基于邻接图的面向对象遥感图像分割算法
eCognition8.9面向对象分类详细步骤
基于Nearest Neighbor 的面向对象监督分类1. 启动eCognition 8.9，选择Rule Set Mode ，Ok 。
2. 新建Project ：File →New project ，或者工具栏上的新建按钮。
在弹出的对话框中选择要添加的文件l8_rs_wgs84_sub.img ，点Ok ，可以看到它包含8个分辨率为30m 的图层，双击每个图层可以修改它的图层名，利于分辨。
然后点图层窗口右边的Insert ，在弹出的对话框中选择l8_pan_rs_wgs84_sub.img 文件，Ok 后将Pan 波段添加进来。
最后，点Thematic Layer Alias 窗口右边的Insert 按钮，选择2002 forest types UTM WGS84.shp 文件，Ok 后将森林类型专题图添加进来，双击该矢量层，将图层名修改为Foresttype ，最终效果如下图：D E NG _0316Project Name 等按默认，点Ok ，回到主界面，图像按前3个波段RGB 显示，如下图：为了更好的辨别地物类型，点击工具栏上的图层显示编辑按钮，在弹出的对话框中点击修改RGB 为NIR ，Green ，Blue 显示：D E N G _0316如果取消勾选左下角No layer weights ，还可以设置不同波段的比重，在调整不同波段的比重时，在数值上左击鼠标增加比重，右击鼠标减少比重，如下图：点Ok 进行波段显示调整后的效果如下，然后保存这个Project 为l8_rs_wgs84_sub.dpr 。
D E N G _03163. 将图像分解为基本对象：首先，在Process Tree 窗口（如果没有，菜单栏View →Windows →Process Tree 调出），右击，选择Append New ，将Name 改为Segmentation ，其他按默认，然后点击Ok ：其次，在Process Tree 窗口，右击Segmentation 这个新建规则(Rule)，选Insert Child(插入子规则)，Name 勾选自动，Algorithm 下拉菜单选择multiresolution segmentation （最常用的分割算法），在右边的参数窗口，找到Scale parameter 并将其设置为150，其他默认，然后点Execute(立即实行)或者Ok(稍后实行)。
浅论基于面向对象的遥感图像分类
Ｍ ｔ ｎａ Ｒ Ｎ ａ Ａ—
Ａ Ｂ
％ 一ａ ｃａ （ ｒｔ ｎ
）
（） ５
至此， 可将 Ｍ、 ｋ ％等数据代人 （ ） 中之任一 Ｎ、 、 ３式 等式 ， 以资捡校 。 为 了求 得任 意两 点 的 坐 标 增 量 ， 将 （ ） （ ） 改 可 １ 、２ 式
写成一 般形式 ， ： 即
△）ｌ ｋ ｉ１ｏ （ ＋ ０ １ 【— ｓ ｓ ％ ｆ ｉ 一ｃ Ｉ ） ＿ Ａｙ — ｋ ｉ１ｓｎ ％ ＋ ０ １ ｓ ｉ（ 一 ｉ ） ～
（） ６式与一般导线坐标 计算公式基本相 同， 便于记 忆 ， 中 除 Ｓ０为变 量外 ， 、。 根 据 （） （ ） 式 ． ｋ ａ可 ４ 、５ 式预 先算 出， 连同已知点坐标与公式一并存人 电子计算器中， 然 后 顺次 输入不 同的 Ｓ０ ， 能立 即显示 相 应 导线 点 的 ．值 便 坐 标 ， 需记 录 中间结 果 ， 无 因而计 算非 常简捷 。 ２ 现 将本 法的计 算步 骤说 明如 下 （）绘 制 略 图 ， 明点 、 、 的 编号 ， １ 注 边 角 并将 已知 坐 标值方位角、 边长以及边 、 角观测值 ， 填写于附表的相应 栏内。 （） ２ 按公式 ０ ｉ ＋Ｂ ８。 ｉ 一 ｉ ０计算 ０ ＝０ 士１ 值。 （ ）求 Ｓｃｓｉ Ｓ ｉ０ 和 （ Ｍ 、 。 ３ ｉｏＯ 与 ｉｎ ｉ ｓ 总 即 Ｎ） （ ）根据 （）（ ） 计算 ｋ和 ％。 ４ ４ 、５式 （）将坐 标 计 算 式 （ ）连 同有 关 已 知数 据 一 并 写 ５ ６， 入计算器 中存储起来 ， 然后顺序输入不 同的 Ｓ０ ，即 ．值 ； 得各 导线点 的坐 标 。最后 算 出 Ｂ点 的坐 标 ， 与 已知坐 应 标值 相符 。
Ｙ ｋ ｓ
遥感数字图像处理第8章 图像分割
腐蚀运算
目的：消除目标的边界点，用于消除无意义的小目标
(毛刺，小突起)
方法：
1.原点在集合Ｂ(结构元素)中
2.原点不在集合Ｂ(结构元素)中
腐蚀运算(erosion)
腐蚀运算(erosion)
A B x | ( B )x A .
