CN101510310A - 基于纹理聚类约束的高分辨率遥感图像分割方法 - Google Patents
基于纹理聚类约束的高分辨率遥感图像分割方法 Download PDFInfo
- Publication number
- CN101510310A CN101510310A CNA2009100463483A CN200910046348A CN101510310A CN 101510310 A CN101510310 A CN 101510310A CN A2009100463483 A CNA2009100463483 A CN A2009100463483A CN 200910046348 A CN200910046348 A CN 200910046348A CN 101510310 A CN101510310 A CN 101510310A
- Authority
- CN
- China
- Prior art keywords
- zone
- texture
- clustering
- segmentation
- optimum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种遥感技术领域的基于纹理聚类约束的高分辨率遥感图像分割方法,具体步骤为:第一步,计算图像中所有区域的Gabor能量纹理,并按照纹理距离使用FCM对所有区域进行聚类,根据聚类结果给每个区域设定纹理聚类标签;第二步,使用光谱、纹理和形状等特征建立综合距离空间模型,并加入纹理聚类距离对区域合并进行约束,使合并可以沿着纹理同质的方向进行;第三步,根据综合距离建立RAG和NNG模型,并按照全局最优对区域对进行合并。在合并过程中通过纹理聚类和最优合并序列的相互作用得到区域的真实边界。本发明能够较好地分割出高分辨率图像中纹理区域,提高图像的总体分割精度。
Description
技术领域
本发明涉及的是一种遥感技术领域的图像分割方法,具体是一种基于纹理聚类约束的高分辨率遥感图像分割方法。
背景技术
随着卫星空间分辨率的不断提高,面向对象的图像分析方法开始在遥感图像处理领域广泛应用。相对于基于像素的分类方法,面向对象的图像分析方法可以更大程度的降低噪声的影响,提取更多的特征,且易于与GIS(GeographicalInformation System,地理信息***)相结合。但面向对象图像分析方法中的关键部分——图像分割——却始终没有得到很好的解决。
按照特征空间,图像分割方法可以大体分为三类:基于光谱的分割方法、基于纹理的分割方法和基于光谱与纹理将结合的分割方法,其中基于光谱分割的方法是现阶段最常用的方法。德国的Definiens Developer Software公司提出了一种基于光谱的遥感图像分割方法,即寻找遥感图像中光谱同质性区域,具体为:根据合并后区域的光谱方差变化判断待合并区域间的光谱相似性程度,然后按照光谱相似性程度,依次把具有较高相似度的区域合并,当所有区域间的相似度都大于阈值时终止合并,得到分割结果。这种方法在该公司的软件Definiens中得到了应用。
经对现有技术文献的检索发现,U.Benz等人在《ISPRS Journal ofPhotoGrammetry and Remote Sensing》(ISPRS摄影测量和遥感),Volume.58,page.239-258上发表的“Multi-resolution,object-oriented fuzzy analysisof remote sensing data for GIS-ready information”(使用遥感图像提取GIS所需信息的多分辨率面向对象模糊分析方法)一文中给出了详细的介绍。但在高分辨率遥感图像中,更多的区域是纹理区域,其在光谱上并不同质。因此,使用Definiens软件中的光谱分割方法对高分辨率遥感图像进行分割时,很多的纹理区域被分为破碎的小块,不能得到完整的区域,分割精度较低。
使用光谱和纹理相结合的方法是提高高分辨率遥感图像分割精度的方法之一。Y.Deng等人在《IEEE Trans.Pattern Anal.Mach.Intell.》(IEEE模式识别与机器职能),Volume.14,2001,page.800-810上发表的“Unsupervisedsegmentation of spectral-texture regions in images and video”(基于图像和视频中光谱纹理区域的非监督分割方法)一文中提出一种光谱和纹理相结合的JSEG方法,具体为:将光谱量化,并根据局部量化光谱的频数得到空间纹理J图像,然后对J图像使用区域生长方法分割得到最后的结果。该方法在对场景图像分割时取得了较好的结果,但高分辨率遥感图像内容复杂,对光谱量化会降低图像信息量,得到的纹理描述不准确,也较难准确得到地物的真实边界。并且JSEG方法将纹理和光谱分开处理,没有实现光谱和纹理语义上的结合。如何使用多种特征分割高分辨率遥感图像,并且得到图像中纹理区域的准确边界仍然是现阶段没有解决的问题之一。
