多类型特征协同的Markov随机场方法在遥感影像分割中的应用

多类型特征协同的Markov随机场方法在遥感影像分割中的应用

论文摘要

近年来,随着国内外高空间分辨率遥感卫星的成功发射,对地观测数据的分辨率也越来越高.但近阶段我国对遥感影像数据处理的能力对于满足国家发展高分辨率遥感系统的迫切需求来讲还有待加强.于是,对于高分辨率遥感数据的分析和处理成为目前遥感领域研究的重要科学问题.分割作为该应用领域中最重要和最具有挑战性的问题.而针对海量遥感影像数据的分割而言,通过基于统计概率的方法备受关注.其中,马尔科夫随机场(Markov Random Field,MRF)方法应用较为广泛.但是,目前现有的基于MRF的方法也存在一些待改进的地方:(1)像素级的特征提取方法中由于像素的邻域范围相对较小,分割结果失去了重要的细节特征并且产生了大量的碎片.因此,在分割过程中经常发生误分.(2)对象级的特征提取方法中的MRF模型的初始分割的不准确性和上下文关系的不规则限制了分割精度.针对上述问题,本文主要做了以下研究工作:提出了对于遥感影像分割的交替迭代的马尔科夫方法(Alternating iterative Markovmethod for remote sensing image segmentation,AIMRF),使得模型可以同时兼顾规则的空间上下文信息和宏观纹理描述能力,使其相互促进与优化.首先,建立两个概率图来分别提取基于像素的空间信息和基于对象的空间信息;其次,分别在两个概率图上建立对应的子模型;最后,提出交互迭代模式去融合信息,在像素级特征和对象级特征之间不断协同优化得出最佳分割结果.研究了对于遥感影像分割的像素级的深度马尔科夫方法(Pixel-level depth Markovmethod for remote sensing image segmentation,PDMRF),使得模型不仅拥有卷积神经网络优越的结构而且无需海量的训练集并能在区域一致性和影像原始信息描述能力方面达到了更好的效果.首先建立卷积结构提取原始影像数据不同方面的特征;其次,分别在每个维度进行池化操作,实现不同维度的信息降采样;然后,通过主成分分析来提取所获得众多信息的梗概特征信息.最后使用经典的像素级MRF方法实现原始图像的最佳分割.为了验证本文提出的两种模型的有效性,我们和现有的其他基于MRF模型的方法在不同数据集上进行了对比,评价指标显示本文提出的方法在图像分割方面展现出更加优越的性能.

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  •   1.1 研究背景及意义
  •   1.2 多类型特征
  •     1.2.1 像素级特征
  •     1.2.2 对象级特征
  •     1.2.3 卷积特征
  •   1.3 本文研究思路与结构安排
  • 第二章 Markov随机场理论基础
  •   2.1 图像分割的定义
  •   2.2 Markov随机场的基本理论
  •     2.2.1 邻域系统和基团
  •     2.2.2 Markov随机场
  •   2.3 Gibbs随机场
  •   2.4 常用Markov随机场模型
  •     2.4.1 标记场的建模方法
  •     2.4.2 特征场的建模方法及参数估计
  •   2.5 图像分割的最优准则
  •     2.5.1 MAP准则
  •     2.5.2 MPM准则
  •   2.6 图像分割质量的评价
  •     2.6.1 Kappa系数
  •     2.6.2 分类精确度和分类错误率
  •   2.7 本章小结
  • 第三章 对于遥感影像分割的交替迭代的马尔科夫方法
  •   3.1 AIMRF模型的基本思想
  •   3.2 AIMRF模型的具体建模步骤
  •     3.2.1 概率图的建立
  •     3.2.2 像素级特征提取子模型的建立
  •     3.2.3 对象级特征提取子模型的建立
  •     3.2.4 交互迭代模式的建立
  •   3.3 实验与分析
  •     3.3.1 合成纹理遥感图像
  •     3.3.2 SPOT-5图像
  •     3.3.3 高分辨率遥感图像
  •   3.4 本章小结
  • 第四章 对于遥感影像分割的像素级深度马尔科夫方法
  •   4.1 卷积神经网络
  •     4.1.1 线性空间滤波
  •     4.1.2 池化层
  •   4.2 主成分分析
  •   4.3 PDMRF模型
  •     4.3.1 卷积特征提取
  •     4.3.2 数据压缩数理
  •     4.3.3 改进的MRF随机场方法
  •     4.3.4 PDMRF的算法流程
  •   4.4 实验与分析
  •     4.4.1 合成纹理图像
  •     4.4.2 合成地理图像和真实遥感影像
  •   4.5 本章小结
  • 第五章 总结与展望
  • 参考文献
  • 致谢
  • 攻读硕士期间撰写的学术论文
  • 攻读硕士期间参加的科研项目
  • 攻读硕士期间获奖及荣誉情况
  • 文章来源

