CN110176005A - 基于归一化指数和多尺度模型的遥感图像分割方法 - Google Patents
基于归一化指数和多尺度模型的遥感图像分割方法 Download PDFInfo
- Publication number
- CN110176005A CN110176005A CN201910407115.5A CN201910407115A CN110176005A CN 110176005 A CN110176005 A CN 110176005A CN 201910407115 A CN201910407115 A CN 201910407115A CN 110176005 A CN110176005 A CN 110176005A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- boundary
- test set
- pixel
- picture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003709 image segmentation Methods 0.000 title claims abstract description 11
- 238000010606 normalization Methods 0.000 title claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 100
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 230000000877 morphologic effect Effects 0.000 claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 44
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 8
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 239000003643 water by type Substances 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 3
- 241000270295 Serpentes Species 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000013480 data collection Methods 0.000 abstract 1
- 238000000638 solvent extraction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000007910 cell fusion Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于归一化指数和多尺度模型的遥感图像分割方法,主要解决现有方法数据利用率低以及分割精度低的问题,其实施方案为:1)对数据预处理生成多尺度多通道数据集;2)利用多尺度数据训练分割网络,得到两个多尺度分割模型;3)用两个多尺度分割模型生成待检测图片的第一分割结果和第二分割结果;4)利用多通道数据计算水体归一化指数,根据设定的阈值用水体归一化指数生成第三分割结果;5)融合叠加三个分割结果,并对融合后的结果进行边界优化和形态学处理,得到最终分割结果。本发明提高了对遥感图像的分割精度,提升了对遥感图像信息的利用效率,可应用于对目标的分割或识别。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及一种遥感图像分割方法,可应用于对目标的分割或识别。
背景技术
遥感图像分割是通过对遥感的分析处理,对输入的遥感图片的每一个像素划分出相应的类别的过程。遥感图像分割是数字图像处理领域的关键技术之一,随着雷达技术的发展,利用遥感图像进行语义分割的研究日益受到人们的重视。通过对遥感图像的分割研究,不仅能实现地质、矿产、森林、水利、海洋、农业等资源的调查研究,还在地质勘探、森林状态监控、海冰分布监视以及农作物生长状况评估等多个领域得到广泛的应用。
随着遥感技术的发展,遥感图像所提供的信息量越来越大、目标结构越来越复杂,单纯的传统算法已经难以满足要求。
Abhishek Chaurasia与Eugenio Culurciello在其发表的论文“LinkNet:Exploiting Encoder Representations for Efficient Semantic Segmentation”(2017Computer Vision and Pattern Recognition(CVPR))中提出了一种基于卷积神经网络的图像分割方法。该方法先利用编码译码结构,结合残差网络,在不增加参数数量的情况下有效地提高了分割的精度,该方法主要应用于自动驾驶图像,自动驾驶图像的目标轮廓清晰并且单个目标面积比较大,易于分辨。但由于遥感图像中目标轮廓模糊,且存在很多单个目标面积十分小,与自动驾驶图像区别很大,若用此方法对遥感图片进行分割,其效果很差。
