CN108830869B - 基于超像素的遥感图像并行分割方法 - Google Patents
基于超像素的遥感图像并行分割方法 Download PDFInfo
- Publication number
- CN108830869B CN108830869B CN201810445442.5A CN201810445442A CN108830869B CN 108830869 B CN108830869 B CN 108830869B CN 201810445442 A CN201810445442 A CN 201810445442A CN 108830869 B CN108830869 B CN 108830869B
- Authority
- CN
- China
- Prior art keywords
- segmentation
- image
- region
- parallel
- nodes
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于超像素的遥感图像并行分割方法,包括组合波段合成假彩色图像、对假彩色图像进行带状分块、对各子块进行并行SLIC分割、建立边界处的区域邻接图、进行边界区域合并,更新区域标签、对全图标签重组,存储分割结果共六个步骤;本发明融合了假彩色图像生成、并行分割、区域异质性评价,边界合并处理,游程码压缩存储等技术,既保证了分割边缘的精度,又提高了分割速度,有利于算法的工程应用。
Description
技术领域
本发明属于遥感图像分割技术领域,涉及遥感数据信息的处理和数字图像的分割,具体涉及一种对测绘卫星拍摄的遥感图像进行区域分割的方法。
背景技术
随着航天科学的快速发展,对地摄影和测量技术发生了革命性的变化。遥感图像因其具有良好的时相性、丰富的信息量和不断提高的分辨率等特点,被广泛应用于城镇规划、环境保护、地质勘探、灾害评估及军事领域。遥感图像分割是对图像实际区域进行定量评估的重要前提,其分割的质量直接影响到后续分析、识别和解译的精度。遥感图像的信息量巨大,内容复杂,且尺寸越来越大,如何实现快速精确的分割一直是研究热点和难点。
传统图像分割算法大多以像素为基本处理单位,并未考虑像素之间的空间关系,这使得算法的处理效率过低。2003年,Ren等人(Learning a classification model forsegmentation.ICCV:10-17)最早提出了超像素这一概念,其定义是具有相似纹理、颜色、亮度等特征的相邻像素组成的图像块。利用超像素对图像进行分割,可以有效降低处理信息的规模。目前,基于超像素的分割算法大致可分为基于图论和基于梯度的两类方法。前者是把图像映射为带权的无向图,像素映射为节点,权值表示相邻像素间的相似度,分割的原则是类内相似度最大和类间相异度最大。例如,Felzenswalb等人提出的graph-based方法,使用最小生成树的思想来分割图像,它能较好地保持图像边界,速度较快,但是得到的超像素大小和形状都不规则。基于梯度的超像素分割方法采用聚类的基本思想,例如Levinshtein等提出的Turbopixels方法,对初始种子点进行逐步碰撞聚类,最终将超像素近似均匀地分布到图像平面上;申请号为“201110157076.1”的专利“遥感图像分割方法及遥感图像检索方法”,根据颜色、纹理和位置特征,结合均值漂移实现图像分割,但微弱的边缘容易丢失;Vincent等人的分水岭方法利用拓扑理论进行形态分割,速度快,但是不能控制超像素分割的个数和紧凑度;Achanta等人的SLIC(Simple Linear Iterative Clustering)方法利用颜色和距离相似度进行分割,生成大小均匀、形状规则的超像素,但是分割速度较慢。
基于超像素的分割算法得到了广泛应用,但是存在不少局限性。多数算法未能充分利用多光谱谱间信息的差异性与相关性,导致边缘信息丢失,均匀相似的大面积区域被重复计算;由于算法的空间复杂度较高,将海量影像数据一次性调入内存进行处理时,分割速度较慢,甚至导致***异常中断;另外,以往的超像素分割主要采用串行算法,处理速度慢,效率低,进而严重限制其实际应用。
发明内容
本发明针对现有技术的不足,提出一种快速精确且工程易实现的遥感图像并行分割方法,旨在解决传统串行分割的时间消耗多、占用空间大的问题。本发明融合了假彩色图像生成、并行分割、区域异质性评价,边界合并处理,游程码压缩存储等技术,既保证了分割边缘的精度,又提高了分割速度,有利于算法的工程应用。
本发明要解决的技术问题通过以下技术方案实现:
基于超像素的遥感图像并行分割方法,包括以下步骤:
步骤1:计算各波段的图像熵,选择信息量最大的四波段,预处理后合成假彩色图像;
步骤2:根据图像尺寸和运行环境内存的大小,对假彩色图像进行带状分块;
