研究目的
提出一种基于对象的高斯-马尔可夫随机场模型(OGMRF-RC),通过引入区域系数来捕捉区域特征间的相关性,从而提高遥感图像分割的精度,解决了现有方法(如假设特征独立的OMRF)存在的局限性。
研究成果
OGMRF-RC方法通过采用具有区域系数的OLREs对特征交互进行建模,有效提升了高空间分辨率遥感图像的分割精度。在多项测试中,其性能优于当前最先进的基于MRF的方法和卷积神经网络,展现出对噪声及纹理变化的强鲁棒性。未来工作应聚焦于参数选择的自动化以实现更广泛的适用性。
研究不足
该方法需要手动设置最小区域尺寸(s)和势参数(β)等参数,这些参数会影响准确性和效率。如果初始标签场较差,可能无法实现全局优化,且性能取决于过分割的质量。计算效率高于OMRF,但仍需迭代。
1:实验设计与方法选择:
本研究设计了OGMRF-RC方法,通过区域邻接图(RAG)和基于对象的线性回归方程(OLRE),结合区域尺寸与边缘系数,将高斯-马尔可夫模型扩展至对象层面。采用最大后验概率(MAP)准则进行分割。
2:样本选择与数据来源:
使用布拉格纹理数据库的合成纹理图像,以及SPOT-5卫星和航空影像的真实遥感数据,并以真实标注作为验证依据。
3:实验设备与材料清单:
未提及具体设备;依赖计算方法和软件进行图像处理与分割。
4:实验流程与操作步骤:
先通过均值漂移或分水岭算法进行初始过分割以构建RAG,基于区域尺寸和边缘信息建立固定参数的OLRE,利用MAP迭代更新特征与标签场,并与其他方法(ICM、GMRF、MRMRF、OMRF、CNN)进行对比。
5:数据分析方法:
采用卡帕系数(K)、总体精度(OA)和平均交并比(mean IU)进行定量评估;对各方法的分割结果进行统计比较。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容