Mcfeeters在1996年提出的归一化差分水体指数NDWI,是基于绿波段与近红外波段的归一化比值指数。该NDWI一般用来提取影像中的水体信息。该方法存在的不足之处是,该方法只利用两个波段数据,没有充分利用遥感波段数据,且应用于复杂场景的遥感图像很容受到阴影与植物的干扰,产生很大的错误分割。
Luis Alvarez等人在在其发表的论文“Morphological snakes”(2010ComputerVision and Pattern Recognition(CVPR))中提出了一种采用形态学算子的主动轮廓边界演化方法,这种方法虽说比其他基于水平集的主动轮廓方法运行速度更快、更稳定,且不需要重新初始化。但该方法只适用于简单场景的目标分割,遥感场景目标复杂,若用此方法对遥感图片进行分割,其效果非常差。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于归一化指数和多尺度模型的遥感图像分割方法,以提升对遥感图像信息的利用效率,提高遥感图像分割的精度。
本发明的技术方案是:首先通过对数据的裁剪,生成多尺度训练集,再根据多尺度训练集训练得到不同的网络模型,图片尺度不同网络的的注意机制也将不同,大尺寸图片训练全局性好,小尺寸图片训练细节性好,再将得两个结果进行一次融合,得到类别可能存在的区域,再利用NNDWI对水域进行细化,并进行二次融合,最终利用Morphsnakes算法对二次融合结果进行边界优化和形态学处理去除噪点,得到最终分割结果,其实现步骤包括如下:
(1)读入数据集:
读入由5000幅大小为1024*1024像素的遥感图片组成的训练集,其中通道数据为:RGB三个颜色通道,波段为510-580nm、705-745nm、770-895nm和860-1040nm的近红外通道;
读入由不同的50幅大小为1024*1024像素的遥感图片组成测试集,其中通道数据与训练集一致;
(2)图片预处理:
(2a)先从读入数据集的训练集中提取RGB三个通道,组成第一训练集;再从读入数据集的训练集图像中提取RGB三个通道,并将数据集的每张图片都无重叠切割为四块,每一切片大小为512*512个像素,图片数量变为20000张,组成第二训练集;
(2b)从读入数据集的测试集中提取RGB三个通道,组成第一测试集;再读入数据集的测试集中提取RGB三个通道,将数据集的每张图片都无重叠切割为四块,每一切片大小为512*512像素,图片数量由50张变为200张,组成第二测试集;再从读入数据集的测试集中提取四个近红外通道,组成第三测试集;
将第一训练集和第二训练集分别输入到分割网络模型中,对分割网络模型进行迭代训练,得到训练好的第一分割网络模型与第二分割网络模型;
(4)获得分割结果:
(4a)将第一测试集送入第一分割网络模型中,得到第一分割结果;
(4b)将第二测试集送入第二分割网络模型中,得到512*512大小分割结果,并将512*512大小结果拼回原图1024*1024大小,得到第二分割结果;
(4c)利用第三测试集中波段数据计算NNDWI指数得到水域的分割结果,即第三分割结果;
(5)获得融合结果:
(5a)将第二分割结果除地面类别外全部叠加至第一分割结果上,得到第一融合结果;
(5b)将第三分割结果叠加至第一分割融合结果上,得到第二融合结果;
(6)利用Morphsnakes算法对第二融合结果进行边界优化,得到边界优化结果;
(7)对边界优化结果进行形态学处理:
(7a)对边界优化结果进行膨胀系数为8个像素的膨胀处理,去除边界优化结果内部的缝隙;
(7b)对膨胀后的边界优化结果进行小连通域同化处理,得到最终的分割结果。
本发明与现有技术相比具有以下优点:
第一,由于本发明采用多尺度遥感图片训练,融合了多个尺度的信息,克服了传统卷积神经网络对多尺度信息的利用不足的问题,使得本发明得到了多尺度、多分辨的图像特征,对模糊边界以及小目标提高了分割精度。
第二,由于本发明采用NNDWI指数,多通道数据抑制了阴影与植物的干扰,使得对水域分割结果进一步细化,提高了分割准确率。
第三,由于本发明采用将分割融合结果的质心作为Morphsnakes算法初始位置,比起手工标记,提升了Morphsnakes算法初始位置质量,提高了分割结果稳定性和准确度。
附图说明
图1为本发明的实现流程图;
图2为本发明的仿真结果图。
具体实施方式
下面结合附图,对本发明实施例及效果做进一步的详细描述。
参照图1,对本发明的实现步骤如下。
步骤1,读入数据集。
读入由5000幅大小为1024*1024像素的遥感图片组成的训练集,其中通道数据为:RGB三个颜色通道,波段为510-580nm、705-745nm、770-895nm和860-1040nm的近红外通道;
读入由不同的50幅大小为1024*1024像素的遥感图片组成测试集,其中通道数据与训练集一致。
步骤2,图片预处理。
2.1)组成两个训练集:
先从读入数据集的训练集中提取RGB三个通道,组成第一训练集;
再从读入数据集的训练集图像中提取RGB三个通道,并将数据集的每张图片都无重叠切割为四块,每一切片大小为512*512个像素,图片数量变为20000张,组成第二训练集;
2.2)组成三个测试集:
从读入数据集的测试集中提取RGB三个通道,组成第一测试集;
再读入数据集的测试集中提取RGB三个通道,将数据集的每张图片都无重叠切割为四块,每一切片大小为512*512像素,图片数量由50张变为200张,组成第二测试集;
再从读入数据集的测试集中提取四个近红外通道,组成第三测试集。
步骤3,训练分割网络模型。
分割网络模型是Abhishek Chaurasia与Eugenio Culurciello在其发表的论文“LinkNet:Exploiting Encoder Representations for Efficient SemanticSegmentation”(2017Computer Vision and Pattern Recognition)中提出的一种基于卷积神经网络的图像分割方法,该方法以编码译码结构做为网络框架,残差网络作为网络结构,组成神经网络对图片进行分割。
使用该分割网络模型对图像分割时,需要对该模型进行训练,本实例训练分割网络的参数设置为:迭代次数为20代,学习率为0.0001,每次输入训练图片数量为2,训练时将第一训练集和第二训练集分别输入到分割网络模型中对网络参数进行更新,循环更新20次,保存最后一次更新的模型参数,即为训练好的第一分割网络模型与第二分割网络模型。
步骤4,获得三个分割结果。
4.1)将第一测试集送入第一分割网络模型中对第一测试集进行分割,得到第一分割结果;
4.2)将第二测试集送入第二分割网络模型中对第二测试集进行分割,得到512*512大小分割结果,并将512*512大小结果拼回原图1024*1024大小,得到第二分割结果;
4.3)利用第三测试集中的波段数据计算水体归一化指数,得到第三分割结果:
4.3a)读取第三测试集的对应波段数据,将波段数据代入如下公式进行计算,得到图片每个像素点的水体归一化指数值NNDWI:
NNDWI=|(p(Green)-p(NNIR))|/(p(Green)+p(NNIR))
其中,p(Green)是第三测试集中的510-580nm波段数据,p(NNIR)是第三测试集中705-745nm、770-895nm和860-1040nm这三个波段数据之和;
4.3b)设置阈值为0.4,遍历判断第三测试集每一个像素的水体归一化指数值NNDWI是否小于阈值,若NNDWI小于等于阈值0.4,则二值图对应位置取1;否则,二值图对应位置置为0,得到的二值图像即为第三分割结果。
步骤5,融合分割结果。
5.1)将第二分割结果叠加至第一分割结果上,得到第一融合结果;
5.2)将第三分割结果叠加至第一分割融合结果上,得到第二融合结果;
步骤6,对融合分割结果进行边界优化。
边界优化采用现有的Morphsnakes算法,该算法是Luis Alvarez等人在在其发表的论文“Morphological snakes”(2010Computer Vision and Pattern Recognition(CVPR))中提出了一种基于初始点形态学算子的主动轮廓边界演化方法,利用初始化点进行形态学算子计算,计算出图片分割区域。
本步骤使用该方法时是将Morphsnakes算法初始化点设为第二融合结果每个分割块的质心,根据初始点的形态学算子计算出分割区域,并遍历所有测试集图片,得到的分割结果,即边界优化结果。
步骤7,对边界优化结果进行形态学处理。
现有形态学处理方法包括膨胀、腐蚀、开、闭以及小连通域同化运算,都是设置一个特定大小的结构元素或具体阈值,对图片像素进行与或运算,判断是否将图片像素的分割值进行覆盖处理。
本实例采用膨胀运算与小连通域同化运算:膨胀运算是用特定大小的结构元素去遍历图像上每一个像素,判断是否覆盖,以扩大分割覆盖的像素范围;小连通域同化运算是先设定一个阈值,再将图片中小于阈值的连通域值全部置为1,以去除小连通区域产生的噪点,其实现如下:
6.1)对边界优化结果进行膨胀系数为8个像素的膨胀处理,去除边界优化结果内部的缝隙:
将边界优化结果用8*8像素大小的全1二值图像作为结构元素,扫描图片的每一个像素,用结构元素与其覆盖的二值图像像素做“与”操作,判断“与”操作的结果是否为1,若是,将结构元素覆盖的边界优化结果区域像素置为1,否则,将结构元素覆盖的边界优化结果区域像素置为0;
6.2)对膨胀后的边界优化结果进行小连通域同化处理,即先统计边界优化结果每一个连通域的面积,再判断连通域面积是否小于100,若连通域面积小于100,则将连通域的值置为1,否则,保持连通域的值不变,得到最终的分割结果。
下面结合仿真实验对本发明的效果做进一步的说明。
1.仿真条件:
仿真环境:仿真是在NVIDIA GTX1080 8GB GPU硬件环境和Python2.7、TensorFlow1.10.0、opencv4.0.0.21、Keras2.2.4的软件环境下进行的。
仿真数据:仿真是利用IGRSS2019数据集进行仿真实验,数据是DigitalGlobe提供的WorldView-3全色和8波段可见光和近红外图像,其中分割目标包括6类:建筑物,高架道路,高植被,地面,水与未标记类。
2.仿真内容:
用本发明对IGRSS2019数据集进行图像分割,结果如图2,其中:
图2(a)为IGRSS2019数据集的待检测场景图片;
