,羅澤. 計算機系統(tǒng)應用. 2020(01)
[3]基于圖像邊緣增強與弱化的邊緣檢測[J]. 張晗,錢育蓉,王躍飛,陳人和,田宸瑋. 計算機工程與設計. 2019(11)
[4]遙感影像監(jiān)督分割評價指標比較與分析[J]. 李澤宇,明冬萍,范瑩琳,趙林峰,劉思民. 地球信息科學學報. 2019(08)
[5]遙感影像的海岸線自動提取方法研究進展[J]. 吳一全,劉忠林. 遙感學報. 2019(04)
[6]深度學習語義分割方法在遙感影像分割中的性能分析[J]. 王俊強,李建勝,丁波,蔡富. 計算機測量與控制. 2019(07)
[7]圖像分割技術在遙感影像地物信息自動提取中的應用分析[J]. 程香麗. 四川水泥. 2019(07)
[8]多尺度對象高空間分辨率遙感影像譜聚類分割[J]. 李軍軍,曹建農,廖娟,程貝貝,朱瑩瑩. 測繪科學. 2019(10)
[9]一種具有邊緣保持的多尺度馬爾可夫隨機場模型圖像分割方法[J]. 孟月波,劉光輝,徐勝軍,馮峰. 西安交通大學學報. 2019(03)
[10]人工智能時代測繪遙感技術的發(fā)展機遇與挑戰(zhàn)[J]. 龔健雅. 武漢大學學報(信息科學版). 2018(12)
博士論文
[1]高分辨率遙感影像分割方法及應用研究[D]. 劉大偉.長安大學 2016
碩士論文
[1]基于深度學習的高分辨率遙感影像語義分割的研究與應用[D]. 汪志文.北京郵電大學 2019
[2]基于模糊聚類的高分辨率遙感影像分類算法研究[D]. 黃磊.重慶郵電大學 2019
[3]基于深度學習的遙感圖像語義分割方法研究[D]. 林錦發(fā).廣東工業(yè)大學 2019
[4]基于混合高斯模型的智能視頻多目標檢測算法研究[D]. 何利平.廣西師范大學 2014
[5]K均值算法研究及其應用[D]. 朱建宇.大連理工大學 2013
[6]基于直方圖閾值法的遙感圖像分割算法研究[D]. 盧建華.福建農林大學 2013
本文編號：3424891
【文章來源】：河南大學河南省
【文章頁數】：67 頁
【學位級別】：碩士
【部分圖文】：
提出的用于影像分割的OMRF-AP模型的流程圖
第三章基于OMRF-AP模型的遙感影像語義分割27因此存在一些錯誤分類,例如圖3-8（a）右上角的紋理（編號3）.所提出的OMRF-AP方法的性能是沒有訓練數據的無監(jiān)督方法,可以達到或優(yōu)于有監(jiān)督的NED-MRF模型的性能,例如圖3-8（h）右上角的紋理.也就是說,APM和EVPI值可以為OMRF模型提供更多類別信息,該信息展示了與訓練數據信息的相似作用.因此APM可以更準確地描述不同類別之間的相互作用,并且用EVPI項進行的新概率推斷可以涉及每個頂點的后驗概率的所有類別信息.這使得OMRF-AP模型可以有效地區(qū)分紋理圖案.OMRF-AP模型的定量指標也與NED-MRF模型相似,如表3-4和表3-5所示.此外,根據啟發(fā)式設置方法,這兩個紋理實驗的APM由公式3-9和公式3-10給出,其中不同的紋理在每個影像的真實情況下都說明了所提模型在紋理影像的分割優(yōu)勢.圖3-7紋理圖的6種基于MRF的方法的分割結果.(a)待分割影像.(b)帶有類別編號的視覺解釋結果.(c)ICM的結果.(d)MRMRF的結果.(e)IRGS的結果.(f)OMRF的結果.(g)NED-MRF的結果.(h)OMRF-AP的結果.1(,)=[00.9980.9980.998110.998011110.9980.99801111110111.00210.9981.0020111.0020.9981.00210].(3-9)