对结构元素B作平移x，B全包含在A中时，
原点的集合就是计算结果
(1)直方图方法：直方图的谷底位置
最佳阈值的选择
(2)自适应阈值方法
A.将目标分割成大小固定的块
B.确定每一个块的目标峰值和背景峰值
C.第一次处理：对每一个块进行分割（边界阈值采用目标和背 景峰值的中点） D.计算每一个块的目标灰度和背景灰度平均值 E.第二次处理：对每个块再次分割（边界阈值采用目标和背景灰 度平均值的中值）
四连通 八连通
工作流程
1.确定待分割对象
2.选择敏感波段
3.选择分割方法
4.对分割的结果进行矢量化
分割原理和方法
边界（边缘）方法： 阈值分割技术，微分算子
边缘检测
假设：图像分割结果中的子区域在原来图像中有边缘存在，或
不同子区域间有边界的存在（像素值灰度不连续性）
区域方法：区域增长技术，聚类分割技术
图像分割的目的
图像分割的目标：根据图像中的物体将图像的像素分
类，并提取感兴趣目标
图像分割是图像识别和图像理解的基本前提步骤
图像
图像预处理
图像识别
图像理解
图像分割
图像分割的目的
图像分割是把图像分解成构成的部件和对象的过程
把焦点放在增强感兴趣对象：汽车牌照（前景）
排除不相干图像成分：其它区域（背景）
最佳阈值的选择
基于对象的高精度土地遥感影像分割技术
地 震 灾 害 的损 失评 估 中 ， 好 的提 取 地 震 损 失 评 估 所 需 的承 较
基 金项 目： 国家 ８ ３高 技 术研 究 发 展 计划 基 金 项 目 （０ ９ ６ ２ ０ＡＡ１Ｚ１０； 国家 自然 科 学基 金 项 目 （０ ７ １４。 ２ ４） ４ ７ １４ ）
ｆｌｅｃ ｌ ｒ ｍａ ｅｏ ｔ ｉ ｅ ｓｅ ｄｏ ｏ ｇ ｎ ｌ ｍａ ｅ Ｌ ｓｌ ， ｔ ｅｔ ｔｌ ｒ ｃ ｓ ｆ ｅ ｍｅ ｔ ｔ ｎ ｉ ｃ ｍｐ ｅｅ ｆ ｒ ｈ ｌ ｏ ｔ ｍ ａ ｅ ｎ ａ ｓ ｏ ｏ ｇ ｂ ａ ｎ ｄ ｉ ｔ ａ ｆ ｒ ｉ ａ ｇ ． ａ ｔ ｉ ｎ ｉ ｉ ｙ ｈ ａ ｐ ｏ ｅ ｓｏ ｇ ｎ ａｉ ｏ ｌｔ ｄａ ｔ ｅａｇ ｒ ｈ ｂ ｓ ｄｏ ｏ ｓ ｏ ｓ ｅｔ ｉ
ａ ｅｌｓｔｆｓｐ ｎｉａ ｉ ｇ ｅｕｅ ｂａ ｅ ｆｌ ｌ ｇ． Ｓｃ ｎ ｌ ｏｊｃ ｏｉ ｔｄ ｅｈ ｏｏｙｉｕｅ ｇ ｎ ｅ ｓ ｌａ ｓ ｒ ｒ ｃ ｌ ｗ ｉ ｔ ｉ ｐ ｉ ｍａ ｅ ｒ ｓｄｔ ｏｔｉ ｄ ｓ ｃ ｏ ｉ ｅ ｅｏｄ￣ ｂｅｔ ｒ ｎｅ ｃｎ ｌｇ ｓｄ ｏ ｅ ｍｅｔｈ ａ ｆ ｏ ｎ ａ ａ ｅ ｏ ｒｍａ — ｅ ｔ ｓ ｔｓ ｔ
ｃ ｎ ｅ ｅ ｔ ｅ ｙｉ ｒ ｖ ｅｓ ｇ ｎ ａｉ ｎ ａ ｃ ｒ ｃ ， ａ ｄｔ ｅｒ ｓ ｌ ｏ ｇ ｎ ａ ｉｎ ｅ ｔｂ ｉ ｅ ｌ ｆ ｕ ｄ ｔ ｎ ｆ ｒ ｅ ｌｔ ｎ ｃ ｕ ａｅ ａ ｆ ｃｉ ｌ ｖ ｍｐ ｏ ｅｔ ｍｅ ｔ ｔ ｃ ｕ ａ ｙ ｎ ｕ ｔ ｆ ｅ ｍｅ ｔ ｔ ｓａ ｌ ｈ ｄｗｅｌ ｏ ｎ ａ ｉ ａ— ｍｅａ ｄａ ｃ ｒ ｔ ｈ ｅ ｏ ｈ ｅ ｓ ｏ ｓ ｏ ｏｒ ｉ ａ ａｙ ｉ ｏ ｎ ｓ ． ｎ ｌ ｓ ｆｌ ｄ ｕ ｅ ｓ ａ
图像分割技术在遥感图像处理中的应用技巧探讨
图像分割技术在遥感图像处理中的应用技巧探讨引言：遥感图像处理是遥感技术的重要组成部分，通过对遥感图像进行分析和处理，可以获取地表的空间信息，用于地理信息系统、环境监测、城市规划等领域。
图像分割技术是遥感图像处理的一项关键技术，它可以将图像按照特定的规则划分成若干个区域，用于环境监测、土地分类、植被分析等任务。
本文将探讨图像分割技术在遥感图像处理中的应用技巧。
一、图像分割技术概述图像分割是将图像划分为不同的区域的过程。
在遥感图像处理中，图像分割可以分为基于区域的分割和基于边缘的分割。
基于区域的分割主要通过计算相邻像素的相似度来划分区域，而基于边缘的分割则着重于提取图像中的边缘特征。
二、基于区域的图像分割技术1. 阈值分割阈值分割是图像处理中最简单、最常用的方法之一。