步骤3:设定分割区域参数和终止条件,对分块后的子图像进行并行SLIC分割;
步骤4:建立分块边界的上下区域邻接关系图;
步骤5:设计区域合并准则,对区域进行合并,并更新区域标签;
步骤6:对全图的合并区域进行标签重组,采用游程码的方法压缩存储分割结果。
进一步地,所述步骤1具体包括,
采用图像的一元灰度熵作为图像熵的衡量单位,计算各波段的图像熵,选择信息量最大的四波段;
对所选的四个波段分别统计其亮度直方图,进行阈值为2%的截断拉伸;
提取直方图累计概率位于2%和98%的亮度值,作为线性归一化的下、上限,对该范围内的所有像元归一化到[0,255];
将图像从RGB空间变换到XYZ空间;
然后将图像从XYZ空间变换到ST空间;
最后将图像从ST空间变换为HLC空间,生成假彩色图像。
进一步地,所述步骤2图像分块的具体方法为,
根据图像大小和计算机空闲内存确定分块数目;
采用水平带状划分法,划分图像并且标上编号。
进一步地,所述步骤3并行SLIC分割的具体方法为,
设置SLIC分割的参数,包括分割最小因子,预期种子点个数;
对SLIC分割算法进行OpenMP并行改造,应用并行编译指令#pragma omp parallelfor优化循环工作;
在Visual Studio编译器中,打开项目的“属性页”栏,展开“配置属性”,展开“C++”,将“语言”栏中“OpenMP支持”选项改成“是”,并在源代码文件中加入头文件“omp.h”;
根据分块策略获得对应编号的子图像,每个子线程按照编号从小到大顺序处理各子图像,保存处理结果,向主线程发送完成消息,直到所有子图像处理完毕为止。
进一步地,所述步骤4建立区域邻接关系图的具体方法为,
扫描分割后的分块边界,确定边界区域的节点邻接图;
计算区域的光谱异质性;
计算区域的形状异质性;
确定节点间的权值。
进一步地,所述步骤5区域合并的具体方法为,
按顺序遍历上区域的节点,依次确定上节点的相邻下节点;
判断上节点和各相邻下节点的权值,判断该权值是否满足小于设定的区域异质性阈值;
若满足,将该上下相邻节点对应的两区域进行合并,标签更新为两个区域中的标签较小值;若不满足,返回前一步骤;
合并区域,标签更新后返回步骤5的开始步骤,遍历区域邻接图中上一行的所有节点,更新区域邻接图。
与现有技术相比,本发明的有益效果:
(1)根据图像熵选择波段,有效利用多光谱谱间信息的差异性与相关性,增强合成假彩色图像的边缘,避免欠分割。
(2)利用超像素思想,充分利用像素点特征的空间连续性,将像素级信息抽象为区块级紧凑特征,避免对相似像素点进行冗余计算和可能的过分割。
(3)对全图进行带状划分,对SLIC算法实现并行改造,保证分割精度的同时大幅提升分割速度,提高算法对硬件的适应性。
(4)采用区域合并来更新邻接上下边界,保证分割边缘位于地物边界。
附图说明
图1是本发明的整体流程框图;
图2是本发明的分块并行处理方案图;
图3是本发明的游程码压缩存储示意图;
图4是本发明的建立区域邻接图的示意图;
图5是本发明的边界合并流程图;
图6是本发明的边界合并前后对比图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
本发明针对传统算法存在的局限性,提出了基于超像素的并行分割方法,目标是生成均匀的超像素,边界精确且速度快,能适用于超大尺寸图像。首先,分析遥感图像多波段信息,改进传统的三波段组合,选择最大图像熵的四波段组合生成假彩色图像;然后,对生成图像进行带式划分,利用多核计算机和OpenMPI(Open Multi-Processing)的优点,分块进行SLIC并行分割处理;设计区域合并算法,对并行分割结果进行邻接关系判定,更新边界和区域标签;最后,采用游程码的压缩方式保存分割结果,从而降低空间复杂度,非常有利于大尺寸图像分割的工程实现。
参照图1的整体流程框图,本发明基于超像素的遥感图像并行分割方法的具体步骤如下:
步骤1,计算各波段的图像熵,选择信息量最大的四波段,预处理后合成假彩色图像;
子步骤1a、计算各个波段的图像熵,选择熵值最大的四个波段,此处采用图像的一元灰度熵作为图像熵的衡量单位,计算公式如下:
式中,pi是某个灰度在该图像中出现的概率,可由灰度直方图获得。
子步骤1b、对所选的四个波段分别统计其亮度直方图,进行阈值为2%的截断拉伸;
子步骤1c、提取直方图累计概率位于2%和98%的亮度值,作为线性归一化的下、上限,对该范围内的所有像元归一化到[0,255];
子步骤1d、将图像从RGB空间变换到XYZ空间,
X=0.620R+0.718G+0.204B,
Y=0.299R+0.587G+0.144B,
Z=0.056G+0.942B
子步骤1e、然后将图像从XYZ空间变换到ST空间,
S=(8.880+0.966×cosθ)×[f(X)-f(Y)],
T=(8.025+2.558×sinθ)×0.4×[f(Z)-f(Y)]