图2(b)为本发明在待检测场景图上进行分割的结果图,图2(b)中不同分割类别用不同灰度标记。
对比图2(a)与图2(b)可以看出:本发明的检测结果准确,几乎没有误检和漏检。
3.仿真结果分析
将本发明的仿真结果图与IGRSS2019数据集真实分割结果进行比对,统计本发明分割正确像素占图片像素的比率,即得到本发明的分割准确率。
在IGRSS2019数据集上利用现有LinkNet卷积神经网络与形态算子分割算法计算出对应的分割结果,分别与IGRSS2019数据集的真实分割结果进行对比,统计出对应的正确率,得到LinkNet卷积神经网络与形态算子分割算法的分割准确率。
将本发明的分割准确率与现有LinkNet卷积神经网络与形态算子分割算法准确率进行对比,结果如表1.
表1本发明与LinkNet卷积神经网络及形态算子分割算法准确率对比表
分割方法 | 准确率 |
本发明 | 77.31% |
LinkNet卷积神经网络 | 67.83% |
形态算子分割算法 | 48.33% |
由表1可见,本发明的分割准确率高于LinkNet卷积神经网络及形态算子分割算法。
综上所述,本发明通过引入了多尺度与多通道模型,提高了遥感图像目标分割的准确率。
Claims (6)
1.基于归一化指数和多尺度模型的遥感图像分割方法,其特征在于,包括如下:
(1)读入数据集:
读入由5000幅大小为1024*1024像素的遥感图片组成的训练集,其中通道数据为:RGB三个颜色通道,波段为510-580nm、705-745nm、770-895nm和860-1040nm的近红外通道;
读入由不同的50幅大小为1024*1024像素的遥感图片组成测试集,其中通道数据与训练集一致;
(2)图片预处理:
(2a)先从读入数据集的训练集中提取RGB三个通道,组成第一训练集;再从读入数据集的训练集图像中提取RGB三个通道,并将数据集的每张图片都无重叠切割为四块,每一切片大小为512*512个像素,图片数量变为20000张,组成第二训练集;
(2b)从读入数据集的测试集中提取RGB三个通道,组成第一测试集;再读入数据集的测试集中提取RGB三个通道,将数据集的每张图片都无重叠切割为四块,每一切片大小为512*512像素,图片数量由50张变为200张,组成第二测试集;再从读入数据集的测试集中提取四个近红外通道,组成第三测试集;
(3)将第一训练集和第二训练集分别输入到分割网络模型中,对分割网络模型进行迭代训练,得到训练好的第一分割网络模型与第二分割网络模型;
(4)获得分割结果:
(4a)将第一测试集送入第一分割网络模型中,得到第一分割结果;
(4b)将第二测试集送入第二分割网络模型中,得到512*512大小分割结果,并将512*512大小结果拼回原图1024*1024大小,得到第二分割结果;
(4c)利用第三测试集中波段数据计算NNDWI指数得到水域的分割结果,即第三分割结果;
(5)获得融合结果:
(5a)将第二分割结果除地面类别外全部叠加至第一分割结果上,得到第一融合结果;
(5b)将第三分割结果叠加至第一分割融合结果上,得到第二融合结果;
(6)利用Morphsnakes算法对第二融合结果进行边界优化,得到边界优化结果;
(7)对边界优化结果进行形态学处理:
(7a)对边界优化结果进行膨胀系数为8个像素的膨胀处理,去除边界优化结果内部的缝隙;
(7b)对膨胀后的边界优化结果进行连通域同化处理,去除面积小于100个像素的连通域,得到最终的分割结果。
2.根据权利要求1所述的方法,其中步骤(3)中对分割网络模型进行迭代训练,分割网络模型是Abhishek Chaurasia与Eugenio Culurciello在其发表的论文“LinkNet:Exploiting Encoder Representations for Efficient Semantic Segmentation”(2017Computer Vision and Pattern Recognition)中提出的一种基于卷积神经网络的图像分割方法,该方法以编码译码结构做为网络框架,残差网络作为网络结构,组成神经网络对图片进行分割。
参数设置如下:迭代次数为20代,学习率为0.0001,每次输入训练图片数量为2,分割类别为6类:建筑物,高架道路,高植被,地面,水与未标记类。第一分割网络模型的输入图片大小为1024*1024,第二分割网络模型二的输入图片大小为512*512。
3.根据权利要求1所述的方法,其中步骤(4c)中利用第三测试集中波段数据计算NNDWI指数得到水域的分割结果,其实现如下:
(4c1)读取第三测试集的对应波段数据,将波段数据代入如下公式进行计算,得到图片每个像素点的NNDWI值;
NNDWI=|(p(Green)-p(NNIR))|/(p(Green)+p(NNIR))
其中,p(Green)是第三测试集中的510-580nm波段数据,p(NNIR)是第三测试集中705-745nm、770-895nm和860-1040nm这三个波段数据之和;
(4c2)设置阈值m>0.4,遍历判断第三测试集每一个像素的NNDWI值是否小于阈值,若该像素NNDWI值小于等于阈值m,则二值图对应位置取1,否则置为0,得到的二值图像即水域分割结果。