它通过设定一个或多个阈值来将图像中的像素分成不同的区域。
在遥感图像处理中，可以根据像素的亮度或颜色来设定阈值，对不同的地物进行分割。
2. 区域生长区域生长是一种基于邻域相似性的图像分割方法。
它从一个或多个种子点开始，通过判断邻域像素与种子点像素的相似性来不断扩展区域。
在遥感图像处理中，可以选择特定的地物作为种子点，通过不断生长来分割图像。
3. 参数化聚类参数化聚类是一种将图像转化为特征空间中的聚类问题的方法。
它通过将图像中的像素转化为特征向量，并在特征空间中应用聚类算法来实现图像的分割。
在遥感图像处理中，可以选择适当的特征向量来表示地物的特征，然后应用聚类算法对图像进行分割。
三、基于边缘的图像分割技术1. 边缘检测边缘检测是图像处理中常用的一种方法，它可以提取出图像中的边缘特征。
在遥感图像处理中，可以通过边缘检测算法来提取地物的边界，从而实现图像的分割。
2. 基于图论的分割基于图论的分割方法将图像看作由节点和边构成的图，通过在图上定义能量函数，并通过最小化能量函数来实现图像的分割。
在遥感图像处理中，可以将地物像素看作图的节点，将边缘信息看作图的边，从而实现图像的分割。
卫星遥感图像处理中的图像分割算法使用技巧探究
卫星遥感图像处理中的图像分割算法使用技巧探究图像分割算法是卫星遥感图像处理中的重要环节，其作用是将图像分割成不同的区域或对象，以便更好地获取地理信息。
在卫星遥感图像处理中，图像分割算法的准确性和效率是至关重要的。
本文探究了卫星遥感图像处理中常用的图像分割算法以及使用技巧，旨在提供对于该领域的初学者以及研究人员有关卫星遥感图像处理中图像分割算法使用的指导。
一、图像分割算法的基本概念及分类图像分割是指将图像划分为若干互不相交的区域，每个区域内的像素具有相似的特性。
在卫星遥感图像处理中，常用的图像分割算法包括基于阈值的分割、区域增长法、边缘检测法以及基于机器学习的分割等。
1. 基于阈值的分割基于阈值的分割是一种简单且常用的分割算法。
该算法将图像的灰度值与设定的阈值进行比较，根据阈值的大小决定像素属于前景或背景。
常见的阈值分割算法包括全局阈值法、自适应阈值法以及基于直方图的阈值法等。
2. 区域增长法区域增长法是一种基于像素的分割算法，其原理是从种子点开始，根据预设的条件逐步扩展区域。
该算法通常需要提前设定一些种子点，并利用像素之间的相似性进行区域的扩张，直到满足停止条件。
区域增长法通常能更好地适应图像的复杂结构。
3. 边缘检测法边缘检测法是通过检测图像中不连续的强度变化来实现图像分割的算法。
该算法可通过检测图像中的边缘来分割出不同的区域。
常见的边缘检测算法有Sobel、Canny和Laplacian等。
4. 基于机器学习的分割基于机器学习的分割算法是近年来发展起来的一种先进的图像分割方法。
该算法通过训练模型，自动从图像中学习分割的规则。
常见的机器学习算法包括K-means聚类、支持向量机（SVM）、随机森林和深度学习等。
二、卫星遥感图像处理中图像分割算法的使用技巧在卫星遥感图像处理中，图像分割算法的使用技巧是影响分割结果准确性和效率的关键。
以下是一些在卫星遥感图像处理中使用图像分割算法的技巧：1. 选择适合的图像分割算法不同的图像分割算法适用于不同的图像特性和任务需求。
基于多示例学习的高分辨率遥感影像面向对象分类
ｒｍｏ ｅｓｎ ｉｇ ｉ ｇ ｃ ｏ ｄｎ ｏｔ ｅｏ ｊｃ ｒ ｎ ｅ ｇ ｌｓｉｉａｉｎ ｐ ｒｄｇ Ｈｏ ｇ ｎ ｏ ｓｏ ｊｃｓａ ｅｇ ｎ ｒ ｔｄｂ ｅ ｔ ｅ ｓｎ ｍａ ｅａ ｃ ｒ ｉｇ ｔ ｈ ｂｅｔｏ ｉ ｔｄｉ ｅｃａ ｓｆ ｔ ａ ａ ｉｍ． ｍｏ ｅ ｅ ｕ ｂｅｔ ｒ ｅ ｅ ａｅ ｙｉ ｅ ｍａ ｃ ｏ ｍ— ａ ｅｓｇ ｎ ａｉｎ ｍｅｈ ｄｆｒｔ ａ ｄ ｔ ｅ ｂｅｔ ｓ ｄ ａ ｎ ｔｎ ｅ ， ｅ ｈ ￣ｍｕ ｄｖ ｒｅ ｄ ｎ ｉ ｎ ｔｎ ｅ ｂ ｒ ｉｉｇ ｂ ｇ ｇ ｅ ｍｅ ｔｔｏ ｔｏ ｉ ， ｎ ｈ ｎ ｏ ｊｃｓ ｕ ｅ ｓｉｓａ ｃｓ ｇ ｔｔ ｅｍａ ｓ ｍ ｉｅｓ ｅ ｓｔ ｉｓａ ｃ ｙ ｔａｎｎ ａ ｓ ｙ