基于各向異性馬爾科夫隨機場的遙感影像分割28圖3-8紋理圖的6種基于MRF的方法的分割結果.(a)待分割的航空影像.(b)帶有類別編號的視覺解釋結果.(c)ICM的結果.(d)MRMRF的結果.(e)IRGS的結果.(f)OMRF的結果.(g)NED-MRF的結果.(h)OMRF-AP的結果.2(,)=[00.99511111.00200.995111110111111011111101110.99110].(3-10)遙感影像分割為了進一步測試OMRF-AP模型,本節(jié)對兩幅航拍影像做實驗.第一幅是SPOT5影像,如圖3-9（a）所示,大小為438×438,位于中國平朔地區(qū).它被分為3個部分,即城鎮(zhèn),農田和森林.圖3-9展示了不同方法的結果.在該實驗中,公式3-11中給出了OMRF-AP的APM：3(,)=[0111011.021.030].(3-11)如圖3-9(a)所示,SPOT5影像的城鎮(zhèn)包含各種子對象,例如屋頂,道路,樹木等,它們具有不同的外觀.同時,城鎮(zhèn)和森林中都有樹木.這些因素導致了ICM許多城鎮(zhèn)地區(qū)的錯誤分類情況.通過擴展空間鄰域,MRMRF,IRGS和OMRF模型的性能要好得多.但是部分城鎮(zhèn)地區(qū)的結果仍被錯誤標記.利用訓練數據,NED-MRF可以大致識別整個城鎮(zhèn).但是,它仍然無法識別具有異常特征的一些子對象,例如城鎮(zhèn)中心具有明亮屋頂的建筑物.通過使用
【參考文獻】：
期刊論文
[1]一種改進型Canny算子邊緣檢測算法[J]. 朱秋林,石銀濤,李靖. 地理空間信息. 2020(01)
[2]基于高階正則與非光滑數據擬合項的圖像邊緣檢測模型[J]. 李春,陳靜思,王鵬彥,李健,羅澤. 計算機系統(tǒng)應用. 2020(01)
[3]基于圖像邊緣增強與弱化的邊緣檢測[J]. 張晗,錢育蓉,王躍飛,陳人和,田宸瑋. 計算機工程與設計. 2019(11)
[4]遙感影像監(jiān)督分割評價指標比較與分析[J]. 李澤宇,明冬萍,范瑩琳,趙林峰,劉思民. 地球信息科學學報. 2019(08)
[5]遙感影像的海岸線自動提取方法研究進展[J]. 吳一全,劉忠林. 遙感學報. 2019(04)
[6]深度學習語義分割方法在遙感影像分割中的性能分析[J]. 王俊強,李建勝,丁波,蔡富. 計算機測量與控制. 2019(07)
[7]圖像分割技術在遙感影像地物信息自動提取中的應用分析[J]. 程香麗. 四川水泥. 2019(07)
[8]多尺度對象高空間分辨率遙感影像譜聚類分割[J]. 李軍軍,曹建農,廖娟,程貝貝,朱瑩瑩. 測繪科學. 2019(10)
[9]一種具有邊緣保持的多尺度馬爾可夫隨機場模型圖像分割方法[J]. 孟月波,劉光輝,徐勝軍,馮峰. 西安交通大學學報. 2019(03)
[10]人工智能時代測繪遙感技術的發(fā)展機遇與挑戰(zhàn)[J]. 龔健雅. 武漢大學學報(信息科學版). 2018(12)
博士論文
[1]高分辨率遙感影像分割方法及應用研究[D]. 劉大偉.長安大學 2016
碩士論文
[1]基于深度學習的高分辨率遙感影像語義分割的研究與應用[D]. 汪志文.北京郵電大學 2019
[2]基于模糊聚類的高分辨率遙感影像分類算法研究[D]. 黃磊.重慶郵電大學 2019
[3]基于深度學習的遙感圖像語義分割方法研究[D]. 林錦發(fā).廣東工業(yè)大學 2019
[4]基于混合高斯模型的智能視頻多目標檢測算法研究[D]. 何利平.廣西師范大學 2014
[5]K均值算法研究及其應用[D]. 朱建宇.大連理工大學 2013
[6]基于直方圖閾值法的遙感圖像分割算法研究[D]. 盧建華.福建農林大學 2013
本文編號：3424891
本文鏈接：http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3424891.html
