近年来,随着国内外高分辨率遥感卫星的成功发射,对地观测数据量越来越大.但是我国对于遥感数据处理的速度,却不能够满足对于发展高分辨率遥感系统的迫切需要.因此针对高分辨率图像的数据处理,成为当前研究的重要科学问题.在对高分辨率图像的数据处理分析过程中,图像分割是较为重要的一个基础步骤.对于遥感图像的分割来说,每幅遥感图像都可以看作是由随机变量组成的,而且每幅遥感图像所包含的数据量是极大的,因此基于概率统计的建模方法备受关注.其中又以马尔科夫随机场方法(Markov Random Field,MRF)应用较为广泛.但是,现有的基于MRF的方法存在一些不足:(1)基于混合高斯的面向对象级马尔科夫随机场方法(OMRF)并未考虑对象之间的特征相关关系,分割精度也有局限性;(2)多分辨率模型中各尺度间的传递形式不能充分利用各个尺度的分割结果.针对上述问题,本文主要作了如下研究工作:提出了基于形状参数的面向对象级Gaussian-Markov随机场模型(Object-based Gaussian-Markov Random Field with Shape Parameters,OGMRF-SP),使得在对观测的图像数据进行概率拟合时能够充分考虑周围相邻对象级特征的相互作用影响.首先,为了描述区域特征之间复杂的相互作用,OGMRF-SP方法采用区域大小和边界信息作为区域系数来为每个对象区域构建基于对象的线性回归方程(Object-based Linear Regression Equation,OLRE).其次,将经典的像素级Gaussian-Markov模型扩展到对象级,用于对OLRE中的误差项进行建模.然后,OGMRF-SP方法通过概率原则推理实现最终的分割结果.最后,在实验部分分别针对本模型的人工设置参数进行适当选择实验,通过在不同数据集上比较我们的实验结果和其他已有的基于MRF方法的分割结果,表明所提出的OGMRF-SP方法具有更好的精度和效率.研究了基于对象的双边信息传导多分辨率尺度MRF方法(Object-based Bilateral information transfer Multi-resolution Markov Random Field,OB-MRMRF),使多分辨率模型中各个尺度的分割结果得到充分利用.首先,使用小波工具构造多分辨率尺度图像结构,并在各个尺度上给出初始分割结果.然后,采用双边信息传导机制,将相邻的上下层分割结果投影至中间层作为初始分割进行迭代求解,并依此传导机制逐步投影至原始分辨率层上.最后与现有的一些基于MRF的分割方法在不同数据集上进行比较,证明了我们提出的OB-MRMRF方法具有更高的分割精度.
暂无评论