发明内容
本发明目的在于克服现有技术中高分辨率遥感图像分割中纹理信息利用不足的缺陷,提出一种基于纹理聚类约束的高分辨率遥感图像分割方法,通过纹理聚类预处理影响分割时区域合并的顺序,使区域按照纹理同质的方向进行合并,并且在合并过程中使用最优合并序列和纹理聚类的相互作用找到了区域的准确边界,提高了分割的精度。
本发明是通过以下技术方案实现的,本发明包括步骤如下:
第一步,获取区域纹理聚类标签:计算图像中所有区域的Gabor能量纹理(高波能量纹理),并按照纹理距离使用FCM(模糊C均值聚类算法)对所有区域进行聚类,根据聚类结果给每个区域设定纹理聚类标签;
第二步,建立语义一致的距离空间模型:使用光谱、纹理和形状等特征建立综合距离空间模型,并加入纹理聚类距离对区域合并进行约束,使合并可以沿着纹理同质的方向进行;
第三步,使用图模型算法对区域进行快速合并:根据综合距离建立RAG(区域连接图)和NNG(最近邻接图)模型,并按照全局最优对区域对进行合并,得到最终分割结果。在合并过程中通过纹理聚类和最优合并序列的相互作用得到区域的真实边界。
所述计算区域Gabor能量纹理,并使用FCM对区域聚类,得到区域纹理聚类标签,具体为:使用3尺度、8方向Gabor滤波对图像进行卷积,取对应的对称和反对称Gabor滤波结果计算算数平方和的根得到Gabor能量,Gabor能量为24维向量,使用该向量的欧式距离进行聚类得到区域纹理聚类标签。
所述语义一致距离空间,具体为:使用纹理聚类标签对区域合并顺序进行约束使区域合并按照纹理区域同质方向进行。然后综合使用光谱、纹理和形状等信息,并加入纹理聚类距离,建立使用多特征的距离空间模型。在这个距离空间模型中,区域间纹理同质时,光谱距离较小;光谱同质时,纹理距离较小。
所述基于RAG和NNG图的快速合并方法,具体为:使用RAG图描述区域之间邻接关系,并记录区域间的合并距离;使用NNG图描述每个区域对应的最优合并区域,并记录最优合并距离。在NNG图中,互为最优合并区域的区域对为图像内的局部最优合并区域对,将所有的局部最优区域对排序得到全局最优合并序列,按照该序列合并即可得到分割结果。在合并过程中,合并后的区域纹理聚类标签发生改变,进而影响序列的合并顺序,通过这种相互作用可以得到地物的真实边界。
这个图方法大大加快了合并的效率,降低了分割算法的时间复杂度。
本发明能够较好地得到高分辨率遥感图像的分割结果,结果中纹理区域较为完整,边界比较准确,分割精度较高。
本发明将纹理聚类引入到图像分割算法中,着重解决了如何使用多种特征准确分割高分辨率遥感图像的问题。在分割算法中,充分考虑了光谱同质区域与纹理同质区域之间的关系,使图像中的纹理区域可以准确地分割出来。此外,算法通过纹理聚类和最优区域合并的相互作用得到了区域的准确边界。这个算法避免了传统遥感图像分割方法中的缺陷:使用单纯光谱特征较难分割出正确纹理区域。因此,与传统方法相比,本发明具有更高的分割精度。本发明提出的基于纹理聚类约束的分割算法,将纹理信息和光谱等信息综合使用,大幅提高了高分辨率遥感图像的分割精度,着力解决遥感影像处理领域使用多特征分割的问题,对学科的发展具有推动作用。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例根据纹理特征使用FCM算法对区域进行聚类,并用聚类结果对区域赋予标签。然后,提出语义一致的多特征距离模型。距离模型综合使用光谱、纹理和形状等信息度量区域间的同质性距离,并加入区域间纹理聚类距离使区域合并可以按照纹理同质方向进行。最后,将多特征距离模型应用到RAG和NNG图模型中,通过快速全局最优区域合并得到分割结果。在合并过程中,纹理聚类和最优特征合并之间的相互作用保证了纹理区域边界的准确性。
1、获取区域Gabor能量纹理特征,具体实现如下:
一个2维的Gabor函数可以写为如下形式:
x′=xcosθ+ysinθ
y′=-xsinθ+ycosθ
其中λ为波长,1/λ可以用来表示频域内目标的高频和低频中心;θ为Gabor的条带方向;r为长宽比,决定了Gabor的椭球率;δ/λ为Gabor滤波器的频域带宽。是Gabor滤波器的相位参数,当相位为0和π时,滤波器为中心对称;当相位为1/2π和-1/2π时,滤波器为反对称函数。
Gabor能量函数可以定义为如下形式:
2、建立语义一致的距离空间模型,具体实现为:
使用光谱、纹理和形状等信息的距离空间模型为:
d=dt·dc·ds (3)
其中,dt为纹理距离,dc为颜色距离,ds为形状距离。
纹理距离dt定义为:
dt=dtr+dtc (4)
其中dtr为区域间Gabor纹理距离,其定义为:
b为波段数;u1和u2分别为区域1和区域2的Gabor平均能量。