4.根据权利要求1所述所述的方法,其中步骤(6)边界优化采用现有的Morphsnakes算法,该算法是Luis Alvarez等人在在其发表的论文“Morphological snakes”(2010Computer Vision and Pattern Recognition(CVPR))中提出了一种基于初始点形态学算子的主动轮廓边界演化方法,利用初始化点进行形态学算子计算,计算出图片分割区域。利用Morphsnakes算法对第二融合结果进行边界优化,是将Morphsnakes算法的初始化点设置为第二融合结果每个分割块的质心,利用Morphsnakes算法遍历所有测试集图片,得到细化边界的分割结果,即边界优化结果。
5.根据权利要求1所述的方法,其中步骤(7a)对边界优化结果进行膨胀系数为8个像素的膨胀处理,是将边界优化结果用8*8像素大小的全1二值图像作为结构元素,扫描图片的每一个像素,用结构元素与其覆盖的二值图像像素做“与”操作,判断“与”操作的结果是否为1,若是,将结构元素覆盖的边界优化结果区域像素置为1,否则,将结构元素覆盖的边界优化结果区域像素置为0。
6.根据权利要求1所述的方法,其中(7b)中对膨胀后的边界优化结果进行小连通域同化处理,是先统计边界优化结果每一个连通域的面积,再判断连通域面积是否小于100个像素,若连通域面积小于100个像素,将连通域的值置为1,否则,保持连通域的值不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910407115.5A CN110176005B (zh) | 2019-05-16 | 2019-05-16 | 基于归一化指数和多尺度模型的遥感图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910407115.5A CN110176005B (zh) | 2019-05-16 | 2019-05-16 | 基于归一化指数和多尺度模型的遥感图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110176005A true CN110176005A (zh) | 2019-08-27 |
CN110176005B CN110176005B (zh) | 2023-03-24 |
Family
ID=67691298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910407115.5A Active CN110176005B (zh) | 2019-05-16 | 2019-05-16 | 基于归一化指数和多尺度模型的遥感图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110176005B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532974A (zh) * | 2019-09-03 | 2019-12-03 | 成都理工大学 | 基于深度学习的高分辨率遥感地质灾害信息自动提取方法 |
CN110969599A (zh) * | 2019-11-07 | 2020-04-07 | 成都傅立叶电子科技有限公司 | 基于图像属性的目标检测算法性能总体测评方法及*** |
CN111738295A (zh) * | 2020-05-22 | 2020-10-02 | 南通大学 | 图像的分割方法及存储介质 |
CN112017189A (zh) * | 2020-10-26 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN118115748A (zh) * | 2024-03-27 | 2024-05-31 | 中国人民解放军91977部队 | 一种热红外遥感图像处理方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及*** |
CN107909109A (zh) * | 2017-11-17 | 2018-04-13 | 西安电子科技大学 | 基于显著性和多尺度深度网络模型的sar图像分类方法 |
CN109583425A (zh) * | 2018-12-21 | 2019-04-05 | 西安电子科技大学 | 一种基于深度学习的遥感图像船只集成识别方法 |
-
2019
- 2019-05-16 CN CN201910407115.5A patent/CN110176005B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及*** |
CN107909109A (zh) * | 2017-11-17 | 2018-04-13 | 西安电子科技大学 | 基于显著性和多尺度深度网络模型的sar图像分类方法 |
CN109583425A (zh) * | 2018-12-21 | 2019-04-05 | 西安电子科技大学 | 一种基于深度学习的遥感图像船只集成识别方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532974A (zh) * | 2019-09-03 | 2019-12-03 | 成都理工大学 | 基于深度学习的高分辨率遥感地质灾害信息自动提取方法 |
