一种高分辨率遥感图像分割算法

合集下载

一种高分辨率遥感图像分割算法

维普资讯
一
种高分辨率遥感图像分割算法
赵国际贾小志赵宗涛
（西北大学，西安７０６）１０９
（第二炮兵工程学院，西安７０２）１０５
摘要文章研究总结了一种适合于高分辨率可见光遥感图像分割的算法。该算法是一种结合数学形态学区域分割算
文章编号１０ — ３１（０２１ — ０６０文献标识码Ａ０２８３一２０）４０３ — ２
ＡｅｍｅｔｔｏｇｒｔｍｏｇｓｌｔｏｍｏｅｙＳｎｅｍａｅＳｇｎａｉｎＡｌｏｉｈｆｒＨｉｈＲｅｏｕｉｎＲｅｔｌｅｓｄＩｇｓ
灰度图像的基本运算包括：
２１灰度腐蚀．
利用结构元素ｇ对信号＿厂的腐蚀ｇ定义为：ｇ（＝ｍｘｙｇ＋ＤＪ））ａ｛：ｙ］￣
其中，号口的定义如下：符
（Ｖ）ｇ（）－＜ｘ（．２２）
１引言
图像分割是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。像分割（ａｅｓｇｅｔｉｎ在不同的图ｉｇｅｎａｏ）ｍｍｔ领域有不同的名称，目标轮廓技术、值化技术、如阈图像区分技术、目标检测技术、目标识别技术、标跟踪技术等，些技术目这本身或其核心实际上就是图像分割技术。图像分割的形式化定义如下。

基于分形和Gabor滤波的高分辨率遥感影像分割

何文斌梁利姣
（．东莞理工学院１计算机学院，广东东莞５３０；２２８８．东莞理工学院城市学院，广东东莞５３０）２１６
摘要：在城市规划、土地利用等应用中常需要对高分率遥感影像进行分割，而传统的滤波器组分解算法把每个波段的能量作为纹理特征进行分割，存在分割精度低，对噪声、灰度变换敏感等缺点。本文提出一种基于图像预滤波和分形特征的纹理特征提取算法，并对提取的特征向量集用Ｋｍｅｎ — ａｓ算法进行聚类。对天津滨海新区的ＱｉｋｉｕｃＢｒｄ影像的分割实验表明新算法能有效提高分割精度。
度分布场也具有分形特性。图像的分形维数（ｒｃｌｉｅｓｎＤ）可以很好的表征纹理的粗糙程Ｆａｔｍｎｉ，ＦａＤｏ
度，并且对尺度的变化不敏感，这与人类视觉系统有很大相似之处。与其它特征不同，ＦＤ是表征物体表面粗糙程度的固有属性，其值不会随灰度图像的强度变换或灰度级变换而改变，对乘性噪声也不敏感。这一特性对作为遥感影像的分割特征非常有利，因为遥感影像成像过程更加复杂，更易受大气、噪声等因素的影响。
东莞理工学院学报
滤波来提取高分辨率遥感影像的纹理特征，并对得到的ＦＤ特征向量集用Ｋｍｅｎｎ — ａｉｇ算法进行聚类，提
取出感兴趣的前景对象。
空间分辨率达到０６ｍ，采用１位量化值。高分辨率遥感影像具有丰富的空间信息、纹理信息和灰度．１１信息，为遥感影像的分割与分类带来了便利条件。但是分辨率的提高使同类地物间的光谱差异性更加显

基于多尺度均值漂移的高分辨率遥感影像快速分割方法

辨率影像的耕地地块提取。文献［３传统的水平集图像分８将割方法（ —Ｖ模型）ｃ拓展到小波域，采用与文献Ｅ３似的投７类影准则，比未采用小波变换的结果速度提高了ｌ倍。相～２但文献Ｅ］８的方法均只适用于单波段影像的处理。受上述多尺
收稿日期：２１—２２，修订日期：２１—５２０００ —２０００—６
定义１：［Ｘ代表一个ｄ维的欧氏特征空间， ∈ Ｘ以列剃
基金项目：国家（７９３汁划）日（０６Ｂ０３３，国家自然科学基金项目（１０２６０７２９，湖南省教育厅科研项目（９５７和西南林项２０Ｃ７１０）４０１８，４９１１）０之间的矛盾。
近年来，均值漂移（ａｈｆ，ＭＳ算法在影像分割中ｍｅｎｓｉｔ）
的应用备受关注。基于ＭＳ的分割算法具有较好的抗噪能］力、合并行处理的特点。但作为一种迭代算法，ＭＳ算法适具有较高的计算复杂度，成为该算法在具有海量特性的遥这
业大学重点科研基金项目（１０３资助１１０）作者简介：干雷光，１８生，南林业大学资源学院讲师９２年西＊通讯联系人ｅｍａｌｏｅｙ１６ｃｒ￣ｉｘｒ＠２．ｏ：ｆｎｅｍａ：ｇａｎｇｉｃｍ－ｉｗｌｂｉ＠ｍａｌｏｌ．
１ＭＳ分割算法
ＭＳ过程是一种基于非参数概率密度梯度估计的迭代聚

一种快速高分辨率遥感影像分割算法

ａｃｒｔｈｎａｐｉｄｔｈＫＯＮＯｍａｅｃｕａｅｗｅｐｌｔｅＩｅｏＳｉｇ．
ＫｅｒｓＨｉｈＲｅｏｕｉｎ；ＲｅｔｅｓｇＩｇｙｗｏｄ：ｇｓｌｔｏｍｏｅＳｎｉｍａｅ；Ｓｇｎａｉｎ；ＲｅｉｎＭｅｇｎｎｅｍｅｔｔｏｇｏｒｉｇ；Ｇａｉｎ；Ｗａｅｓｅｒｄｅｔｔｒｈｄ
ｍｅｔａｂａｎｄｎｓｏｔｉｅ．Ｅｐｒｍｅｔｓｏｗｘｅｉｎｓｈｗ，ｃｍｐｅｔｔｅｅｍｅｔｐｒａｈ，ｔｅｐｏｏｅｎｓａｂｔａｔｒａｄａｂｔｒｏａｄｗｉｏｈｒｇｎｐｏｃｒｈｓａｈｒｐｓｄｏｅｉｉｆｓｅｎｉｍｏｅ
摘要：高分辨率遥感影像（ＩＯＯ如ＫＮＳ影像）海量数据、杂细节的特点决定了高分辨率遥感影像分割的技术复
难点，出了基于同质性梯度特征、提分水岭算法和最小代价合并的快速分割方法。首先对于原始图像进行同质
梯度计算得到同质梯度图像；次利用一种高效的分水岭变换获得初始分割图像；其最后给出一种改进的区域合
ｄｔｒｎｓｔｅｔｃｎｌｇｃｌｄｆｉｕｔｐｉｔｏｕｈｉｇｅｍｅｔｔｎｎｔｉｓｕｙａｔａｄａｃｒｔｅｍｅｔｔｎａ — ｅｅｍｉｅｈｅｈｏｏｉａｉｃｌｏｎｆｓｃｍａｅｓｇｎａｉ．Ｉｈｓｔｄ，ａｆｓｎｃｕａｅｓｇｎａｉｐｆｏｏ

