【摘要】：影像分割是面向?qū)ο蟾叻直媛蔬b感影像分析的基礎(chǔ)與關(guān)鍵。針對(duì)傳統(tǒng)影像分割方法易受噪聲影響,且難以確定合適的影像分割尺度的問題,本文提出了一種融合超像素與最小生成樹的高分辨率遙感影像分割方法。首先用簡單線性迭代聚類算法對(duì)影像進(jìn)行過分割生成超像素;然后初始設(shè)定影像分割數(shù),采用區(qū)域動(dòng)態(tài)約束聚類算法對(duì)超像素進(jìn)行合并,獲得分割數(shù)-方差和、分割數(shù)-局部方差、分割數(shù)-局部方差變化率指標(biāo)圖,依據(jù)3個(gè)指標(biāo)圖確定合適的影像分割數(shù);最后根據(jù)確定的合適影像分割數(shù),采用區(qū)域動(dòng)態(tài)約束聚類算法對(duì)超像素重新合并得到分割結(jié)果。定性對(duì)比試驗(yàn)和定量評(píng)價(jià)結(jié)果表明,本文方法可以有效地克服影像噪聲對(duì)分割結(jié)果的影響,獲得良好的影像分割結(jié)果。
[Abstract]:Image segmentation is the foundation and key of object-oriented high-resolution remote sensing image analysis. Aiming at the problem that the traditional image segmentation method is easily affected by noise and it is difficult to determine the appropriate image segmentation scale, a high resolution remote sensing image segmentation method combining super-pixel and minimum spanning tree is proposed in this paper. A simple linear iterative clustering algorithm is used to over-segment the image to generate super-pixels, and then the segmentation number is initially set, and the region dynamic constraint clustering algorithm is used to merge the super-pixels to obtain the sum of segmentation numbers and variances. Finally, according to the suitable image segmentation number, the appropriate image segmentation number is determined according to the appropriate image segmentation number. The region dynamic constraint clustering algorithm is used to recombine the hyperpixels to obtain the segmentation results. The qualitative contrast test and quantitative evaluation results show that the proposed method can effectively overcome the influence of image noise on segmentation results and obtain good image segmentation results.
【作者單位】： 武漢大學(xué)測(cè)繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室;地球空間信息協(xié)同創(chuàng)新中心;
【基金】：國家自然科學(xué)基金(91438203) 國家973計(jì)劃(2014CB744201)~~
【分類號(hào)】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高偉;劉修國;彭攀;陳啟浩;;一種改進(jìn)的高分辨率遙感影像分割方法[J];地球科學(xué)(中國地質(zhì)大學(xué)學(xué)報(bào));2010年03期

2 闞曉云;孫景振;王紅偉;;無人機(jī)影像分割尺度及地物分類研究[J];科技廣場(chǎng);2013年11期

3 洪志佳;;面向?qū)ο笮畔⑻崛≈杏跋穹指顓?shù)的選擇[J];河南科技;2014年10期

4 肖奧;趙文吉;;基于最小異質(zhì)性區(qū)域生長法的多尺度城市地物影像分割[J];首都師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

5 蘇偉;李京;陳云浩;張錦水;胡德勇;劉翠敏;;基于多尺度影像分割的面向?qū)ο蟪鞘型恋馗脖环诸愌芯俊择R來西亞吉隆坡市城市中心區(qū)為例[J];遙感學(xué)報(bào);2007年04期

6 馮益明;李增元;武紅敢;陳爾學(xué);;基于灰度與紋理信息融合的影像分割方法[J];遙感技術(shù)與應(yīng)用;2006年06期

7 黃曉霞,李紅旮,黃波;SAR影像中海洋浮油膜特征分割的Level Set方法[J];遙感學(xué)報(bào);2005年05期

8 黃亮;左小清;馮沖;聶俊堂;;基于Canny算法的面向?qū)ο笥跋穹指頪J];國土資源遙感;2011年04期

9 賈迪;楊金柱;張一飛;趙大哲;于戈;;自適應(yīng)腦組織影像分割[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2012年01期

10 史曉霞;李京;周冠華;趙靜;;基于Mean-shift影像分割算法的TM影像分類及城市擴(kuò)展研究[J];地理與地理信息科學(xué);2009年01期

相關(guān)會(huì)議論文 前1條

1 莫登奎;林輝;;一種穩(wěn)健的高分辨率遙感影像分割方法[A];第十二屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2005年

相關(guān)博士學(xué)位論文 前1條

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

相關(guān)碩士學(xué)位論文 前8條

1 張愛竹;基于智能優(yōu)化算法的高分辨率震害影像分割[D];中國石油大學(xué)(華東);2014年

2 孫傳芳;基于高分影像與LiDAR點(diǎn)云數(shù)據(jù)的自然資源資產(chǎn)信息提取方法研究[D];西南交通大學(xué);2017年

3 莆杰藝;基于異質(zhì)性最小準(zhǔn)則的基元合并影像分割方法研究[D];長安大學(xué);2013年

4 黃亮;一種融合邊緣與對(duì)象異質(zhì)性的影像分割算法[D];昆明理工大學(xué);2011年

5 袁秀華;高分辨率遙感影像分割研究[D];江西理工大學(xué);2014年

6 王博;基于高分辨率影像的改進(jìn)分水嶺算法影像分割參數(shù)優(yōu)選研究[D];蘭州大學(xué);2013年

7 呂佩育;基于影像分割的無人機(jī)影像密集匹配算法研究與實(shí)現(xiàn)[D];西安科技大學(xué);2013年

8 王剛;基于影像分割的SAR影像變化檢測(cè)技術(shù)研究[D];解放軍信息工程大學(xué);2012年

，

本文編號(hào)：2184450