论文部分内容阅读
随着航天航空技术的发展,遥感图像已成为了每个国家的国防安全、地理勘测、航天技术等各方面发展的重要来源。图像的语义分割是光学遥感图像研究的重要方向,近几年来,越来越多的学者在光学遥感图像的语义分割上展开了大量的研究,取得了显著性的成果。本文以光学遥感图像为研究对象,通过传统的超像素聚类方法实现图像语义分割,并针对特定目标对象实现先检测后裁剪的语义目标取,最后分别对超像素分割、语义分割以及语义目标取出相应改进,具体工作如下:1)出一种基于边界追踪的遥感图像超像素生成方法。针对简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)处理数据量大的光学遥感图像时存在计算量较大、运算时间较长的问题,出了一种边界追踪(Edge Tracking-SLIC,ET-SLIC)的超像素生成方法,通过从四个不同方向寻找每一个超像素块的边界点,形成封闭区间后快速生成超像素。经实验证明,该算法在保证超像素质量的前下大量降低计算量,在处理数据量较大的光学遥感图像时运行时间相比SLIC缩短一半。2)出一种基于超像素谱聚类的遥感图像语义分割算法。将光学遥感图像进行超像素预处理,然后采用谱聚类算法实现图像分割,针对谱聚类算法存在的分割精度不高的问题出了谱聚类优化算法,通过增加谱聚类K值以保证初步聚类精确率,然后在相似矩阵中去掉空间位置信息并添加纹理信息得到了改进的相似矩阵,最后出全局最优合并算法实现光学遥感图像的分割,再结合支持向量机(Support Vector Machine,SVM)分类器标记各区域块,达到最终语义分割的目的。采用先分割后标注的方法实现光学遥感图像语义分割,并与易康软件进行对比实验,结果证明本算法的F1 score达到87.46%,Kappa系数达到0.8314,相比易康软件均有较大升。3)出一种基于注意区域推荐网络(Attentional Region Proposal Network,ARPN)和GrabCut的遥感图像语义目标取算法。在光学遥感图像语义分割中,由于人们通常关注于特定对象的语义分割而并非整幅图像的语义分割结果。因此本文采用注意区域推荐网络实现特定目标的检测,从而得到目标对象的类别信息和位置信息,然后将位置信息作为GrabCut算法的输入进行裁剪,最终加上类别信息得到光学遥感图像的特定语义目标取结果,针对GrabCut算法存在的计算量大和分割精确率不高的问题,出了结合ET-SLIC、显著性检测和形态学方法的改进GrabCut算法,经实验证明本算法F1 score达到88.36%,Kappa系数达到0.8034,表现出了较好的取性能。