高分辨率卫星遥感立体影像处理模型与算法

高分辨率卫星遥感立体影像处理模型与算法一、本文概述随着空间技术和遥感科学的迅猛发展，高分辨率卫星遥感已成为地球观测与资源管理的重要手段。

高分辨率卫星遥感立体影像，以其高空间分辨率、高光谱分辨率和高时间分辨率的优势，为地表特征提取、环境监测、城市规划等领域提供了丰富而准确的信息源。

如何高效、精确地处理这些立体影像，以充分发挥其应用潜力，是当前遥感领域面临的重要挑战。

本文旨在探讨高分辨率卫星遥感立体影像处理模型与算法。

本文将回顾高分辨率卫星遥感立体影像处理技术的发展历程，分析现有技术的优缺点。

接着，本文将重点介绍几种先进的处理模型与算法，包括基于深度学习的立体匹配算法、多源数据融合算法以及变化检测算法等。

这些算法不仅提高了影像处理的精度和效率，还拓宽了高分辨率卫星遥感的应用范围。

本文还将探讨高分辨率卫星遥感立体影像处理技术在实践中的应用案例，如城市规划、灾害监测、环境评估等，以展示这些技术的实际应用价值和潜力。

本文将对未来高分辨率卫星遥感立体影像处理技术的发展趋势进行展望，指出可能的研究方向和挑战，以期为相关领域的研究和实践提供参考。

本文将对高分辨率卫星遥感立体影像处理模型与算法进行全面而深入的探讨，旨在推动遥感科学技术的发展，为地球观测与资源管理提供更有效的技术支持。

二、高分辨率卫星遥感技术概述高分辨率卫星遥感技术是指利用卫星搭载的遥感设备获取地球表面的高清晰度图像和数据的技术。

这种技术在地理信息系统、城市规划、农业监测、环境保护、灾害评估和军事侦察等领域具有广泛的应用。

高分辨率卫星遥感技术的关键在于其搭载的传感器和数据处理算法。

传感器必须具备高空间分辨率、高光谱分辨率和高时间分辨率，以确保获取到的图像清晰、详细。

同时，数据处理算法需要能够从这些高分辨率图像中提取有用的信息，进行分类、识别和分析。

立体影像处理是高分辨率卫星遥感技术中的一个重要方面，它涉及到从不同角度获取的两幅或多幅图像中重建地面的三维模型。

基于标记分水岭算法的高分辨率遥感图像分割方法

关键词图像分割中图法分类号
标记的分水岭算法文献标志码Ａ
高分辨率遥感图像
Ｐ３２７；
随着遥感技术的发展和卫星空间分辨率的提高，高分辨率遥感图像开始广泛应用于各个领域。
针对遥感图像的特点，讨了标记分水岭算法的分探
割。本文把该方法引入高分辨遥感图像的分割，并
２００８年２月２日收到７国家自然科学基金（０７０２资助６２２３）
基于标记的分水岭分割算法对传统分水岭算法进行了改进，方法先从形态学梯度图像中提该取与物体有关的局部极小值并将他们构成二值标
割技术。
图像分割是高分辨率遥感图像信息提取和应用的
基础性工作，分割形成的初始区域是图像对象的形状表达，分割的好坏直接影响到后续分析、别和识解译等的精度，由于遥感图像的复杂性和图像分割自身的不确定性，遥感图像的准确分割成为遥感图像处理研究的热点和难点之一。图像分割主要有基于边缘的图像分割方法、基于区域的图像分割方法、于纹理的图像分割方法基
摘
要由于Ｑｉｂｄ等高分辨率遥感图像信息分布的特殊性，ｕｅｉｋｒ一些面向视频（自然）或图像分割方法并不完全适合于高分
辨率遥感图像的分割。基于标记的Ｗａｒｅｔｓｄ图像分割算法是一种改进的分水岭算法，它很好地被应用于人脸及其他一些场ｅｈ景图像的分割。把该方法引入高分辨遥感图像的分割，针对遥感图像的特点，分割之前采用中值滤波对高分辨率遥感图并在像进行预处理；同时，分割过程中采用用小波滤波器替代Ｂｔｒｏｈ滤波器对梯度图像的低通滤波。不同地物特征的在ｕｔｗｒｅｔＱｉｂｒｕｅｉｋｄ图像的分割实验表明，于纹理比较均一的高分辨率遥感图像，方法避免了过分割现象，效率较高；对于纹理对该且但比较复杂的图像，方法具有一定的局限性。该