Ａｂ ｔａ ｔ Ｉ ｕｔｐ ｅ ｉ ｓ ａ ｃ ｅ ｒ ｉｇ，ｈ ａ ｓａ ｅ ｕ ｅ ｓ ｔａ ｎ ｎ ａ ｉｓ ａ ｄ ｔ ｅ ｇ ａ ｆｌａ ｎ ｎ ｓ ｐ ｅ ｉｔｔ ｅ ｌ ｂ ｌ ｆ ｓ ｒ ｃ ： ｎ ｍ ｌｉ ｌ ｔ ｎ ｅ ｌａ ｎ ｎ ｔ ｅ ｂ ｇ ｒ ｓ ｄ ａ ｒ ｉ ｉ ｇ ｓ ｍｐ ｅ ， ｎ ｈ ｏ ｌ ｅ ｒ ｉｇ ｉ ｒ ｄ ｃ ｈ ａ ｅ ｎ ｏ ｏ
修 订 日 期 ：０ １ １ 一 Ｏ ２ １— １ ｌ
基 金项 目： 国家 自然科学 基金 项 目（ ０ ７ １ ５ ； 苏省 自然科 学基金 （ Ｋ２ １ １ ２ 。 ４ ８ １９）江 Ｂ ０ ０ ８ ）
作 者简 介 ： 里木 ・ 阿 赛买 提 （ ９ ４ 男 ， １ ８ ￣） 维吾 尔族 ， 士 ， 硕 主要 研究 方 向 ： 遥感 图像处 理与应 用 、 器学 习在遥 感 图像 分析 中的应用 。 机
际应用 中都 取 得 了大 量 成 果 ［ 。在 多 示 例 学 习 １ ］ 中 ， 由示 例组 成 的包作 为训 练样 本 ， 将 包具 有概 念标
一种融合边缘信息的面向对象遥感图像分割方法
提 出一种在区域分割过程 中通过判据将 区域信息和边缘信息 结合起来进行高分 辨率遥感 图像分割 的方法 。
１ 本文方法
本文方法 如 图 １所示 ，遥 感数 据首 先经 过 高斯 滤波处 理， 然后进行 Ｓ ＡＮ滤波提取边 缘得到边 界图 ，对高斯滤 ＵＳ 波处理的图像进行 四叉树分割 ，然后在 区域合并过 程 中， 利
基金项 目： 国家 自 然科学基金项 目（ ００ １８ ， ４ ９ １ ９ ） 极地测绘科学 国家测绘 局重点实验室开放基 金项 目（０ ８ ０ 和 空间数据挖掘与信息共享教 ２０１ ）
育部重点 实验室 （ 福州大学） 开放基金项 目（ ０ ８ ５ 资助 ２００） 作者简介 ：谭玉敏 ，女 ，１７ ９７年生 ， 北京航空航天大学交通科学与工程学院讲师 ｅｍａｌ ａｙ － ｉ ｎ ｍ＠ｂ ａ．ｄ ． ｎ ：ｔ ｕａ ｅｕ ｃ
用本文改进 的判据结合 已提取 的边缘信息 ，引导区域合并过
程， 从而得到最终的图像 分割结果。
１ １ Ｓ Ｓ Ｎ 边 缘 提 取 ． Ｕ Ａ
是在区域生 长过程 中，通过判据将边缘信息和其他 信息结合 起来 ， 判断区域能否合 并＿ ］ ７ ，如运用 Ｆｂ ｎ ｃｉ ｉｏ ａｃ数列得 到区 域边界 图，再通过判据结合 区域 和边 缘信息形 成标记 图，运 用区域分裂生长算法进行图像分 割 ； 再一种是在概率模 型中 引入边缘信息 ， Ｙｕ等＿ 将边界信息引入 ＭＡ ＫＯＶ模型 如 ９ Ｒ
第６ 期
光谱学与光谱分析
１２ ６５
界 图。Ｓ ＡＮ算子的优势在于 ：（ ） ＵＳ １ 在拐 角处可得 到较 为连 续 的边界 ；（） 良的运行 速度 ， 到近似 的处理效果 比 ｃｎ ２优 得 ａ～
面向对象的高分辨率遥感影像阴影提取方法
面向对象的高分辨率遥感影像阴影提取方法
面向对象的高分辨率遥感影像阴影提取方法，是一种基于遥感影像对象提取技术实现的阴影变化检测方法。
该方法主要分为以下几个步骤：
1. 数据预处理：读取高分辨率遥感影像，进行预处理操作，包括灰度校正、空间校正、大气校正等。
2. 影像分割：使用Mean-Shift算法或Watershed算法进行影像分割，将遥感影像分割成多个对象。
3. 特征提取：根据光学特性和形态特征等选取阴影提取特征，如颜色、形状、纹理、边缘等，计算每个对象的特征向量。
4. 阴影提取：将特征向量输入到分类器中进行分类处理，判断每个对象是否是阴影，将阴影对象分割出来。
5. 阴影变化检测：对两幅遥感影像进行阴影提取，比较两幅影像中的阴影对象是否存在变化，建立变化检测模型。