子步骤1f、最后将图像从ST空间变换为HLC空间,生成假彩色图像。
步骤2,根据图像尺寸和运行环境内存的大小,对假彩色图像进行带状分块;
参照图2,图像分块的具体步骤为,
子步骤2a、根据图像大小和计算机空闲内存确定分块数目;
子步骤2b、采用水平带状划分法,划分图像并且标上编号。
步骤3,设定分割区域参数和终止条件,对分块后的子图像进行并行SLIC分割,
子步骤3a、设置SLIC分割的参数,包括分割最小因子,预期种子点个数;
子步骤3b、对SLIC分割算法进行OpenMP并行改造,应用并行编译指令#pragma ompparallel for优化循环工作;
程序中最耗时的当属循环语句,OpenMP对循环做了优化,编译指令#pragma ompparallel for就是循环优化的注释语句,当有其作用时,for循环的工作就会被分配给一组线程进行执行,每个线程会承担一定任务,则程序由原来的串行模式转变为并行模式。
子步骤3c、在Visual Studio编译器中,打开项目的“属性页”栏,展开“配置属性”,展开“C++”,将“语言”栏中“OpenMP支持”选项改成“是”,并在源代码文件中加入头文件“omp.h”;
子步骤3d、根据分块策略获得对应编号的子图像,每个子线程按照编号从小到大顺序处理各子图像,保存处理结果,向主线程发送完成消息,直到所有子图像处理完毕为止。
步骤4,建立分块边界的上下区域邻接关系图,
子步骤4a、扫描分割后的分块边界,确定边界区域的节点邻接图,
参照图3(a),表格第一行代表分块边界上的区域标签,第二行代表分块边界下的区域标签,遍历分块上区域的节点,找出所有上区域节点的相邻下节点,建立图3(b)的节点邻接图,
子步骤4b、计算区域的光谱异质性h(color),
h(color)=nmerge×σmerge-(nobj1×σobj1+nobj2×σobj2)
式中,σobj1和σobj2表示合并前两个区域的方差,nobj1和nobj2为两个区域的像素个数,nmerge表示合并后区域的像素个数,σmerge表示合并后区域的方差。
子步骤4c、计算区域的形状异质性h(shape),
h(shape)=ωcmpct×hcmpct-(1-ωcmpct)×hsmooth
子步骤4d、确定节点间的权值Z,
Z=w×h(color)+(1-w)×h(shape)
式中,Z代表相邻节点的权值,w代表各光谱特性所占的权值,取值0到1之间。
步骤5,设计区域合并准则,对区域进行合并,并更新区域标签;
参照图4,区域合并的具体步骤为,
子步骤5a、对区域邻接关系图的上一行的节点,确定其下一行的相邻节点,
子步骤5b、判断上节点和各相邻下节点的权值Z,判断该权值是否满足小于设定的区域异质性阈值,
子步骤5c、若满足,将该上下相邻节点对应的两区域进行合并,标签更新为两个区域中的标签较小值;若不满足,到步骤5b,
子步骤5d、返回步骤5a,遍历区域邻接图中上一行的所有节点,更新区域邻接图。
步骤6,对全图的合并区域进行标签重组,采用游程码的方法对合并后的区域分割结果进行压缩存储,
子步骤6a、对所有分块的边界进行区域合并后,对全图的标签进行连续化整理,使标签值从0开始且连续,
子步骤6b、将分割区域采用游程码的方式进行压缩存储,
参考图5,首先保存图像文件信息头、图像大小和分割区域个数,然后根据实际的分割结果,以游程码结构,保存每一行的分割区域标签。N1表示分割结果第一行不同游程码的个数,NM表示分割结果第M行不同游程码的个数。
图6是本发明边界合并前后的效果对比图,图6(a)为未处理边界的分割结果,图6(b)为边界处理后的分割结果。可以看出,图6(a)存在明显的分界线,该分界线与实际地物的边界不吻合;边界合并处理可以有效消除分界线,保证分割区域内的同质性和区域间的异质性,且分割边缘位于地物边界。
本发明的方法根据图像熵选择波段,有效利用多光谱谱间信息的差异性与相关性,增强合成假彩色图像的边缘,避免欠分割;通过利用超像素思想,充分利用像素点特征的空间连续性,将像素级信息抽象为区块级紧凑特征,避免对相似像素点进行冗余计算和可能的过分割;通过对全图进行带状划分,对SLIC算法实现并行改造,保证分割精度的同时大幅提升分割速度,提高算法对硬件的适应性;通过采用区域合并来更新邻接上下边界,保证分割边缘位于地物边界。本发明的方法既保证了分割边缘的精度,又提高了分割速度,有利于算法的工程应用。
以上所述,仅是本发明的较佳实施例而已,并非对本发明做任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (3)
1.基于超像素的遥感图像并行分割方法,其特征在于:包括以下步骤:
步骤1:计算各波段的图像熵,选择信息量最大的四波段,预处理后合成假彩色图像;
步骤2:根据图像尺寸和运行环境内存的大小,对假彩色图像进行带状分块;