    类型: 硕士论文

    作者: 张敏

    导师: 郑晨

    关键词: 图像分割,像素级特征,对象级特征,卷积特征,特征融合

    来源: 河南大学

    年度: 2019

    分类: 基础科学,工程科技Ⅱ辑,信息科技

    专业: 数学,工业通用技术及设备,自动化技术

    单位: 河南大学

    分类号: O211.62;TP751

    总页数: 77

    文件大小: 6349K

    下载量: 47

    相关论文文献

    • [1].两相介质随机场的随机谐和函数表达[J]. 同济大学学报(自然科学版) 2016(08)
    • [2].分组M-正交随机场的部分和上升的阶[J]. 考试周刊 2017(24)
    • [3].岩土参数随机场计算机模拟及其工程应用[J]. 水利与建筑工程学报 2017(03)
    • [4].ρ~-混合随机场强大数律的收敛速度[J]. 纯粹数学与应用数学 2009(02)
    • [5].算子尺度稳定随机场的局部不确定性和局部时的联合连续性[J]. 中国科学:数学 2020(02)
    • [6].地震活动的随机场特征[J]. 地震工程学报 2018(03)
    • [7].基于随机场理论的地基概率沉降分析[J]. 岩土工程学报 2010(07)
    • [8].基于随机场理论的盾构隧道地表沉降槽曲线研究[J]. 地质与勘探 2020(03)
    • [9].基于随机场理论的盾构隧道地表变形研究[J]. 水力发电 2020(04)
    • [10].基于随机场的碰撞检测控制算法[J]. 长春工业大学学报(自然科学版) 2008(02)
    • [11].三维强变异渗透系数随机场生成[J]. 东北水利水电 2015(10)
    • [12].齐次树指标随机场的一类Shannon-McMillan偏差定理[J]. 工程数学学报 2009(02)
    • [13].具有连续参数齐次随机场的线性预测(Ⅳ)[J]. 工程数学学报 2009(02)
    • [14].考虑参数空间变异结构的结构化交叉约束随机场模拟方法研究[J]. 岩土力学 2019(12)
    • [15].具有连续参数的宽平稳随机场的采样定理及应用[J]. 大学数学 2015(04)
    • [16].基于随机场的动力分析[J]. 十堰职业技术学院学报 2010(03)
    • [17].霍夫森林随机场在图像分割上的应用[J]. 信息通信 2015(02)
    • [18].利用随机场分析方法研究地震空区——以2次地震为例[J]. 地震地磁观测与研究 2020(04)
    • [19].基于正态和对数正态随机场的减缩基随机有限元分析[J]. 科技致富向导 2010(35)
    • [20].基于双随机场能量函数的区域化图像分割[J]. 模式识别与人工智能 2017(01)
    • [21].约束随机场下的边坡可靠度随机有限元分析方法[J]. 岩土力学 2009(10)
    • [22].高斯马尔科夫随机场数字图像分析处理软件的设计与实现[J]. 黑龙江科学 2020(02)
    • [23].二维空间随机场的浅基础极限承载力可靠度分析[J]. 地下空间与工程学报 2012(S2)
    • [24].随机场驱动的Ising模型相变[J]. 黑龙江科技信息 2008(20)
    • [25].不排水抗剪强度非平稳随机场模拟及边坡可靠度分析[J]. 岩土力学 2018(03)
    • [26].天津港地区土层剖面随机场特征参数的估计[J]. 工程地质学报 2016(01)
    • [27].基于马尔科夫随机场学习模型的图像模糊核估计[J]. 东南大学学报(自然科学版) 2016(06)
    • [28].改进的马尔科夫随机场的遥感图像超分辨率复原算法[J]. 信息通信 2017(06)
    • [29].基于随机场理论的江苏海相黏土空间变异性评价研究[J]. 岩土工程学报 2015(07)
    • [30].基于高斯随机场的信用风险定价[J]. 学术问题研究 2009(01)

    标签:;  ;  ;  ;  ;  

    多类型特征协同的Markov随机场方法在遥感影像分割中的应用
    下载Doc文档

    猜你喜欢