一种改进的高分辨率遥感影像分割方法及应用

摘
要：图像分割是进行遥感信息监测的重要前提条件和基础，阐述了对遥感影像进行分割的必要条件，了对遥文章介绍
感影像进行分割的基本原理，并且介绍了几种图像分割的方法。根据影像分割在城市房地产监测中的应用，文章提出了一
种基于改进的Ｈ指标分割方法，并通过实际试验确定了利用此方法对高分辨率遥感影像进行分割的指标。
Ａｂｓｒｃ：ｍａｅａｔｄｉｈｅｒｃｎｄｔｎｎｄ￣ｕｄａｏｎｏｆｔｅｒｍｏｔｅｓｏｉｏｒ，ｔｓｅｉａｃｔａｔＩｇｐｒｉｏｎｓｔｐｅｏｉｏａｉｎｄｈｅｅｓｎｅｍｎｔｉｎｇｈｅｅｓｎｔｌｏｎ￣ｆｏｏｅｉｎｆｔｈｒｍｏｔｅｓｍａｅｐａｔｔｏａｅｃｂｅ，ｔｂｓｎｇｌｗｆｒｍｏｔｅｓｉａｒｉａｎｒｄｕｃｄａｅｅｓｎｅｉｇｒｉｎＷｓｄｓｒｄｈｅａｉａｏｅｉｉｅｓｎｅｍｇｅｐａｄｒｏｎｗｓｉｔｏｅ，ｎｄｅｒｌｗａｓｖｅａｙｏｅａｅｆｔｍｇｐａｔｉｎｗｅｅｌｏｎｏｃｄＡｃｏｒｉｇｏｈｅｌａｅｈｒｉｏｔｒａｓｉｔｄｕｅ．ｒｃｄｔｔｉｇｐａｔｒｏｕｉｇｎｔｅｉｙｅｌｍｔｍｏｎｔｉ，ａｎｌｒｉｎｓｎｉｈｃｔｒａｅｓｅｉｉｏｒｎｇ
ｐｒｐｏｅａ．ｏｓｄｗｙ
Ｋｅｒｓｌ３ｅｐｒｉｏ；ｄｅｄｔｃｉｎＨｕｔｙｗｏｄ：ｉ／ａｔｎｅｇｅｅｔ；ｑｏａＴｇｉｔｏ

作业2 高空间分辨率遥感影像分割方法实验

作业2 高空间分辨率遥感影像分割方法实验学号：课程代码：姓名：截止日期：2016.11.29上交时间：2016.11.28摘要：遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。

边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。

图像属性中的显著变化通常反映了属性的重要事件和变化。

本文使用棋盘分割算法、四叉树分割算法、多尺度分割算法三种分割算法与Canny边缘检测算法对图像进行分割和提取边缘。

并简单的对ecognition软件中设置的不同参数进行探索。

1.方法1.1.分割遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。

遥感影像分割是面向对象的遥感影像数据挖掘与应用中的一项关键技术，对于影像目标信息自动化提取与智能识别尤为重要，在面向对象的遥感影像处理工程中具有重要意义[1]。

1.1.1. 棋盘分割算法棋盘分割（Chessboard Segmentation）是易康软件中一种简单的分割算法，它将一幅影像或一个父级对象分割成许多正方形的小对象。

在分割过程中，棋盘分割算法主要用到的是分割尺度参数。

1.1.2. 四叉树分割算法四叉树分割法（Quadtree-Based Segmentation）：当超过预定阀值时,将原始图像等分为4个子块,分别对应于四叉树树根的4个子节点[2]。

依次考虑4个子块中的每一块,当匹配误差超过预定阀值时,这个阀值可称为剪枝判同的判决标准,可以是灰度相似性,也可以是目标均方差或其他可表示目标特征的有效信息,再将此块等分成4个子块,该过程也称之为剪枝.重复这一过程直至图像中的任意一块都能找到合适的匹配块为止[3]。

下图表示一个四叉树的分割过程[4]。

基于Mean—shift分割的高分辨率遥感影像变化检测方法

２模拟法．
等推广性地将变化检测方法划分为七类。龚建雅等ＩＩ步扩展进一者的平均偏差还不到０５ｄ。它们只在噪声门限上有较小的差别，．Ｂ这是由于ＴＥ系统和传统噪声接收机的噪声性能不同造成的。ＤＭＩ（２）瞬态Ｅ信号的测量ＭＩ
科技搽讨
基于Ｍｓ分割的高分辨率ｅｎ广州南方测绘有限公司龙岩分公司福建龙岩３４１６０２）
摘要：针对Ｇｅｅｅｏｙ，ＱｕｃＢｒ高空间分辨率遥感影像变化检测精度不高的问题，本文研究了面向对象的分类后比较的变化检测ｉｋｉｄ等方法。该方法是先利用均值平移法进行图像分割，再以分割对象为基本单元，采用支持向量杌分类器进行分类，最后识别变化区域。该方法充分考虑了影像中地物的光谱、几何、上下文特征，以及目标间的拓扑关系，以弥补基于像素的变化检测方法的不足。最后，用ＱｕｃＢｉｄ多时相影像作为测试数据，验证了本方法能有效提高高分辨率遥感影像变化检测的精度，且有利于ＧＩ数据更新。ｉｋｒＳ关键词：面向对象均值平移（ａ—ｈｆ支持向量机（Ｖ）变化检测高分辨率影像Ｍｅｎｓｉ）ｔＳＭ
五、结束语
四、性能评价
局域网的研究主要集中在互连结构或通信子网上，这表现在网络拓朴结构以及访问控制方式上，提高网络性能，改善性价比。是网络发展的源动力。般认为，ＬＮ的性能由应用方面的需要、所连设备的性能Ａ及运行环境等诸因素相互作用，相互影响所决定，既涉及硬件技术，又涉及软件技术，因此，很难以一两个简单参数对ＬＮ的性Ａ能作出全面评价。从系统设计、管理、维护等角度来考察，有三个参数需要考虑：信道吞吐量、信道利用率和延迟时间。此外，考察网络性能还要考虑网络工作的稳定性、公平性和坚固性。随着网络测试的发展与测试方法的日趋多样化，提出了对网络整体性能进行综合评价的需求。网络测试和分析评价己经成为人们认识网络、了解网络、更好使用网络的重要手段。对网络性能进行分析评价的方法主要有以下几种：测量法、分析法、模拟法。下面简单介绍分析法、模拟法。

