基于分割质量的遥感图像最优尺度分割方法研究

计算机与现代化

基于分割质量的遥感图像最优尺度分割方法研究

山东科技大学信息科学与工程学院，山东青岛266590

收稿日期:2014-12-31 出版日期:2015-04-27 发布日期:2015-04-29
作者简介:庄仲杰（1989-），女，山东烟台人，山东科技大学信息科学与工程学院硕士研究生，研究方向：人工智能及其应用；崔宾阁（1979-），男，山东烟台人，副教授，硕士生导师，博士，研究方向：智能信息处理。
基金资助:
山东省自然科学基金资助项目（ZR2014DQ030）

Research on Optimal Scale Segmentation Method of Remote Sensing #br# Images Based on Segmentation Quality

College of Information Science and Engineering, Shandong University of Science and Technology, Qingdao 266590, China

Received:2014-12-31 Online:2015-04-27 Published:2015-04-29

摘要/Abstract

摘要：

实现最优尺度分割是遥感图像自动化分割的理想目标。本文首先定义遥感图像区域对象的分割质量，然后使用连续的多个尺度对遥感图像进行分割，计算每一尺度上所有区域对象的分割质

量，最后计算原子区域对象的最优分割尺度，实现遥感图像的最优分割。通过目视判断和定量分析发现最优尺度分割结果优于单尺度分割结果。

关键词: , 图像分割, 多尺度, 最优尺度, 遥感图像

Abstract:

Optimal scaling segment is the ultimate goal of automatic segment of remote sensing image. In this paper, optimal scaling segment is presented based on the

region object segment quality. Remote sensing image is segmented in multiple scales to obtain the segment qualities of all region objects in each scale layer. Then, segment

quality array is constructed for each atomic region object to obtain its optimal segmentation scale. The optimal segment of remote sensing image is implemented based on the

optimal scale of region objects. By visual judgment and quantitative analysis, the optimal scale segment is superior to the traditional single scale segment.

Key words: image segmentation, multiple scale, optimal scale, remote sensing image

庄仲杰，崔宾阁. 基于分割质量的遥感图像最优尺度分割方法研究[J]. 计算机与现代化.

ZHUANG Zhong-jie, CUI Bin-ge. Research on Optimal Scale Segmentation Method of Remote Sensing #br# Images Based on Segmentation Quality[J]. Computer and Modernization.

［1］明冬萍，王群，杨建宇．遥感影像空间尺度特性与最佳空间分辨率选择［J］．遥感学报， 2008，12(4)：529-537.
［2］ Baatz M, Schape A. Multiresolution segmentation: An optimization approach for high quality multi-scale image segmentation［J］. Angewandte Geographische

Informationsverarbeitung, 2000,12(12):12-23.
［3］ Flanders D, Hall-Beyer M, Pereverzoff J. Preliminary evaluation of eCognition object-based software for cut block delineation and feature extraction ［J］. Canadian

Journal of Remote Sensing, 2003,29(4):441-452.
［4］ Johnson Brain, Xie Zhixiao. Unsupervised image segmentation evaluation and refinement using a multi-scale approach［J］. International Society for Photogrammetry and

Remote Sensing, 2011,2(6):473-483.
［5］陈建裕，潘德炉，毛志华．高分辨率海岸带遥感影像中简单地物的最优分割问题［J］．地球科学， 2006，36(11)：1044-1051.
［6］何敏，张文君，王卫红．面向对象的最优分割尺度计算模型［J］．大地测量与地球动力学， 2009，29(1)：106-109. 
［7］刘兆伟，李鑫慧，沈润平,等．高分辨率遥感图像分割的最优尺度选择［J］．计算机工程与应用， 2014（6）：144-147. 
［8］陈丛．基于空间自相关的图像分割的方法研究［D］．福州：福建师范大学， 2011.
［9］ Sawada M. Global Spatial Autocorrelation Indices-Moran’s I, Geary’s C and the General Cross-Product Statistic［EB/OL］.

http://www.lpc.uottawa.ca/publications/moransi/moran.htm, 2014-12-31.
［10］张俊，王宝山，吕宝庆．面向对象高分辨率影像信息提取中的尺度效应研究［J］．北京测绘， 2010（1）：11-14.
［11］崔宾阁，孟翱翔．基于最近邻有向图的遥感图像快速分割算法［J］．计算机科学， 2013，40(10)：274-278.
［12］黄慧萍．面向对象影像分析中的尺度问题研究［D］．北京：中国科学院研究生院， 2003.
［13］Smoka J. Watershed based region growing algorithm［J］. Annales UMCS Informatica AI， 2005,3:169-178.
［14］Bleau A, Leon L J. Watershed-based segmentation and region merging［J］. Computer Vision and Image Understanding, 2000,77(3):317-370.

[1]	曹帅帅，陈雪鑫，苗圃，卜庆凯. 基于PSO与K-均值聚类算法优化结合的图像分割方法[J]. 计算机与现代化, 2020, 0(01): 22-.
[2]	王文，周晨轶，徐亦白，卢杉，周梦兰. 一种采用级联RPN的多尺度特征#br# 融合电表箱锈斑检测算法[J]. 计算机与现代化, 2020, 0(01): 117-.
[3]	李华莹1,林道玉2,张捷1,刘必欣1 . 基于生成对抗网络的遥感图像去云算法[J]. 计算机与现代化, 2019, 0(11): 13-.
[4]	李熙莹1,2,3，朱肯钢1,2,3. 结合天空分割和局部透射率优化交通图像去雾算法[J]. 计算机与现代化, 2019, 0(05): 51-.
[5]	段桂芹1，邹臣嵩2，刘锋2. 基于优化初始聚类中心的K中心点算法[J]. 计算机与现代化, 2019, 0(04): 1-.
[6]	李富星，蒙祖强 . 一种改进的类别区分词特征选择算法[J]. 计算机与现代化, 2019, 0(03): 73-.
[7]	孙源,刘汉强. 基于萤火虫算法的无监督最小视觉差彩色图像分割[J]. 计算机与现代化, 2018, 0(12): 85-.
[8]	宋萍1,2,3，许光銮2，3，周沿海4，郭智2,3，闫梦龙2,3，张益霏2. 基于MRNSSD模型的遥感图像中飞机目标检测方法[J]. 计算机与现代化, 2018, 0(12): 110-.
[9]	曹靖康1，段江永2，孟娟2. 基于深度特征融合的空间植物图像分割算法[J]. 计算机与现代化, 2018, 0(10): 58-.
[10]	白晓波1，邵景峰1，和征1，田建刚2. 基于学习的核偏最小二乘法优化扩展卡尔曼滤波[J]. 计算机与现代化, 2018, 0(09): 110-.
[11]	陈希远，朱佳. 基于联合特征学习的多尺度卷积#br# 神经网络在外汇交易市场中的应用[J]. 计算机与现代化, 2018, 0(09): 122-.
[12]	郑亚鹏，樊璐. 基于LSTM的临床血液需求预测方法[J]. 计算机与现代化, 2018, 0(05): 41-.
[13]	刘德春1，张秀国2，姜微2. 基于马尔科夫链的大学生自主学习能力预测方法[J]. 计算机与现代化, 2018, 0(05): 106-.
[14]	夏琨1，丁波1，刘俊1，刘子豪1，林亮成2. 基于内容分析的网络协议指纹识别[J]. 计算机与现代化, 2018, 0(05): 121-.
[15]	李华，江峰，于旭，杜军威，刘国柱. 基于粒度决策熵的属性约简[J]. 计算机与现代化, 2018, 0(04): 7-.