该方法具有提取精度高、计算速度快等优点，可以广泛应用于城市规划、土地利用、生态环境等领域。
遥感图像处理的基本方法与算法解读
遥感图像处理的基本方法与算法解读一、引言遥感技术是通过人工卫星、航空器或其他遥感平台获得地球表面信息的一种手段。
遥感图像处理则是遥感技术的重要应用领域之一。
本文将介绍遥感图像处理的基本方法与算法，探讨其原理和应用。
二、遥感图像预处理遥感图像预处理是遥感图像处理的第一步，主要目的是去除图像中的噪声和干扰，提高图像的可用性。
常用的图像预处理方法包括边缘增强、直方图均衡化和空间滤波。
1. 边缘增强边缘增强是通过提升图像边缘信息的方法来提高图像质量。
其中常用的边缘增强算法有Sobel算子、Prewitt算子和Laplacian算子。
这些算子能够检测出图像中的边缘特征，从而使图像更加清晰。
2. 直方图均衡化直方图均衡化是一种通过调整图像亮度分布来增加对比度的方法。
通过对图像的灰度直方图进行变换，使得图像中的像素分布更加均匀，从而使得图像更加清晰和易于分析。
3. 空间滤波空间滤波是一种常用的图像平滑方法，通过对图像进行滤波操作，可以去除图像中的噪声和干扰。
常用的空间滤波算法有均值滤波、中值滤波和高斯滤波。
三、遥感图像分类遥感图像分类是根据图像中的像素值进行分类的过程。
常用的图像分类方法包括基于像素的分类和基于对象的分类。
1. 基于像素的分类基于像素的分类是一种将图像中的每个像素都分配到一个类别中的方法。
常用的基于像素的分类算法有最大似然分类算法、支持向量机和人工神经网络。
这些算法能够根据像素的特征进行分类，从而对图像进行分割和分析。
2. 基于对象的分类基于对象的分类是将图像中的相邻像素聚合成一组对象，然后根据对象的特征进行分类的方法。
常用的基于对象的分类算法有基于区域的分类和基于形态的分类。
这些算法能够更好地保留图像中的空间信息，从而提高分类的准确性。
四、遥感图像变化检测遥感图像变化检测是通过比较多幅遥感图像之间的差异，来检测地表发生的变化情况。
主要应用于城市规划、环境监测和资源管理等领域。
1. 基于像素的变化检测基于像素的变化检测是一种将多幅遥感图像像素级别进行比较的方法。
遥感图像的分割与目标提取方法
遥感图像的分割与目标提取方法近年来，随着科技的飞速发展，遥感图像在各个领域得到了广泛的应用。
然而，遥感图像中的目标提取和分割一直是一个具有挑战性的问题。
本文将介绍一些常用的遥感图像分割和目标提取方法，以及它们的优势和不足之处。
首先，传统的阈值分割方法是最简单和最常见的一种方法。
它基于图像像素的灰度值或颜色等特征进行分割。
然而，由于遥感图像的复杂性，单纯的阈值分割往往无法得到满意的结果。
例如，在大面积的农田中，由于农作物的生长状况不同，颜色和亮度也有所不同，采用单一的阈值就无法准确地提取出农作物的区域。
为了克服传统阈值分割的不足，图像分割中引入了聚类算法。
聚类算法的基本思想是将图像像素根据其特征进行分组。
常用的聚类算法有K均值聚类和谱聚类等。
通过聚类算法，可以将遥感图像中的目标区域与背景区域分开，提高分割的准确性。
然而，聚类算法对于图像噪声和复杂背景的鲁棒性不强，容易引入错误的分割结果。
另一种常见的图像分割方法是基于边缘检测的方法。
边缘检测可以有效地检测图像中的目标边界，从而实现目标的分割。
常用的边缘检测算法包括Sobel算子、Canny算子和Laplacian算子等。
这些算子可以通过计算图像像素值的梯度来检测目标边缘。
然而，边缘检测算法对于噪声和纹理等复杂情况的处理效果较差。
此外，边缘检测结果通常是不连续的，需要进一步进行处理才能得到完整的目标区域。
为了克服传统方法的不足，近年来，深度学习方法在图像分割中得到了广泛应用。
深度学习方法通过构建卷积神经网络（CNN）模型，可以自动从训练数据中学习目标的特征表示，并实现精确的分割和目标提取。
例如，U-Net模型是一种常用的用于遥感图像分割的深度学习模型。
它通过将输入图像和输出分割图像进行级联，可以保留更多的低级特征，从而提高分割的准确性。