dtc为区域间纹理聚类距离,其定义为:
ei和ej分别为区域1和区域2所属聚类类别i和j的中心Gabor能量。
颜色距离dc的定义:
b为波段数;wi为图像每个波段的权重;nm是区域1和区域2合并后的像素数,n1,n2分别为区域1和区域2的像素数;σ为对象在i波段下的均方差,其下标分别表示合并后区域、区域1和区域2。
形状距离ds的定义为:
其中lm是对像的边长,nc是区域间相邻的像素数,dc为区域间光谱距离,nm为合并后的区域像素数。
3、建立RAG和NNG图模型,具体实现为:
RAG表示区域结点的邻接关系,其描述如下:一幅K个区域的图像可以表示为简单图G=(V,E),V为图像的区域,在图结构中为图的顶点集V={1,2…,K};E为图像的区域相邻连接关系,在图结构中为边集 。当区域相邻时,区域结点间拥有边e,e表示区域间的合并代价,可以通过公式(3)得出;当区域不相邻时,区域顶点之间没有边存在,即合并代价为无穷大。
NNG记录区域的合并顺序,其描述为:设一幅K个区域的图像,其RAG图为G=(V,E),则G有子图Gm=(Vm,Em),其中Vm=V;Em={ei=minei,j|i,j∈(1,2…k)},即子图的边集Em为和顶点vi相关联的最小权值边ei,j的集合。对于无向图Gm,令其边集Em中每个元素增加一个方向得到弧集Am={ai=Arc(vi,vj)|ei,j∈Em},则无向图Gm生成其定向图Gm=(Vm,Am),即NNG图。每个顶点vi的入度不一定为1,但出度都为1,并且以vi为尾的弧的头即是其最同质的区域。当Am中存在环子集Ac={ai,aj|ai∈Am,aj∈Am}时,vi与vj互为最优,也是局部最优区域对。
算法只搜索环集合来决定全局合并序列。对于一幅图像,NNG最少有一个环子集,最多有个环子集,所以NNG大大降低了搜索的时间。使用一个辅助序列记录环子集节点的位置。对序列按区域间合并代价从小到大排序得到的就是全局最优合并序列。
4、区域合并得到分割结果,具体实现为:
按照全局最优合并序列进行合并,每次合并后使用平均Gabor能量纹理作为新区域的Gabor能量,并根据公式(5)计算新区域到各个纹理聚类中心间的距离,将距离最小的纹理聚类类别赋予新区域。然后根据公式(1)重新计算新区域和邻接区域之间的合并距离,更新RAG和NNG,寻找新区域相应环子集,并更新最优合并序列,继续合并。当全局最优区域对的合并距离大于阈值时,停止合并得到最终分割结果。
在合并过程中,合并后区域的聚类类别发生了改变,同时,合并后的区域聚类类别又影响着最优序列的合并顺序。通过纹理聚类和最优序列合并的相互作用,纹理区域的边界可以准确得到。
以下进一步说明本实施例应用情况:
使用了两幅图像数据测试分割算法的准确性,一幅来自于上海市的2.5mSPOT5真彩色遥感影像,一幅为上海市崇明岛25cm的航空影像。SPOT5图像是2005年9月30日获取,截取大小为512×512个像元的数据用做试验。所取样区中主要包括了5类地物:居民地、工业用地、水域、耕地和鱼塘。其中,居民地光谱不均匀,但明显与其它地物不同;工业用地光谱不均匀,但呈现条状纹理;耕地间光谱有差异,但纹理较相似;水域和鱼塘光谱同质,纹理细密。航空图像截取大小为512×512的数据进行试验。在航空图像中,主要包括了林地、河流、居民地、道路、大棚菜地、灌溉水田和旱地等土地类别。其中,林地、大棚菜地、灌溉水田和旱地等表现出明显不同的纹理特征。
以人工分割的结果作为参考结果,对比两种分割方法的准确性,一种为基于光谱同质性的Definiens分割方法,另一种为本实施例方法。试验结果如下:(1)SPOT5图像分割准确性比较(见表1);(2)航空图像分割准确性比较(见表2)。
从四个方面对变化检测结果进行评价:(1)主要对象的分割精度:占图像主要部分的地物,如耕地、林地等;(2)微小对象的分割精度:较小面积的地物但在图像解译时不可缺少,如孤立的房子、特殊标志等;(3)线性对象的分割精度:河流、道路等地物;(4)总体分割精度。
表1 SPOT5图像分割结果准确性比较
表2 航空图像分割结果准确性比较
从表中可以看到,对于图像中的主要对象,本实施例取得了68.2%和87.5%的分割精度,远高于Definiens软件54.5%和62.5%的分割精度。这主要是由于大面积对象纹理清晰,本实施例通过纹理聚类限制更容易得到准确地纹理区域,而Definiens方法则较难通过光谱得到纹理区域的正确分割结果。而对于微小地物和线状地物等,本实施例也取得了比Definiens高的分割精度。从总体精度上看,本实施例相对于Definiens软件提高了10%-20%的分割精度。
在视觉上,本实施例对于具有规则纹理的地物,如工厂厂房、林地等,取得很好的分割效果。这些地物分割后结构完整,边界准确,远远好于Definiens的分割结果。
总的来说,本实施例对于高分辨率遥感图像可以取得比传统方法更高的精度,特别是对于图像中的规则纹理区域。