基于形态学梯度重构的高分辨率遥感影像分割方法

Ｖｏ｜Ｎｏ４ｌ３ｌ．梯度重构的高分辨率遥感影像分割方法
蒋圣，汪闽，星月张
（南京师范大学虚拟地理环境教育部重点实验室，江苏南京２０４）１０６
［摘要］基于形态学梯度重构提出一种用于高分辨率遥感影像的分割方法．针对遥感图像的特点构建多形状结构元素，然后使用该结构元素对图像提取形态学梯度并进行开闭重构；根据人的视觉特征，对梯度的高对比度区域进行还原，用于保证较高的局部对比度；最后使用浸没式分水岭变换获得分割结果．ＩＯＯ对ＫＮＳ影像进行分
ｉｇａｄｃｏｉｇｏｅａｉｎｆｅｏｓｕｔｎａｅｅｌｙｄｔａｉｎｍａｅｎｎｌｓｎｐｒｔｓｏｃｎｔｃｉｒｍｐｏｅｏｇｄｅｔｏｒｒｏｒｉｇ．Ａｃｏｄｎｈｈｒｃｅｉｉｆｈｍａｉｃｒｉｇｔｔｅｃａａｔｒｔｃｏｕｎｖ— ｏｓｓｎ，ｒｇｏｓｗｉｉｈｃｎｒｓｒｅｏｅｅｉｏｅｉｎｔｈｇｏｔｔａｅｒｃｖｒｄ，ｆｒｓｖｎｈｉｈｌｃｌｃｎｒｓｎｏｍａｉｎｏｈｒｄｅｔｉｇ．Ａｔｈａｏａｉｇｔｅｈｇｏａｏｔａｔｉｆｒｔｆｔｅｇａｉｎｍａｅｏ
Ｋｅｒｓｍｏｈｌｇｃｌｒｄｅｔｐｎｎｎｌｓｎｐｒｔｎｏｅｏｓｒｃｉｎ，ｗｔｒｈｄｔｎｆｒ，ｈｇ－ｅｏｕｙｗｏｄ：ｒｏｏｉａａｉｎ，ｏｅｉｇａｄｃｏｉｇｏｅａｉｆｒｃｎｔｔｐｇｏｕｏａｅｓｅｒｓｏｍａｉｈｒｓｌ —

基于超像素的遥感图像并行分割算法

基于超像素的遥感图像并行分割算法第一步是超像素生成。

超像素是指将图像划分为若干个相似的连续像素块的方法，可以减少图像中的冗余信息，提高分割效果。

常用的超像素生成方法包括基于区域的算法（如SLIC算法）和基于图的算法（如TurboPixels算法）。

算法首先对图像进行预处理，然后根据像素的相似性将图像划分为超像素。

第二步是特征提取。

特征是用来描述图像中物体的属性或特点的量化信息，可以用于区分不同类别的像素。

常用的特征包括颜色、纹理、形状等。

在超像素分割中，可以使用各个超像素的平均颜色值、纹理特征或边缘信息作为特征。

第三步是相似度计算。

相似度计算是用来度量两个像素或超像素之间的相似程度，可以通过计算它们之间的颜色差异、纹理差异等来得到。

常用的相似度计算方法包括欧式距离、马哈拉诺比斯距离等。

最后一步是并行分割。

并行分割是指同时对图像的多个部分进行分割的过程，可以大大提高分割速度。

在并行分割中，可以使用多线程或GPU 并行计算来加速算法的运行。

算法将相邻的超像素进行相似度比较，并通过合并相似的超像素来实现分割。

在合并超像素时，可以使用图像分割算法（如阈值分割算法、聚类算法等）来确定分割结果。

总结起来，基于超像素的遥感图像并行分割算法通过超像素生成、特征提取、相似度计算和并行分割的步骤来实现。

该算法可以提高分割效果和运算速度，适用于处理大规模遥感图像数据。

超高分辨率遥感图像的特征提取和分类方法研究

超高分辨率遥感图像的特征提取和分类方法研究随着遥感技术的不断发展，超高分辨率遥感图像成为了研究的热点。

超高分辨率遥感图像拥有不同于普通遥感图像的多维复杂特征，因此如何对其进行特征提取和分类成为了一个重要的研究方向。

一、超高分辨率遥感图像的特征超高分辨率遥感图像相比于传统遥感图像具有更高的分辨率和更多的谱段，其特征也更加复杂。

一方面，超高分辨率遥感图像的空间分辨率非常高，可以捕捉到更多的地物细节信息，包括建筑物、道路、行人等；另一方面，由于其具有更多的谱段，因此可以获取到地物的光谱信息，如植被类型、植被覆盖度等。

同时，超高分辨率遥感图像还具有多方位、多时相、多波段等特征，使得其具有更全面的描述地物的能力。

二、超高分辨率遥感图像的特征提取方法超高分辨率遥感图像的特征提取方法包括基于图像的、基于特征的、基于深度学习的等多种方法。

其中，基于图像的方法是最早被使用的一种方法。

其主要包括滤波、边缘检测、纹理分析等技术，可以从图像的空间域、频率域、小波域等多个角度来提取特征。

基于特征的方法则是通过对图像的特征进行分析，从而得到地物的信息。

主要包括局部区域特征提取、全局特征提取等方法。

局部区域特征提取方法包括SIFT、SURF等，全局特征提取方法包括基于谱分类器和图像分割等。

这些方法可以使得特征提取更加精确，提高分类的准确性。

基于深度学习的方法则是近年来发展的一个热点研究方向。

它通过神经网络模型来获取数据中的特征信息，从而能够学习到更加复杂的特征，提高分类的准确性。

常用的方法包括卷积神经网络、循环神经网络等，例如VGG、AlexNet等模型。

三、超高分辨率遥感图像的分类方法基于特征的分类方法是一种被广泛采用的分类方法，并发展出许多不同的算法。

其中一个主要的方法是基于支持向量机(SVM)。

这种方法通过训练SVM分类器，将从图像中提取的特征映射到高维特征空间中，并在特征空间中寻找一个超平面来分割数据。

SVM方法具有良好的泛化能力，特别适用于非线性分类问题。

基于UNet的高分辨率遥感图像语义分割方法

要组成部分，广泛应用于土地测绘、环境监测、城市建设等领域。其中，语义分割在遥感图像解译中扮演重要角色，是低高层遥感图像处理及分析的重要衔接。图像语义分割，又被称作图像标注，是指为图像中的每一像素分配语义标签，基
于语义单元将图像分割为若干具有不同语义标识的区域。图像语义分割是目标识别和分割两部分任务的综合，黄凯奇等人从物体、类别和背景三个层次对其难点作了总结[1]。高分辨率遥感图像通常包含道路、水源、建筑、树木、农作物、车辆、行人等地物目标类别丰富的细节信息。受目标类别分布不平衡，不同目标边缘易重叠，个别目
苏健民，杨岚心，景维鹏 . 基于 U-Net 的高分辨率遥感图像语义分割方法 . 计算机工程与应用，2019，55（7）：207-213. SU Jianmin, YANG Lanxin, JING Weipeng. U-Net based semantic segmentation method for high resolution remote sensing image. Computer Engineering and Applications, 2019, 55（7）：207-213.
基金项目：黑龙江省自然科学基金（No.C200840，No.F201028）。作者简介：苏健民（1961—），男，教授，硕士生导师，研究领域为模式识别与智能控制；杨岚心（1993—），男，硕士研究生，研究领域
U-Net Based Semantic Segmentation Method for High Resolution Remote Sensing Image SU Jianmin, YANG Lanxin, JING Weipeng
College of Information and Computer Engineering, Northeast Forestry University, Harbin 150040, China