步骤3:设定分割区域参数和终止条件,对分块后的子图像进行并行SLIC分割;
步骤4:建立分块边界的上下区域邻接关系图;
步骤5:设计区域合并准则,对区域进行合并,并更新区域标签;
步骤6:对全图的合并区域进行标签重组,采用游程码的方法压缩存储分割结果;
所述步骤1具体包括:
采用图像的一元灰度熵作为图像熵的衡量单位,计算各波段的图像熵,选择信息量最大的四波段;
对所选的四个波段分别统计其亮度直方图,进行阈值为2%的截断拉伸;
提取直方图累计概率位于2%和98%的亮度值,作为线性归一化的下、上限,对该范围内的所有像元归一化到[0,255];
将图像从RGB空间变换到XYZ空间;
然后将图像从XYZ空间变换到ST空间;
最后将图像从ST空间变换为HLC空间,生成假彩色图像;
所述步骤2图像分块的具体方法为:
根据图像大小和计算机空闲内存确定分块数目;
采用水平带状划分法,划分图像并且标上编号;
所述步骤3并行SLIC分割的具体方法为:
设置SLIC分割的参数,包括分割最小因子,预期种子点个数;
对SLIC分割算法进行OpenMP并行改造,应用并行编译指令#pragma omp parallelfor优化循环工作;
在Visual Studio编译器中,打开项目的“属性页”栏,展开“配置属性”,展开“C++”,将“语言”栏中“OpenMP支持”选项改成“是”,并在源代码文件中加入头文件“omp.h”;
根据分块策略获得对应编号的子图像,每个子线程按照编号从小到大顺序处理各子图像,保存处理结果,向主线程发送完成消息,直到所有子图像处理完毕为止。
2.根据权利要求1所述的基于超像素的遥感图像并行分割方法,其特征在于:所述步骤4建立区域邻接关系图的具体方法为:
扫描分割后的分块边界,确定边界区域的节点邻接图;
计算区域的光谱异质性;
计算区域的形状异质性;
确定节点间的权值。
3.根据权利要求2所述的基于超像素的遥感图像并行分割方法,其特征在于:所述步骤5区域合并的具体方法为:
按顺序遍历上区域的节点,依次确定上节点的相邻下节点;
判断上节点和各相邻下节点的权值,判断该权值是否满足小于设定的区域异质性阈值;
若满足,将该上下相邻节点对应的两区域进行合并,标签更新为两个区域中的标签较小值;若不满足,返回前一步骤;
合并区域,标签更新后返回步骤5的开始步骤,遍历区域邻接图中上一行的所有节点,更新区域邻接图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810445442.5A CN108830869B (zh) | 2018-05-11 | 2018-05-11 | 基于超像素的遥感图像并行分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810445442.5A CN108830869B (zh) | 2018-05-11 | 2018-05-11 | 基于超像素的遥感图像并行分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108830869A CN108830869A (zh) | 2018-11-16 |
CN108830869B true CN108830869B (zh) | 2022-05-10 |
Family
ID=64147832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810445442.5A Active CN108830869B (zh) | 2018-05-11 | 2018-05-11 | 基于超像素的遥感图像并行分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830869B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816668B (zh) * | 2019-01-22 | 2019-12-24 | 中国科学院地理科学与资源研究所 | 遥感影像非监督分割评价方法和装置 |
CN109949320B (zh) * | 2019-03-20 | 2020-12-11 | 哈尔滨工业大学 | 基于熵与互信息的高光谱图像超像元分割方法 |
CN110084205A (zh) * | 2019-04-30 | 2019-08-02 | 合肥工业大学 | 一种基于改进的面向对象高分辨率遥感影像分类方法 |
CN110147799A (zh) * | 2019-05-13 | 2019-08-20 | 安徽工业大学 | 一种基于超像素的显微图像目标区域提取方法及*** |
CN110390679B (zh) * | 2019-07-03 | 2022-04-26 | 上海联影智能医疗科技有限公司 | 图像处理方法、计算机设备和可读存储介质 |