CN110532974B (zh) * | 2019-09-03 | 2021-10-22 | 成都理工大学 | 基于深度学习的高分辨率遥感地质灾害信息自动提取方法 |
CN110969599A (zh) * | 2019-11-07 | 2020-04-07 | 成都傅立叶电子科技有限公司 | 基于图像属性的目标检测算法性能总体测评方法及*** |
CN110969599B (zh) * | 2019-11-07 | 2023-04-07 | 成都傅立叶电子科技有限公司 | 基于图像属性的目标检测算法性能总体测评方法及*** |
CN111738295A (zh) * | 2020-05-22 | 2020-10-02 | 南通大学 | 图像的分割方法及存储介质 |
CN111738295B (zh) * | 2020-05-22 | 2024-03-22 | 南通大学 | 图像的分割方法及存储介质 |
CN112017189A (zh) * | 2020-10-26 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN118115748A (zh) * | 2024-03-27 | 2024-05-31 | 中国人民解放军91977部队 | 一种热红外遥感图像处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110176005B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及*** | |
CN110176005A (zh) | 基于归一化指数和多尺度模型的遥感图像分割方法 | |
Lu et al. | Land cover classification in a complex urban-rural landscape with QuickBird imagery | |
Wang et al. | A random forest classifier based on pixel comparison features for urban LiDAR data | |
CN110472616B (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
CN103208001B (zh) | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 | |
Malinverni et al. | Hybrid object-based approach for land use/land cover mapping using high spatial resolution imagery | |
CN107194937A (zh) | 一种开放环境下中医舌象图像分割方法 | |
CN107229917A (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN106650812A (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN106910188A (zh) | 基于深度学习的遥感影像中机场跑道的检测方法 | |
CN109543595A (zh) | 基于深度可分离卷积神经网络的电线的训练方法和检测方法 | |
CN110163213A (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 | |
CN108921120A (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
CN107871316A (zh) | 一种基于深度神经网络的x光片手骨兴趣区域自动提取方法 | |
CN105447274A (zh) | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 | |
CN112907587B (zh) | 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法 | |
CN110766659A (zh) | 医学图像识别方法、装置、设备和介质 | |
CN112950780A (zh) | 一种基于遥感影像的网络地图智能生成方法及*** | |
CN102930275A (zh) | 基于Cramer’s V指数的遥感影像特征选择方法 | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
CN111476197A (zh) | 基于多源卫星遥感影像油棕识别及面积提取的方法和*** | |
CN106650663A (zh) | 建筑物真伪变化的判定方法及含此方法的伪变化去除方法 |
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 |