基于JSEG改进算法的高分辨率遥感影像分割

‘
ｂｓｄｏａｅｎｉｒｖｄＪＥＧｌｏｉｍｍｐｏｅＳａｇｒｔｈ
ＬＩＮａ，ＡＮＧｎ，ｎＩＬＭｉｇＨＵＯｎ，ＨｏｇＦＡＮＧｏＴａ
（．Ｄｐ．ｏｕｅｎｉｅｉ， ’ １ｅｔｆＳｒｙＥｇｎｒｇ锄ｖｅｎｆｅｅ口ｏ＆ｉｃＴｃｎｌｙ ’ ７０５Ｃｉ；ｎｅｈｏｇ，锄１０４，ｈｎｏａ
近年来，遥感技术有了飞跃性的进步，卫星的空间分辨率大大提高，ＳＯ５ＩＯＯ，ｕｋｉ等以ＰＴ，ＮＳＱｉＢｒＫｃｄ为代表的米级、分米级高分辨率遥感图像开始广泛应用于各个领域。相对于一般图像来说，高分辨率遥感图像数据量大，模糊性强，具有丰富的空间信息，地物几何结构和纹理信息十分明显，地理细节非常清晰ｕ。因此，Ｊ高分辨率遥感图像的自动分割比一般图像更为困难。对于一般图像，图像分割有聚类、Ｊ基于边界、Ｊ基于区域等多种方法。由于遥感图像具有较强的
文章编号：６２— ３５２０）１— ０８— ５１７９１（０７００５０
基于ＪＥＳＧ改进算法的高分辨率遥感影像分割
李楠，梁明， பைடு நூலகம் 霍宏方涛，
（．１西安科技大学测量工程系，陕西西安７０５；．１０４２上海交通大学图像处理与模式识别研究所，上海２０４）０２０
ａｒｖｄＪＧａｇｒｈｉｒｆｔｅｃａａｔｒｔｓｏｃｅａｌｎｏａｏｎｌａｅｍｅｒｎｉｏｅＥＳｌｏｔｍｎｔｍｓｏｈｒｃｅｓｃｆｒｈｄｔｉｉｆｒｔｎａｄｃｅｒｇｏｔｃｍｐｉｅｈｉｉｉｍｉｉ

一种高分遥感影像物体分割质量评价方法

一种高分遥感影像物体分割质量评价方法高分辨率遥感影像物体分割是遥感图像处理和图像识别的重要研究领域之一。

为了评价物体分割算法的质量，需要选择合适的评价方法。

本文将介绍一种常用的高分遥感影像物体分割质量评价方法。

一、精确度评价指标1.准确率（accuracy）: 准确率是最常用的评价指标之一，表示分类结果中正确分类的像素数量与总像素数量之比。

其计算公式为：accuracy = (TP + TN) / (TP + FP + TN + FN)，其中TP为真阳性，TN为真阴性，FP为假阳性，FN为假阴性。

2.召回率（recall）: 召回率也称为灵敏度、命中率，表示分类结果中正确分类的像素数量与实际物体像素数量之比。

其计算公式为：recall = TP / (TP + FN)。

3.精确率（precision）: 精确率是指分类结果中正确分类的像素数量与算法预测结果中像素数量之比。

其计算公式为：precision = TP / (TP + FP)。

4.F值（F-measure）: F值是综合考虑精确率和召回率的评价指标，采用调和平均数的形式来衡量分割结果的质量。

其计算公式为：F-measure = (2 * precision * recall) / (precision + recall)。

二、区域性评价指标1.覆盖率（coverage）: 覆盖率表示分类结果中正确分类的像素数量与实际物体像素数量之比。

其计算公式为：coverage = TP/ (TP + FN)。

2.重叠度（overlap）: 重叠度表示分类结果中正确分类的像素数量与总像素数量之比。

其计算公式为：overlap = TP / (TP + FP + FN)。

三、形状性评价指标1.相对面积误差（RAE, Relative Area Error）: 相对面积误差是指分类结果与实际物体面积之间的相对误差。

其计算公式为：RAE = |A_r - A_t| / A_t，其中A_r为分类结果的面积，A_t为实际物体的面积。

基于语义分割的高精度遥感图像分类方法探究

基于语义分割的高精度遥感图像分类方法探究随着遥感技术的快速发展，高精度遥感图像分类已成为一个热门话题。

然而，由于遥感图像的复杂性，传统的分类方法往往难以满足精度和效率的要求。

因此，基于语义分割的高精度遥感图像分类方法被提出并引起广泛关注。

本文将探究这种方法的原理、优缺点以及应用前景。

一、基于语义分割的高精度遥感图像分类方法原理语义分割是指将图像中的每个像素赋予语义标签，即将像素分类为具有语义信息的不同物体。

基于语义分割的高精度遥感图像分类方法的主要原理是：通过对遥感图像进行语义分割，将每个区域分配给特定的类别，并获得像素级别的类别标签，然后通过训练分类器学习分类规则，最终对整个图像进行分类。

这种方法的核心是语义分割模型。

当前常用的语义分割模型主要由两类：基于全卷积神经网络(FCN)的模型和基于循环神经网络(RNN)的模型。

基于FCN的模型是目前最常用的方法。

它通过将全连接层替换为卷积层，从而将CNN变为FCN。

FCN的特点是可以对任意大小的输入图像进行密集预测，并将最终结果转化为与输入图像相同大小的像素级别的类别标签。

在语义分割模型中，FCN往往采用编码器-解码器架构，其中编码器部分包括卷积层和池化层，负责提取特征，而解码器部分包括反卷积层和上采样层，用于恢复像素级别的类别标签。