Claims (10)
1、一种基于纹理聚类约束的高分辨率遥感图像分割方法,其特征在于,包括如下步骤:
第一步,获取区域纹理聚类标签:计算图像中所有区域的Gabor能量纹理,并按照纹理距离使用FCM对所有区域进行聚类,根据聚类结果给每个区域设定纹理聚类标签;
第二步,建立语义一致的距离空间模型:使用光谱、纹理和形状等特征建立综合距离空间模型,并加入纹理聚类距离对区域合并进行约束;
第三步,使用图模型算法对区域进行快速合并:根据综合距离建立RAG和NNG,并按照全局最优对区域对进行合并,得到最终结果。
2、根据权利要求1所述的基于纹理聚类约束的高分辨率遥感图像分割方法,其特征是,设定纹理聚类标签,具体为:使用3尺度、8方向Gabor滤波对图像进行卷积,取对应的对称和反对称Gabor滤波结果计算算数平方和的根得到Gabor能量,Gabor能量为24维向量,使用该向量的欧式距离进行聚类得到区域纹理聚类标签。
3、根据权利要求1所述的基于纹理聚类约束的高分辨率遥感图像分割方法,其特征是,所述的约束,具体为:使用纹理聚类标签对区域合并顺序进行约束。
4、根据权利要求1所述的基于纹理聚类约束的高分辨率遥感图像分割方法,其特征是,所述的综合距离空间模型,具体为:综合使用光谱、纹理和形状信息,并加入纹理聚类距离,建立使用多特征的距离空间模型。
5、根据权利要求1所述的基于纹理聚类约束的高分辨率遥感图像分割方法,其特征是,所述的对区域进行快速合并,具体为:使用RAG图描述区域之间邻接关系,并记录区域间的合并距离;使用NNG图描述每个区域对应的最优合并区域,并记录最优合并距离;在NNG图中,互为最优合并区域的区域对为图像内的局部最优,将所有的局部最优区域对排序得到全局最优合并序列,按照该序列合并即可得到分割结果。
6、根据权利要求1所述的基于纹理聚类约束的高分辨率遥感图像分割方法,其特征是,所述的合并,是指在合并过程中通过纹理聚类和最优合并序列的相互作用得到区域的真实边界。
7、根据权利要求1所述的基于纹理聚类约束的高分辨率遥感图像分割方法,其特征是,所述的全局最优,是指:通过纹理聚类预处理影响分割时区域合并的顺序,使区域按照纹理同质的方向进行合并。
8、根据权利要求5所述的基于纹理聚类约束的高分辨率遥感图像分割方法,其特征是,所述的最优合并区域,是指:在RAG图中,当区域A与某个相邻区域B的合并距离小于区域A与其它相邻区域的合并距离时,则称相邻区域B为这个区域的最优合并区域。
9、根据权利要求5所述的基于纹理聚类约束的高分辨率遥感图像分割方法,其特征是,所述的最优合并距离,是指:在NNG图中,互为最优合并区域的区域对之间的合并距离。
10、根据权利要求5或6所述的基于纹理聚类约束的高分辨率遥感图像分割方法,其特征是,所述的最优合并序列,是指:在NNG图中,互为最优合并区域的区域对为图像内的局部最优合并区域对,将所有的局部最优区域对排序得到的合并序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100463483A CN101510310B (zh) | 2009-02-19 | 2009-02-19 | 基于纹理聚类约束的高分辨率遥感图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100463483A CN101510310B (zh) | 2009-02-19 | 2009-02-19 | 基于纹理聚类约束的高分辨率遥感图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101510310A true CN101510310A (zh) | 2009-08-19 |
CN101510310B CN101510310B (zh) | 2010-12-29 |
Family
ID=41002701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100463483A Expired - Fee Related CN101510310B (zh) | 2009-02-19 | 2009-02-19 | 基于纹理聚类约束的高分辨率遥感图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101510310B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
CN101840581B (zh) * | 2010-02-05 | 2011-12-28 | 北京交通大学 | 一种从卫星遥感影像中提取建筑物轮廓的方法 |
CN102496151A (zh) * | 2011-12-08 | 2012-06-13 | 南京大学 | 一种用于高分辨率遥感图像多尺度分割的方法 |
