Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phân đoạn hình ảnh viễn thám độ phân giải cao dựa trên RIU-LBP cải tiến và SRM
Tóm tắt
Trong bài báo này, chúng tôi đề xuất một toán tử mẫu nhị phân địa phương đồng nhất không thay đổi vị trí (RIU-LBP) cải tiến để phân đoạn hình ảnh viễn thám độ phân giải cao, có khả năng mô tả hiệu quả các đặc trưng kết cấu của hình ảnh viễn thám độ phân giải cao. RIU-LBP cải tiến được xây dựng trên cơ sở RIU-LBP. Nó giới thiệu một ngưỡng trong quá trình nhị phân hóa của các pixel trong vùng. Toán tử LBP mới có thể tốt hơn trong việc chịu đựng biến đổi kết cấu nhỏ và phân biệt rõ hơn giữa kết cấu phẳng và thô hơn so với RIU-LBP gốc. Sau đó, một tiêu chí hợp nhất các vùng kết cấu được đề xuất, dựa trên phân phối giá trị LBP theo vùng và khoảng cách Bhattacharyya. Cuối cùng, tiêu chí hợp nhất kết cấu và tiêu chí hợp nhất quang phổ được kết hợp trong phương pháp phân đoạn hình ảnh viễn thám dựa trên hợp nhất vùng thống kê (SRM) nhằm cải thiện kết quả phân đoạn, tận dụng tối đa thông tin quang phổ và kết cấu phong phú trong các hình ảnh viễn thám độ phân giải cao. Thuật toán này có thể được điều chỉnh để phù hợp với số lượng các vùng được phân đoạn, và các thử nghiệm chỉ ra rằng kết quả phân đoạn tốt hơn so với ENVI 5.0 và phương pháp SRM.
Từ khóa
#phân đoạn hình ảnh viễn thám #RIU-LBP #SRM #kết cấu #độ phân giải caoTài liệu tham khảo
Cao Z, Tan Y, Feng J: Segmentation of PolSAR image by using an automatic initialized variational model and a dual optimization approach. EURASIP J. Wireless Commun. Netw. 2013, 1: 1-10.
Tuia D, Muñoz-Marí J, Camps-Valls G: Remote sensing image segmentation by active queries. Pattern Recogn. 2012, 45(6):2180-2192. 10.1016/j.patcog.2011.12.012
Sarkar A, Biswas MK, Kartikeyan B, Kumar V, Majumder KL, Pal DK: A MRF model-based segmentation approach to classification for multispectral imagery. IEEE Trans. Geosci. Remote Sens. 2002, 40(5):1102-1113. 10.1109/TGRS.2002.1010897
Mitra P, Uma Shankar B, Pal SK: Segmentation of multispectral remote sensing images using active support vector machines. Pattern Recogn. Lett. 2004, 25(9):1067-1074. 10.1016/j.patrec.2004.03.004
Paclik P, Duin RPW, van Kempen GMP, Kohlus R: Segmentation of multi-spectral images using the combined classifier approach. Image Vis. Comput. 2003, 21(6):473-482. 10.1016/S0262-8856(03)00013-1
Unser M: Texture classification and segmentation using wavelet frames. IEEE Trans. Image Process. 1995, 4(11):1549-1560. 10.1109/83.469936
Clausi A, Deng H: Design-based texture features fusion using gabor filters and co-occurrence probabilities. IEEE Trans. Image Process. 2005, 14(7):925-936.
Nock R, Nielsen F: Statistical region merging. IEEE Trans. Pattern Anal. Mach. Intell. 2004, 26(11):1452-1458. 10.1109/TPAMI.2004.110
Li HT, Gu HY, Han YS, Yang JH: An efficient multiscale SRMMHR (Statistical Region Merging and Minimum Heterogeneity Rule) segmentation method for high-resolution remote sensing imagery. IEEE J. Selected Topics in Appl. Earth Observations and Remote Sensing 2009, 2(2):67-73.
Wang XT, Wu JT: Remote sensing image segmentation based on statistical region merging and nonlinear diffusion. In Proceedings of the 2nd International Asia Conference on Informatics in Control, Automation and Robotic. Piscataway: IEEE; 2010:32-35.
Souri AH, Mohammadi A, Sharifi MA: A new prompt for building extraction in high resolution remotely sensed imagery. In Proceedings of the International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Volume XL-1/W3. Vienna: International Society of Photogrammetry and Remote Sensing; 2013.
Ojala T, Pietikäinen M, Harwood D: A comparative study of texture measures with classification based on feature distribution. Pattern Recogn. 1996, 29(1):51-59. 10.1016/0031-3203(95)00067-4
Ojala T, Pietikäinen M, Mäenpää T: Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Trans. Pattern Anal. Mach. Intell. 2002, 24(7):971-987. 10.1109/TPAMI.2002.1017623
Lin CH, Liu CW, Chen HY: Image retrieval and classification using adaptive local binary patterns based on texture features. IET Image Process. 2012, 6(7):822-830. 10.1049/iet-ipr.2011.0445
Exelis Visual Information Solutions Company: ENVI 5.0 Help. Boulder: Exelis; 2012.