最终，通过训练模型来学习分类规则，从而对遥感图像进行分类。

基于RNN的模型也被用于语义分割任务。

它的特点是可以处理序列数据，因此可以对图像的像素进行有序处理。

在语义分割模型中，RNN往往被用于对特定区域的信息进行聚合，以便更好地进行分类。

二、基于语义分割的高精度遥感图像分类方法优缺点基于语义分割的高精度遥感图像分类方法在研究中显示出了一些明显的优点，但同时也存在一些缺点。

1.优点（1）高精度：基于语义分割的分类方法可以将遥感图像中的每个像素进行分类，具有更高的分类精度。

（2）适用范围广：该方法不受图像尺寸和形状的限制，适用于任何大小和形状的遥感图像。

高光谱遥感图像语义分割算法及应用研究

高光谱遥感图像语义分割算法及应用研究在现代遥感技术中，高光谱遥感图像是一种常见的数据类型。

因为高光谱图像覆盖了更广泛的光谱范围，它可以提供更多的光谱信息，为地物分类和识别带来了更大的挑战。

因此，高光谱遥感图像的语义分割技术自然成为了许多遥感研究者的关注点。

花费大量时间为每个像素分配标签是非常困难的，因此需要使用计算机视觉的技术来更快地完成任务。

语义分割是一种将像素分类为特定目标类别的计算机视觉任务。

在高光谱图像上进行语义分割，就是要根据光谱特征将每个像素分配到具有语义意义的类别中。

近年来，深度学习技术在计算机视觉领域迅速发展，并在高光谱语义分割中得到广泛应用。

目前最常用的方法是使用卷积神经网络（CNN）。

CNN可以自动从图像中提取特征，并根据这些特征对像素进行分类。

许多基于CNN的算法，例如SegNet、FCN和U-Net，已经在高光谱遥感图像中得到了应用。

SegNet是一种基于编码器-解码器体系结构的语义分割算法。

编码器将原始输入图像压缩成一系列高度抽象的特征，解码器将特征重新映射到原始图像空间，并使用插值技术对像素进行分类。

FCN是一种vanilla的全卷积网络，从卷积神经网络发展而来。

它可以根据图像分割需要生成任意大小的输出，并且使用反卷积层来对图像进行上采样。

U-Net则结合了编码器-解码器类型的网络结构和跳跃连接技术，利用这种技术将低层特征与高层特征相连接，使网络可以在保留分辨率的同时捕获更细微的特征。

语义分割算法的评估是一个非常重要的问题。

目前的评估方法主要是使用IoU （Intersection over Union），这是一个衡量预测标签与真实标签之间重叠面积的统计量。

超过50%的IoU表示语义分割算法的性能较好。

而这种评估方法也遭受着一些争议：它无法衡量每个类别的重要性，因此可以使用更细粒度的评估指标。

在应用方面，高光谱遥感图像语义分割技术已经被广泛应用于土地利用、农作物识别、城市规划、生态环境监测等领域。

基于GLNet和HRNet的高分辨率遥感影像语义分割

基于GLNet和HRNet的高分辨率遥感影像语义分割赵紫旋1,2，吴谨1,2，朱磊1,3（1. 武汉科技大学信息科学与工程学院，湖北武汉 430081；2. 冶金自动化与检测技术教育部工程中心，湖北武汉 430000；3. 中冶南方连铸技术工程有限责任公司，湖北武汉 430223）摘要：在GLNet（Global-Local Network）中，全局分支采用ResNet（Residual Network）作为主干网络，其侧边输出的特征图分辨率较低，而且表征能力不足，局部分支融合全局分支中未充分学习的特征图，造成分割准确率欠佳。

针对上述问题，提出了一种基于GLNet和HRNet（High-Resolution Network）的改进网络用于高分辨率遥感影像语义分割。

首先，利用HRNet取代全局分支中原有的ResNet主干，获取表征能力更强，分辨率更高的特征图。

然后，采用多级损失函数对网络进行优化，使输出结果与人工标记更为相似。

最后，独立训练局部分支，以消除全局分支中特征图所带来的混淆。

在高分辨率遥感影像数据集上，对所提出的改进网络进行训练和测试，实验结果表明，改进网络在全局分支和局部分支上的平均绝对误差（Mean Absolute Error，MAE）分别为0.0630和0.0479，在分割准确率和平均绝对误差方面均优于GLNet。

关键词：高分辨率遥感影像；语义分割；全局分支；局部分支；独立训练中图分类号：TP751.1 文献标识码：A 文章编号：1001-8891(2021)05-0437-06High-resolution Remote Sensing Image Semantic SegmentationBased on GLNet and HRNetZHAO Zixuan1,2，WU Jin1,2，ZHU Lei1,3(1. School of Information and Engineering, Wuhan University of Science and Technology, Wuhan 430081, China;2. Engineering Research Center of Metallurgical Automation and Measurement Technology, Ministry of Education, Wuhan 430000, China;3. WISDRI CCTEC Engineering Co. Ltd, Wuhan 430223, China)Abstract: The backbone of a convolutional neural network global branch, a residual network (ResNet), obtains low-resolution feature maps at side outputs that lack feature representation. The local branch aggregates the feature maps in the global branch, which are not fully learned, resulting in a negative impact on image segmentation. To solve these problems in GLNet (Global-Local Network), a new semantic segmentation network based on GLNet and High-Resolution Network (HRNet) is proposed. First, we replaced the original backbone of the global branch with HRNet to obtain high-level feature maps with stronger representation. Second, the loss calculation method was modified using a multi-loss function, causing the outputs of the global branch to become more similar to the ground truth. Finally, the local branch was trained independently to eliminate the confusion produced by the global branch. The improved network was trained and tested on the remote sensing image dataset. The results show that the mean absolute errors of the global and local branches are 0.0630 and 0.0479, respectively, and the improved network outperforms GLNet in terms of segmentation accuracy and mean absolute errors.Key words: high-resolution remote sensing image, semantic segmentation, global branch, local branch, trained independently0 引言图像的语义分割将属于相同目标类别的图像子区域聚合起来，是高分辨率遥感影像信息提取和场景理解的基础，也是实现从数据到信息对象化提取的关键步骤，具有重要的意义。