CN102509273A (zh) * | 2011-11-21 | 2012-06-20 | 电子科技大学 | 基于同质片和模糊测度的乳腺超声图像的肿瘤分割方法 |
CN103578110A (zh) * | 2013-11-12 | 2014-02-12 | 河海大学 | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 |
CN103971364A (zh) * | 2014-04-04 | 2014-08-06 | 西南交通大学 | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 |
CN104361589A (zh) * | 2014-11-12 | 2015-02-18 | 河海大学 | 一种基于尺度间映射的高分辨率遥感影像分割方法 |
CN105513060A (zh) * | 2015-11-30 | 2016-04-20 | 中国人民解放军海军航空工程学院 | 一种视觉感知启发的高分辨率遥感图像分割方法 |
CN105719266A (zh) * | 2014-12-02 | 2016-06-29 | 马鞍山森格电子科技有限公司 | 基于纹理特征聚类的磁瓦表面缺陷检测方法 |
CN106296680A (zh) * | 2016-08-08 | 2017-01-04 | 长安大学 | 一种基于区域的多特征融合高分辨率遥感影像分割方法 |
CN109299295A (zh) * | 2018-09-04 | 2019-02-01 | 南通科技职业学院 | 蓝印花布图像数据库搜索方法 |
CN109800779A (zh) * | 2015-12-10 | 2019-05-24 | 河海大学 | 利用d-s证据理论融合fcm算法的变化检测方法 |
CN109820490A (zh) * | 2018-09-04 | 2019-05-31 | 宓保宏 | 一种基于红外热成像技术的区域对称度客观评价方法 |
CN110135428A (zh) * | 2019-04-11 | 2019-08-16 | 北京航空航天大学 | 图像分割处理方法和装置 |
CN110223378A (zh) * | 2019-05-28 | 2019-09-10 | 中国科学院自动化研究所 | 基于层次聚类的二次曲面基元提取方法、***、装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1251157C (zh) * | 2002-12-27 | 2006-04-12 | 中国科学院自动化研究所 | 基于主动视觉的物体三维模型快速获取方法 |
CN100378752C (zh) * | 2005-06-03 | 2008-04-02 | 中国科学院自动化研究所 | 鲁棒的自然图像分割方法 |
CN101211355B (zh) * | 2006-12-30 | 2010-05-19 | 中国科学院计算技术研究所 | 一种基于聚类的图像查询方法 |
CN101159009B (zh) * | 2007-11-09 | 2010-04-21 | 西北工业大学 | 从遥感图像中检测桥梁的方法 |
CN101320467B (zh) * | 2008-05-16 | 2010-06-02 | 西安电子科技大学 | 基于自适应窗口固定及传播的多尺度纹理图像分割方法 |
-
2009
- 2009-02-19 CN CN2009100463483A patent/CN101510310B/zh not_active Expired - Fee Related
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840581B (zh) * | 2010-02-05 | 2011-12-28 | 北京交通大学 | 一种从卫星遥感影像中提取建筑物轮廓的方法 |
CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
CN102005034B (zh) * | 2010-12-01 | 2012-07-04 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
CN102509273A (zh) * | 2011-11-21 | 2012-06-20 | 电子科技大学 | 基于同质片和模糊测度的乳腺超声图像的肿瘤分割方法 |
CN102509273B (zh) * | 2011-11-21 | 2013-09-04 | 电子科技大学 | 基于同质片和模糊测度的乳腺超声图像的肿瘤分割方法 |
CN102496151A (zh) * | 2011-12-08 | 2012-06-13 | 南京大学 | 一种用于高分辨率遥感图像多尺度分割的方法 |