此外，还有一些基于注意力机制的深度学习模型，可以对目标区域进行重点关注，提高分割的效果。
尽管深度学习方法在遥感图像分割中取得了显著的成果，但仍然存在一些挑战。
高空间分辨率遥感图像面向对象深度学习分类方法研究
架网络，将 SE 结构嵌入到 Inception 模块中以重建特征通道之间的关系，实现
多尺度卷积特征加权融合。此外，针对 HSR 影像上地物尺度多样性问题，设计
I
摘要
了多尺度分类融合策略，并通过主体投票的方式获取最终分类结果。对于多源
multi-scale classification information fusion and other technical issues. The main
work of this paper was as follows:
(1) A new technology of OBIA named Region-line Primitive Association
application. Besides, the object-oriented classification technology mainly uses the
spectrum, texture, shape and other shallow objects features explicitly, which make it
高分辨率遥感影像的分类实验验证了 OSA-CNN 的有效性和精度优势。
（3）将深度学习分类和 RLPAF 规则类进行技术融合，形成了面向对象
深度学习多级分类方法。首先利用 OSA-CNN 监督分类划分一级类别，并根据
不同地物的层次结构与多级分类的继承原则，在一集类别范围内进行二级
RLPAF 规则分类，获得最终分类结果。论文以水上典型人工地物——码头提取
Framework，RLPAF）的新型 OBIA 技术方法体系。RLPAF 将基元类型扩充为
面向对象的遥感影像分类技术
面向对象分类的 基本原理
面向对象分类的基本概念
面向对象分类： 将遥感影像分割 为多个对象，每 个对象具有相同 的属性和特征
基本原理：通过 分析遥感影像的 纹理、颜色、形 状等特征，将具 有相似特征的像 素划分为同一个 对象
优势：能够更好 地处理遥感影像 中的噪声和异物， 提高分类精度
应用领域：广泛 应用于土地覆盖 分类、灾害监测、 环境监测等领域
遥感影像分类技术的分类方法
监督分类：利用已知类别的样本进行训练，然后对未知类别的影像进行分类
无监督分类：无需已知类别的样本，直接对影像进行分类
半监督分类：结合监督分类和无监督分类的方法，提高分类准确性
深度学习分类：利用深度学习技术，如卷积神经网络（CNN）、循环神经网络（RNN）等，进行 遥感影像分类
技术发展对策与建议
加强技术研发，提高分类精度和速度 拓展应用场景，如农业、环保、城市规划等领域 加强与其他领域的交叉学科合作，如人工智能、大数据等 制定相关政策和标准，推动技术发展和应用
感谢您的观看
汇报人：XX
在林业领域的应用
森林资源调查：通过遥感影像分类技术，可以快速准确地获取森林资源的分布、面积和种类等信息。
森林健康监测：通过对遥感影像的分析，可以及时发现森林的病虫害、火灾等灾害，并采取相应的 措施。
森林资源管理：通过遥感影像分类技术，可以评估森林资源的利用情况，为森林资源的保护和管理 提供依据。
选择分类器的依据：数据集的大小、 特征的复杂性、计算资源的限制等
分类结果后处理与优化
后处理方法：平 滑、滤波、边缘 检测等
优化策略：调整参 数、选择合适的分 类器、融合多种分 类方法等
评价指标：精度、 召回率、F1值等
遥感的面向对象分类法
遥感的面向对象分类法传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。
对于只含有较少波段的高分辨率遥感影像，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。