遥感影像中的超像素分割算法研究

遥感影像中的超像素分割算法研究随着遥感技术的发展和应用，各种遥感影像数据的获取和处理已经成为现代地球科学中不可或缺的一部分。

遥感影像数据的特征复杂多变，如何快速准确地处理遥感影像数据成为了遥感影像处理领域的研究热点之一。

超像素分割算法是一种常用的遥感影像处理方法，具有处理速度快、结果准确等优点，因此受到广泛的关注和应用。

什么是超像素分割算法？超像素是一种特殊的像素块，由多个相邻的像素组成。

超像素分割算法根据图像的局部相似性将相似的像素块分为同一个类别，得到图像的超像素分割结果。

超像素的概念最早在计算机视觉的领域中被提出，然后被引入到遥感影像处理中。

超像素分割算法可以有效地减少图像中的噪声，同时保留图像的细节信息，从而更好地满足遥感影像处理中要求快速且准确的处理需求。

传统的像素级分割算法存在的问题传统的基于像素级的分割算法在处理遥感影像时存在许多问题，如对噪声敏感、处理速度慢、结果不准确等。

这些问题的根源在于像素本身的过于细小和随机分布，导致遥感影像的局部变化较快，且同一对象的像素分散在图像的不同位置，导致不同对象的像素之间的差异程度较大，不容易予以区分。

因此，基于像素级的遥感影像分割算法难以很好地提取遥感影像中的对象信息。

超像素分割算法的优势和应用超像素分割算法的优势在于能够较好地提取对象特征信息，并保留了图像的细节信息，从而更好地满足遥感影像处理中的需求。

超像素分割算法广泛应用于遥感图像的分割、目标检测以及遥感图像建模等领域。

其中，在高分辨率遥感影像中自动建立地物目标三维模型，是超像素分割算法在遥感图像处理中的一个重要应用方向。

常见的超像素分割算法常见的超像素分割算法主要包括基于聚类的算法、基于图论的算法和基于区域的算法等。

基于聚类的算法是最基本也是最简单的超像素分割算法之一，其主要思想是将遥感影像中相邻的像素块聚合成同一类。

基于聚类的超像素分割算法由于计算速度快，易于理解等优点，被广泛应用于遥感图像处理中。

基于LBP改进的MeanShift高分辨率遥感影像分割方法

基于LBP改进的MeanShift高分辨率遥感影像分割方法柯佳宏;吴安东;李勇;刘鑫【期刊名称】《矿山测量》【年(卷),期】2017(045)006【摘要】MeanShift算法广泛应用于自然场景图像和医学图像分割中,针对MeanShift算法分割遥感图像的边界模糊和精度不高的问题,文中提出一种全新的基于LBP纹理特征的MeanShift遥感图像分割方法.首先加入LBP纹理特征于MeanShift遥感图像分割过程中,并对分割后区域采用区域面积加权的区域相似度准则和最小对象面积参数对遥感影像进行区域合并.实验结果表明:本方法相比传统的MeanShift遥感影像分割方法能得到更好的分割效果.【总页数】5页(P64-68)【作者】柯佳宏;吴安东;李勇;刘鑫【作者单位】四川省地质矿产勘查开发局区域地质调查队,四川成都610213;四川省地质矿产勘查开发局区域地质调查队,四川成都610213;四川省地质矿产勘查开发局区域地质调查队,四川成都610213;四川省地质矿产勘查开发局区域地质调查队,四川成都610213【正文语种】中文【中图分类】TD178【相关文献】1.一种改进的高分辨率遥感影像分割方法及应用 [J], 杨朝云;陈光儒;吕嫦艳;马波2.针对高分辨率遥感影像分割的改进连通域标记方法 [J], 王晶;张艳宁;骆剑承;明冬萍3.基于改进的均值漂移算法的高分辨率遥感影像分割方法研究 [J], 李婷婷;王晓红;邓仕雄4.基于LBP算子与多尺度分析的高分辨率遥感影像道路自动提取方法改进研究 [J], 陈杰;杨敏华;臧卓;黄登山5.基于改进超像素和标记分水岭的高分辨率遥感影像分割方法 [J], 张锐;尤淑撑;杜磊;禄競;何芸;胡勇因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

