基于云模型、图论和互信息的遥感影像分割方法

Zjianeng

摘 要： 针对传统的基于局部信息搜索的分割方法很少考虑图像的全局信息，而且容易忽略影像分割中的随机 性和不确定性，本文提出了一种基于云模型、图论和互信息的影像分割方法．使用云模型来反映像素聚类成区域时的 不确定性和随机性，将图论方法引入基于互信息的最优割集的生成从而得到全局最优分割，利用云模型区域概念所呈 现出的多维特征，通过云综合异质性度量来改进边界权重的计算，从而实现对区域相异性的区分能力．从实验结果来 看，本文提出的方法，能产生有意义的、完整的、内部同质的分割区域，在分割精度上基本能满足人眼的视觉要求．
# b+ D5 L( ?+ t
关键词： 云模型；小波降噪；Ｈａｒｒｉｓ算子；互信息；图论；最小生成树
  r# q0 R: z) Z7 U) p* B
0 E( R' s9 \% _( `
  n; E1 t' X7 O/ M
9 U% K% o8 U: c1 K/ Y$ ?( ^% [% I3 y随着高分辨率遥感影像的普及，针对高分辨率影像 的信息解译技术已经成为一个研究热点．影像分割技术 是实现影像解译的一个基本环节，是将影像分成数量相 对较少、内部同质的区域．同质区域能提供利于后续高 层处理的更多特征，如几何特征、纹理特征、上下文特征 等，这些特征的应用将极大地提高复杂高分辨率影像的 解译精度．因此，分割质量对后续的高层处理有很大的 影响．针对不同的应用，人们提出了很多不同的分割方 法，这些方法总体上分为四类：阈值分割法、基于边界的 方法、基于区域的方法以及二者结合的方法．但简单地 应用这些方法并不适合于复杂的高分辨率遥感影像多 目标分割，其原因在于：一方面，这些方法通常没有考虑 影像分割过程中像素聚类的不确定性，硬性地将其划归 为某个类别，而忽视了像素属于其他类别的概率．另一 方面，这些方法属于局部信息搜索技术，没有考虑图像 的全局信息


$ ]. _/ S4 H$ a附件下载：

游客，如果您要查看本帖隐藏内容请回复

% R2 E4 S: A$ x# ~0 N4 |

谢谢侬

学习一下 下载看看