为解决这一传统难题，模糊分类技术应运而生。
模糊分类是一种图像分类技术，它是把任意范围的特征值转换为 0 到 1 之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。
通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。
模糊分类也提供了一个清晰的和可调整的特征描述。
对于影像分类来说，基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类，这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。
影像中地物类别特征不仅由光谱信息来刻画的，很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。
此外背景信息在影像分析中很重要，举例来说，城市绿地与某些湿地在光谱信息上十分相似，在面向对象的影像分析中只要明确城市绿地的背景为城市地区，就可以轻松地区分绿地与湿地，而在基于像元的分类中这种背景信息几乎不可利用。
面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。
面向对象的处理方法中最重要的一部分是图像分割。
随着对地观测任务逐渐精细化，高分辨率遥感卫星影像的应用越来越广泛。
这对遥感影像分类方法提出了挑战。
已有的研究表明:基于像元的高分辨率遥感影像分类存在明显的限制。
近年来，面向对象影像分析(Object-Based ImageAnalysis，OBIA)在高分辨率遥感影像处理中渐露头角，被认为是遥感与地理信息科学发展的重要趋势。
本文针对面向对象影像分类(Object-Based Image Classification，OBIC)方法中的若干问题开展研究。
基于深度学习的遥感图像分类与分割算法研究
基于深度学习的遥感图像分类与分割算法研究深度学习技术在遥感图像分类与分割领域中具有广泛的应用前景。
遥感图像是通过遥感技术获取的大范围、高分辨率的地球表面图像，包含丰富的地物信息。
遥感图像的分类与分割对于地质勘探、环境监测、农业发展等领域具有重要作用。
本文将研究基于深度学习的遥感图像分类与分割算法，以提高遥感图像处理的精度和效率。
一、引言遥感图像是通过卫星、飞机等高空平台获取的图像，具有地理信息的广覆盖性和高分辨率特点。
传统的遥感图像分类与分割方法主要依赖于手工设计的特征提取算法，对于不同类型的遥感图像需要进行特征工程的设计。
然而，特征工程具有主观性和局限性，不能很好地适应各种不同的遥感图像场景。
深度学习技术具有自动学习和特征表示的能力，可以更好地适应复杂的遥感图像特征。
因此，基于深度学习的遥感图像分类与分割方法受到越来越多的关注。
二、深度学习在遥感图像分类与分割中的应用1. 卷积神经网络（CNN）在遥感图像分类中的应用卷积神经网络是深度学习中最常用的网络结构之一，具有良好的特征提取和分类能力。
在遥感图像分类中，CNN可以通过多层卷积和池化操作提取图像中的空间信息和语义信息，并通过全连接层进行分类预测。
通过训练大量的标注数据，CNN可以学习到遥感图像的特征表示，从而实现高精度的分类。
2. 循环神经网络（RNN）在遥感图像分割中的应用循环神经网络是一种能够处理序列数据的神经网络模型，对于遥感图像的像素级别分割具有优秀的性能。
通过引入长短期记忆（LSTM）单元，RNN可以学习到遥感图像中像素之间的空间相关性，从而实现精确的像素级别分割。
RNN在处理遥感图像时，可以考虑到像素的上下文信息，提高了分割算法的精度。
三、基于深度学习的遥感图像分类与分割算法研究1. 深度卷积神经网络（DCNN）算法深度卷积神经网络是一种具有多层卷积层和池化层的网络结构，可以通过多层的卷积和池化操作提取遥感图像中的特征。
DCNN算法通过端到端的训练方式，可以自动学习遥感图像的特征表示，并通过全连接层实现图像的分类。