CN110648341B (zh) * | 2019-09-19 | 2022-09-30 | 福建师范大学 | 一种基于尺度空间和子图的目标边界检测方法 |
CN110910397B (zh) * | 2019-10-18 | 2022-10-11 | 中国人民解放军陆军工程大学 | 一种遥感图像分割方法 |
CN112331310A (zh) * | 2020-10-10 | 2021-02-05 | 深圳市智影医疗科技有限公司 | 医学影像数据显示方法、装置、存储介质和智能设备 |
CN112164087B (zh) * | 2020-10-13 | 2023-12-08 | 北京无线电测量研究所 | 基于边缘约束和分割边界搜索的超像素分割方法及装置 |
CN115239746B (zh) * | 2022-09-23 | 2022-12-06 | 成都国星宇航科技股份有限公司 | 一种面向对象的遥感图像分割方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1992008200A1 (en) * | 1990-10-30 | 1992-05-14 | 3D Systems, Inc. | Layer comparison techniques in stereolithography |
CN103400368A (zh) * | 2013-06-25 | 2013-11-20 | 西安电子科技大学 | 基于图论和超像素的并行快速sar图像分割方法 |
CN105787948A (zh) * | 2016-03-23 | 2016-07-20 | 华中科技大学 | 一种基于多变形分辨率的快速图像分割方法 |
CN106384354A (zh) * | 2016-09-14 | 2017-02-08 | 哈尔滨工业大学 | 基于slic算法的超像素分割方法 |
EP3203743A1 (en) * | 2014-10-31 | 2017-08-09 | Samsung Electronics Co., Ltd. | Method and device for encoding/decoding motion vector |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011091300A2 (en) * | 2010-01-24 | 2011-07-28 | Mistretta Medical, Llc | System and method for implementation of 4d time-energy subtraction computed tomography |
CN106778821B (zh) * | 2016-11-25 | 2019-05-03 | 西安电子科技大学 | 基于slic和改进的cnn的极化sar图像分类方法 |
CN106709517B (zh) * | 2016-12-19 | 2020-09-04 | 航天恒星科技有限公司 | 红树林识别方法及*** |
CN106971397B (zh) * | 2017-04-01 | 2018-05-15 | 郭建辉 | 基于改进jseg算法的城市高分辨率遥感影像分割方法 |
-
2018
- 2018-05-11 CN CN201810445442.5A patent/CN108830869B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1992008200A1 (en) * | 1990-10-30 | 1992-05-14 | 3D Systems, Inc. | Layer comparison techniques in stereolithography |
CN103400368A (zh) * | 2013-06-25 | 2013-11-20 | 西安电子科技大学 | 基于图论和超像素的并行快速sar图像分割方法 |
EP3203743A1 (en) * | 2014-10-31 | 2017-08-09 | Samsung Electronics Co., Ltd. | Method and device for encoding/decoding motion vector |
CN105787948A (zh) * | 2016-03-23 | 2016-07-20 | 华中科技大学 | 一种基于多变形分辨率的快速图像分割方法 |
CN106384354A (zh) * | 2016-09-14 | 2017-02-08 | 哈尔滨工业大学 | 基于slic算法的超像素分割方法 |