CN103578110A (zh) * | 2013-11-12 | 2014-02-12 | 河海大学 | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 |
CN103578110B (zh) * | 2013-11-12 | 2016-06-08 | 河海大学 | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 |
CN103971364B (zh) * | 2014-04-04 | 2017-02-01 | 西南交通大学 | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 |
CN103971364A (zh) * | 2014-04-04 | 2014-08-06 | 西南交通大学 | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 |
CN104361589A (zh) * | 2014-11-12 | 2015-02-18 | 河海大学 | 一种基于尺度间映射的高分辨率遥感影像分割方法 |
CN105719266A (zh) * | 2014-12-02 | 2016-06-29 | 马鞍山森格电子科技有限公司 | 基于纹理特征聚类的磁瓦表面缺陷检测方法 |
CN105719266B (zh) * | 2014-12-02 | 2018-08-28 | 安徽达特智能科技有限公司 | 基于纹理特征聚类的磁瓦表面缺陷检测方法 |
CN105513060A (zh) * | 2015-11-30 | 2016-04-20 | 中国人民解放军海军航空工程学院 | 一种视觉感知启发的高分辨率遥感图像分割方法 |
CN109800779A (zh) * | 2015-12-10 | 2019-05-24 | 河海大学 | 利用d-s证据理论融合fcm算法的变化检测方法 |
CN109800779B (zh) * | 2015-12-10 | 2020-06-30 | 河海大学 | 利用d-s证据理论融合fcm算法的变化检测方法 |
CN106296680A (zh) * | 2016-08-08 | 2017-01-04 | 长安大学 | 一种基于区域的多特征融合高分辨率遥感影像分割方法 |
CN106296680B (zh) * | 2016-08-08 | 2017-09-01 | 长安大学 | 一种基于区域的多特征融合高分辨率遥感影像分割方法 |
CN109299295A (zh) * | 2018-09-04 | 2019-02-01 | 南通科技职业学院 | 蓝印花布图像数据库搜索方法 |
CN109820490A (zh) * | 2018-09-04 | 2019-05-31 | 宓保宏 | 一种基于红外热成像技术的区域对称度客观评价方法 |
CN109299295B (zh) * | 2018-09-04 | 2021-09-28 | 南通科技职业学院 | 蓝印花布图像数据库搜索方法 |
CN110135428A (zh) * | 2019-04-11 | 2019-08-16 | 北京航空航天大学 | 图像分割处理方法和装置 |
CN110135428B (zh) * | 2019-04-11 | 2021-06-04 | 北京航空航天大学 | 图像分割处理方法和装置 |
CN110223378A (zh) * | 2019-05-28 | 2019-09-10 | 中国科学院自动化研究所 | 基于层次聚类的二次曲面基元提取方法、***、装置 |
CN110223378B (zh) * | 2019-05-28 | 2021-06-22 | 中国科学院自动化研究所 | 基于层次聚类的二次曲面基元提取方法、***、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN101510310B (zh) | 2010-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101510310B (zh) | 基于纹理聚类约束的高分辨率遥感图像分割方法 | |
Ban et al. | Fusion of Quickbird MS and RADARSAT SAR data for urban land-cover mapping: Object-based and knowledge-based approach | |
Cheng et al. | Accurate urban road centerline extraction from VHR imagery via multiscale segmentation and tensor voting | |
