發(fā)布時(shí)間：2021-10-08 20:21

　　近年來隨著傳感器技術(shù)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(xué)者對高分辨率影像產(chǎn)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(lǐng)域備受關(guān)注的問題.其中遙感影像分割在遙感領(lǐng)域中占有極其重要的地位,是該領(lǐng)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(gè)區(qū)域,這些區(qū)域內(nèi)部性質(zhì)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(yīng)用于影像分割.但隨著傳感器技術(shù)的不斷提高,獲取影像的細(xì)節(jié)特征和結(jié)構(gòu)特征不斷增加,使得該模型對同一類別中的異質(zhì)區(qū)域或不同類別中的同質(zhì)區(qū)域沒有較好的分割效果.不僅如此,影像中的不平衡數(shù)據(jù)分類問題,也給分割增加了難度.現(xiàn)有的分割方法往往只能保證區(qū)域,不能兼顧細(xì)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(zhǔn)則方法（Object-based Markov Random Fie... 

【文章來源】：河南大學(xué)河南省

【文章頁數(shù)】：67 頁

【學(xué)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(cuò)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(xùn)練數(shù)據(jù)的無監(jiān)督方法,可以達(dá)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(xùn)練數(shù)據(jù)信息的相似作用.因此APM可以更準(zhǔn)確地描述不同類別之間的相互作用,并且用EVPI項(xiàng)進(jìn)行的新概率推斷可以涉及每個(gè)頂點(diǎn)的后驗(yàn)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(biāo)也與NED-MRF模型相似,如表3-4和表3-5所示.此外,根據(jù)啟發(fā)式設(shè)置方法,這兩個(gè)紋理實(shí)驗(yàn)的APM由公式3-9和公式3-10給出,其中不同的紋理在每個(gè)影像的真實(shí)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(jié)果.(a)待分割影像.(b)帶有類別編號的視覺解釋結(jié)果.(c)ICM的結(jié)果.(d)MRMRF的結(jié)果.(e)IRGS的結(jié)果.(f)OMRF的結(jié)果.(g)NED-MRF的結(jié)果.(h)OMRF-AP的結(jié)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(jī)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(jié)果.(a)待分割的航空影像.(b)帶有類別編號的視覺解釋結(jié)果.(c)ICM的結(jié)果.(d)MRMRF的結(jié)果.(e)IRGS的結(jié)果.(f)OMRF的結(jié)果.(g)NED-MRF的結(jié)果.(h)OMRF-AP的結(jié)果.2(,)=[00.99511111.00200.995111110111111011111101110.99110].(3-10)遙感影像分割為了進(jìn)一步測試OMRF-AP模型,本節(jié)對兩幅航拍影像做實(shí)驗(yàn).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(gè)部分,即城鎮(zhèn),農(nóng)田和森林.圖3-9展示了不同方法的結(jié)果.在該實(shí)驗(yàn)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(shí),城鎮(zhèn)和森林中都有樹木.這些因素導(dǎo)致了ICM許多城鎮(zhèn)地區(qū)的錯(cuò)誤分類情況.通過擴(kuò)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(jié)果仍被錯(cuò)誤標(biāo)記.利用訓(xùn)練數(shù)據(jù),NED-MRF可以大致識別整個(gè)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?shù)慕ㄖ?通過使用

【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)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(shù)據(jù)擬合項(xiàng)的圖像邊緣檢測模型[J]. 李春,陳靜思,王鵬彥,李健,羅澤.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2020(01)
[3]基于圖像邊緣增強(qiáng)與弱化的邊緣檢測[J]. 張晗,錢育蓉,王躍飛,陳人和,田宸瑋.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(11)
[4]遙感影像監(jiān)督分割評價(jià)指標(biāo)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(xué)學(xué)報(bào). 2019(08)
[5]遙感影像的海岸線自動提取方法研究進(jìn)展[J]. 吳一全,劉忠林.  遙感學(xué)報(bào). 2019(04)
[6]深度學(xué)習(xí)語義分割方法在遙感影像分割中的性能分析[J]. 王俊強(qiáng),李建勝,丁波,蔡富.  計(jì)算機(jī)測量與控制. 2019(07)
[7]圖像分割技術(shù)在遙感影像地物信息自動提取中的應(yīng)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(nóng),廖娟,程貝貝,朱瑩瑩.  測繪科學(xué). 2019(10)
[9]一種具有邊緣保持的多尺度馬爾可夫隨機(jī)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(xué)學(xué)報(bào). 2019(03)
[10]人工智能時(shí)代測繪遙感技術(shù)的發(fā)展機(jī)遇與挑戰(zhàn)[J]. 龔健雅.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2018(12)

博士論文
[1]高分辨率遙感影像分割方法及應(yīng)用研究[D]. 劉大偉.長安大學(xué) 2016

碩士論文
[1]基于深度學(xué)習(xí)的高分辨率遙感影像語義分割的研究與應(yīng)用[D]. 汪志文.北京郵電大學(xué) 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(xué) 2019
[3]基于深度學(xué)習(xí)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(xué) 2019
[4]基于混合高斯模型的智能視頻多目標(biāo)檢測算法研究[D]. 何利平.廣西師范大學(xué) 2014
[5]K均值算法研究及其應(yīng)用[D]. 朱建宇.大連理工大學(xué) 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(nóng)林大學(xué) 2013



本文編號：3424891