# # % # "
!#$
灰度腐蚀
利用结构元素 ’ 对信号 ( 的腐蚀 (%’ 定义为：（（ (%’） )） $ ’(BC* ： ’)+*%(D 其中，符号 % 的定义如下：（ !#$ ）（ !#! ）
(%’& （ !) ） (（ )） ’’（ )）
# $ $
亦即，为了求出结构元素 ’ 对信号 ( 在点 ) 的腐蚀结果，然后向上推结构在空间滑动结构元素，使其原点与点 ) 重合，元素，结构元素仍处于信号下方所能达到的最大值，即为该点的腐蚀结果。
!>1’,(?’： 7, (>).?&-<’ +R&-(S>* T.? +*)’*,-(-&., .T <&)< ?*+.>R-&., N&+&S>* >&)<- ?*’.-*>A +*,+*Q &’()*+ &+ ?*+*(?=<*Q &+ -<&+ @(@*?#2<&+ (>).?&-<’ =.’S&,*+ ’(-<*’(-&=(> ’.?@<.>.)A ?*)&., +*)’*,-(-&., (>).?&-<’ M&-< H(,,A *Q)* Q*-*=-&., (>).?&-<’#U- &+ @?.N*Q -. S* (S>* -. +*)’*,- +’(>> .SV*=-+ *TT*=-&N*>A SA *B@*?&’*,-+# @#3A*,41： ?*’.-* +*,+&,) ， &’()* ， &’()* +*)’*,-(-&., ， ’(-<*’(-&=(> ’.?@<.>.)A ， H(,,A
" $ "$ ! ； $% % " $ "& #
图$
一幅待分割遥感图像
图!
形态学梯度
（对图像的形态学梯度进行阈值化处理（形态梯度的直 !）方图表现为双峰分布，可通过寻找双峰之间的峰谷来自动确定阈值，也可人机交互确定阈值），完成初步的图像区域分割；（对这个初步分割结果运用形态学运算进行填充孤立黑 2）点、清除孤立亮点、自动搜索填充孔洞等等这样一些处理；（通过人机交互，用形态学方法进行感兴趣对象（连通区 %）域）提取；（用形态学方法探测这些区域的边界，得到分割结果。 &）
* 所示。
"%&’()%*+ + ,-./(（ !!"） $!)， (!$（ !!"） )0
（ !#1 ）
作者深入研究了数学形态学的各种运算作用于遥感图像的分割结果，总结了这种以形态梯度为基础的图像分割算法，其处理过程如下：（先对图像进行高斯滤波，其目的是对图像进行平滑处 $）理。然后按 !#1 式的定义计算图像的形态学梯度 "%&’()%*+ ，采用的结构元素 " 为 " $ $ "
!#!
灰度膨胀
利用结构元素 ’ 对信号 ( 的膨胀 (%’ 定义为：（（（ (%’） )） $ ’&,C* ： ’(） )+*D(D 其中，符号 % 的定义如下：（ !#0 ）
（ (%’& （ !) ） (（ )） )’（ )） !#% ）而符号 ’(表示结构元素 ’ 的反射。亦即，为了求出结构元在空间滑动结构元素的反射素 ’ 对信号 ( 在点 ) 的膨胀结果，结构元素，使其原点与点 ) 重合，然后向上推反射结构元素，结构元素仍处于信号上方所能达到的最小值，即为该点的膨胀结果。
$
引言
图像分割是指把图像分成各具特性的区域并提取出感兴
和提取图像中的对应形状，以达到对图像分析和识别的目的。数学形态学的基本运算有四个：膨胀、腐蚀、开启、闭合。对应于二值图像和灰度图像，这四个基本运算有不同的处理方法。文章研究的遥感图像属于灰度图像，数学形态学相应的对灰度图像的基本运算包括：
!!"#（ !!"） !"
・灰度闭运算 ! "：・ ! "#’(（ $!） !（ $"） )
数学形态学应用于图像分割的算法，基本上可以由这四种基本灰度运算组合得到。同样，既可以进行基于边缘的边缘检测，也可以进行基于区域的区域分割。数学形态学区域分割主要是运用形态梯度算子对图像进行运算。形态梯度有多种定义方法，一种能较好地满足较大的信噪比和较尖锐边缘这两方面要求的形态梯度的定义如下：
H(,,A 算子
中图分类号 2K0G$#%$
文章编号 $""!IJ00$I（ !""! ） $%I""0FI"!
文献标识码 7
! "#$%#&’(’)*& !+$*,)’-% .*, /)$- 0#1*+2’)*& 0#%*’#+3 "#&1#4 5%($#1
6-(* 72*8)9 :)( ;)(*<-)= 6-(* 6*&$’(*= $ （ L.?-<M*+- 4,&N*?+&-A， O&P(, E$""FG） ! （ 2<* 9*=.,Q 7?-&>>*?A 5,)&,**?&,) H.>>*)* ， O&P(, E$""!:）
计算机工程与应用 !""!#$%
21
图2 对形态学梯度取阈值图% 精细化处理
2
34..5 边缘检测算子
34..5 边缘检测算子是一种并行边界算法。并行边界算法
分为两步：（检测所有区域（目标）的边缘点；（组成一个一 $） !）个的封闭区域（每个封闭区域可能是一个独立的目标，也可能是一个目标的一个组成部分）的边界。检测图像中所有目标的边缘点有两种方法，即微分算子边缘检测和边缘拟合。微分算子边缘检测是直接的边缘检测方法。目前已知常用的空域微分算子包括梯度算子、方向算子、拉普拉斯算子、马尔算子、以及 34.数学形态学（也称为图形代数， ;(-<*’(-&=(> ;.?@<.>.)A ）
是 9*??( 和 ;(-<*?., 最早引入的一门建立在严格数学理论基础上的学科，其基本思想是用具有一定形态的结构元素去量度
基金项目：部委重点科研项目资助
在不同的趣目标的技术和过程。图像分割（ &’()* +*)’*,-(-&., ）领域有不同的名称，如目标轮廓技术、阈值化技术、图像区分技术、目标检测技术、目标识别技术、目标跟踪技术等，这些技术本身或其核心实际上就是图像分割技术。图像分割的形式化定义如下。定义 %#$ 令集合 ! 代表整个图像区域，对 ! 的分割可看作将 ! 分成 " 个满足以下五个条件的非空子集 ! $， …， ! !， ! "，（ $）（（对 #1$ ， …，有 &（ !） !#"% ， ! #! $/ ； 0） !， "， !） 1 !! $! ；
图& 感兴趣连通区域提取图* 感兴趣连通区域边界
34..5 算子进行边缘检测的算法描述如下：
（用高斯滤波器对图像进行平滑； $）（用一阶偏导数的有限差分来计算梯度的幅度和方向； !）（对梯度幅值进行非极大值抑制； 2）（用双阈值算法检测和连接边缘。 %）
&
讨论
这种分割方法得到的分割结果有这样的特点：第一，边缘
一种高分辨率遥感图像分割算法
赵国际 $
$ !
贾小志 !
赵宗涛 !
（西北大学，西安 E$""FG）（第二炮兵工程学院，西安 E$""!:）
摘
要
文章研究总结了一种适合于高分辨率可见光遥感图像分割的算法。该算法是一种结合数学形态学区域分割算
法和 H(,,A 边缘检测算法的综合图像分割算法，可以有效地将图像中的多个小目标分割出来。关键词遥感图像图像分割数学形态学
0F
!""!#$% 计算机工程与应用
这两种运算互为对偶运算，它们的定义分别如下：灰度开运算 !!"：
学形态学基于形态梯度检测目标区域效果甚佳，结合二者对目标边缘或区域进行综合检测，有可能取得理想的效果。（ !#& ）（ !#* ）文中研究的做法是：对图 $ 所示的一幅遥感图像，（先进行基于形态梯度的区域分割，形态梯度图和形态 $）梯度阈值化后图分别如图 ! 和 2 所示；（然后对分割出来的各个区域进行精细化处理，并提取 !）感兴趣区域，结果分别如图 % 和 & 所示；（最后对这些区域运用 34..5 算子检测边缘，结果如图 2）
基本上都是单像素的，闭合的；第二，基本上将目标完全分割出来了；第三，阴影的影响使得出现了两条目标的边界曲线，使得目标的描述与目标出现了差异。（收稿日期： !""! 年 & 月）