Zhang et al. | Boundary-constrained multi-scale segmentation method for remote sensing images | |
CN103678680B (zh) | 基于感兴趣区域多元空间关系模型的图像分类方法 | |
Ma et al. | Cultivated land information extraction from high-resolution unmanned aerial vehicle imagery data | |
Zhang et al. | Data fusion and classifier ensemble techniques for vegetation mapping in the coastal Everglades | |
CN106846322B (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
CN104881868A (zh) | 植物群落空间结构提取方法 | |
CN102496034A (zh) | 基于直线单词的高空间分辨率遥感图像词袋分类方法 | |
Dong et al. | Selection of LiDAR geometric features with adaptive neighborhood size for urban land cover classification | |
Lin et al. | Semi-automatic extraction of road networks by least squares interlaced template matching in urban areas | |
Yu et al. | Analysis of large-scale UAV images using a multi-scale hierarchical representation | |
CN104408463A (zh) | 一种基于PanTex和直线特征的高分辨率建设用地图斑识别方法 | |
CN105447452A (zh) | 一种基于地物空间分布特征的遥感亚像元制图方法 | |
CN113223042A (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
Zhang et al. | Impervious surface extraction from high-resolution satellite image using pixel-and object-based hybrid analysis | |
Lu et al. | Regional assessment of pan-Pacific urban environments over 25 years using annual gap free Landsat data | |
CN103854290A (zh) | 一种结合骨架特征点和分布场描述子的扩展目标跟踪方法 | |
Zhou et al. | Stratified Object‐Oriented Image Classification Based on Remote Sensing Image Scene Division | |
Zhao et al. | On the topographic entity-oriented digital elevation model construction method for urban area land surface | |
Zhou et al. | Green urban garden landscape simulation platform based on high-resolution image recognition technology and GIS | |
Xu et al. | Land-cover classification with high-resolution remote sensing images using Interactive segmentation | |
CN102360496A (zh) | 基于gmm参数迁移聚类的sar图像分割方法 | |
Guo et al. | A scalable method to construct compact road networks from GPS trajectories |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20101229 Termination date: 20140219 |