Non-Patent Citations (4)
Title |
---|
Super pixel segmentation algorithm based on Hadoop;Wang Chunbo等;《Journal of Computer Applications》;20161130;第36卷(第11期);第2965-92页 * |
基于图模型的快速SAR图像分割及其应用;龚德钊;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20141115(第11期);第I136-769页 * |
基于超像素的遥感图像并行分割算法;李帅等;《舰船电子工程》;20191031;第39卷(第10期);第220-226页 * |
数据分配策略优化的全条带遥感影像流水线并行处理;李亚林等;《计算机应用与软件》;20161130;第33卷(第11期);第117-121页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108830869A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830869B (zh) | 基于超像素的遥感图像并行分割方法 | |
Chen et al. | Single image shadow detection and removal based on feature fusion and multiple dictionary learning | |
CN109949399B (zh) | 一种基于无人机航拍图像的场景三维重建方法 | |
CN110738207B (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
CN115331087B (zh) | 融合区域语义与像素特征的遥感影像变化检测方法及*** | |
CN113052210A (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
CN112183416A (zh) | 一种基于深度学习方法的新增建设用地自动提取方法 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
Havel et al. | Efficient tree construction for multiscale image representation and processing | |
CN112883900B (zh) | 遥感影像裸地反演可视图的方法及装置 | |
Zhang et al. | A comparative study of U-nets with various convolution components for building extraction | |
CN114693851A (zh) | 基于gpu的实时网格轮廓向量化与渲染*** | |
Han et al. | An enhanced image binarization method incorporating with Monte-Carlo simulation | |
CN114549972B (zh) | 露天矿采场提取方法、装置、设备及介质 | |
CN113177956A (zh) | 一种面向无人机遥感影像的语义分割方法 | |
CN111274936B (zh) | 多光谱图像地物分类方法、***、介质及终端 | |
CN112632303A (zh) | 一种影像数据的分布式存储方法、分析方法及装置 | |
CN112418033A (zh) | 基于mask rcnn神经网络的滑坡坡面分割识别方法 | |
CN116824488A (zh) | 一种基于迁移学习的目标检测方法 | |
Fitzgerald et al. | Real-time, parallel segmentation of high-resolution images on multi-core platforms | |
CN114742947B (zh) | 一种适用于大范围的倾斜三维模型纹理分块重建方法 | |
Grana et al. | Connected component labeling techniques on modern architectures | |
CN112989919B (zh) | 一种从影像中提取目标对象的方法及*** | |
Yang et al. | Image scene analysis based on improved FCN model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |