论文部分内容阅读
随着卫星技术的发展,卫星的空间分辨率越来越高,但是我们的遥感影像自动处理方法却越来越不能满足需要。由于高空间分辨率影像呈现出更为丰富的地物信息,影像中背景噪声也变得更加复杂,传统的广泛采用的中低分辨率遥感影像处理方法已经无法很好的满足需要。其中,快速而精准地识别高空间分辨率遥感影像地物的方法,是目前最迫切需要解决的问题之一。分割技术是高空间分辨率遥感影像地物识别的第一步,首先将具有复杂背景噪声和纹理的遥感影像进行分割,然后对分割后的区域进行分析处理,从而间接实现对高空间分辨率遥感影像地物的识别。本文在研究了大量图像分割算法后,拟采用分水岭变换算法作为本文的分割方法。然而,由于高空间分辨率遥感影像过于复杂的背景噪声和地物内部纹理信息的影响,使得采用传统的分水岭变换算法的分割结果,往往出现过分割的情况,这需要对传统的分水岭变换算法进行改进。为了解决影像的过分割问题,本文引入了各向异性扩散滤波算法并对其进行改进。改进后的算法在去除影像背景噪声的同时,还能够更好的保留边缘信息并突出边缘位置的细节。第一,改进了各向异性扩散滤波中的梯度模。采用非局部均值算法(NLM算法)平滑后的梯度模替换原始的梯度模,增强了该滤波的抗噪性,尤其是强噪声,以及边缘信息。第二,改进了原始算法中扩散系数的获取方法。提出了一种自适应的方法实现扩散系数的自动获取,这降低了人为因素的影响。第三,采用多尺度形态学梯度。传统的单一尺度的形态学梯度无法准确的提取梯度信息,本文采用了多尺度形态学梯度。这既避免了大尺度形态学梯度造成的边缘间相互影响,出现梯度的极大值与真实的边缘信息不一致的情况,又避免了小尺度形态学梯度无法取得很好的去噪效果,从而增强影像的边界信息和梯度图像的抗噪性。第四,使用了扩展极小值变换来消除梯度图像中的局部“谷底”和“毛刺”,保留梯度图像中显著的“山峰”,更进一步避免过分割情况的出现。最后,分别采用本文提出的方法和市场上主流商用分割软件eCogniton,对无人机航拍影像和QuickBird影像进行分割试验。采用六种指标试验结果进行评价:过分割指数(OR)、欠分割指数(UR)、差异距离(Dij)、潜在分割误差(PSE)、多边形数量比(NSR)和欧几里德距离(ED),结果表明,本文提出方法的分割精度均高于eCogniton。