snic面向对象分割算法
snic面向对象分割算法一、引言随着计算机技术的不断发展，图像处理技术也得到了长足的发展。
其中，图像分割技术是图像处理领域中的一个重要研究方向。
在图像分割技术中，面向对象分割算法是一种比较常用的方法。
本文将介绍一种名为SNIC的面向对象分割算法。
二、SNIC算法的原理SNIC算法是一种基于超像素的图像分割算法。
它的核心思想是将图像分成若干个超像素，然后对这些超像素进行聚类，最终得到图像的分割结果。
具体来说，SNIC算法的分割过程包括以下几个步骤：1. 初始化：将图像分成若干个超像素，每个超像素包含若干个像素点。
在初始化过程中，SNIC算法会根据像素点的颜色和位置信息来确定超像素的位置和大小。
2. 超像素的合并：在初始化完成后，SNIC算法会对相邻的超像素进行合并，以减少超像素的数量。
3. 聚类：在超像素合并完成后，SNIC算法会对所有超像素进行聚类。
在聚类过程中，SNIC算法会根据超像素的颜色和位置信息来确定聚类的中心点。
4. 分割：最后，SNIC算法会根据聚类的结果来对图像进行分割。
在分割过程中，每个像素点都会被分配到与其最近的聚类中心点所对应的超像素中。
三、SNIC算法的优点相比于其他图像分割算法，SNIC算法具有以下几个优点：1. 高效性：SNIC算法能够在较短的时间内完成图像分割任务。
2. 精度高：SNIC算法能够对图像进行精确的分割，得到较好的分割结果。
3. 可扩展性：SNIC算法能够适应不同大小和分辨率的图像，具有较好的可扩展性。
四、SNIC算法的应用SNIC算法在图像处理领域中有着广泛的应用。
例如，在计算机视觉中，SNIC算法可以用于目标检测和跟踪；在医学图像处理中，SNIC算法可以用于肿瘤分割和病灶检测等方面。
五、总结SNIC算法是一种高效、精确、可扩展的面向对象分割算法。
它在图像处理领域中有着广泛的应用前景。
相信随着计算机技术的不断发展，SNIC算法将会得到更加广泛的应用和推广。
遥感数字图像处理教程11图像分割PPT课件
优点
能够准确提取目标的边缘信息 。
缺点
对噪声和细节较为敏感，容易 产生伪边缘。ቤተ መጻሕፍቲ ባይዱ
基于特定理论的分割
基于特定理论或算法的分割
根据特定的理论或算法，如分形理论、小波 变换、遗传算法等，对图像进行分割。
优点
能够针对特定问题提出有效的解决方案。
适用场景
适用于特定领域的图像分割问题。
缺点
实现难度较大，运算量较大。
对复杂场景的应对能力有限
在复杂背景、光照不均、目标遮挡等情况下，现有算法的分割效果不 佳。
未来研究的方向与展望
提升算法泛化能力
研究能够适应不同场景和数据 集的图像分割算法，提高算法 的鲁棒性和泛化能力。
优化算法计算效率
通过算法优化、并行计算等技 术手段，降低计算复杂度，提 高处理速度，满足实时性要求 。
03
遥感数字图像处理中的图像分割
遥感数字图像的特点
数据量大
遥感数字图像通常覆盖大面积区域，产生大量的 数据。
多种波段
多光谱和超光谱遥感图像包含多个波段，提供更 丰富的地物信息。
动态变化
遥感数字图像可以反映地物的动态变化，如城市 扩张、植被生长等。
地理信息丰富
遥感数字图像包含丰富的地理信息，如经纬度、 高程等。
在遥感图像处理中，图像分割 技术尤为重要，因为遥感图像 通常具有较大的尺寸、复杂的 背景和多种类型的目标，需要 采用高效的图像分割方法来提 取有用的信息。
图像分割的应用领域
医学影像分析
在医学领域中，图像分割技术被广泛应用于医学影 像的预处理阶段，如X光片、CT和MRI等影像的分割 ，以便于医生对病变部位的定位和诊断。
算法泛化能力不足
基于改进区域邻接图的遥感图像多尺度快速分割方法
像 素融 入 合 并 过 程 中 ， 文 通 过 构 建 改 进 的 Ｒ 本 ＡＧ 使 边界 像素 融入 合 并 过程 中 ， 而分 析 边 界 像 素 对 进
分 割结 果精 度 的影 响 。 ２ １ ２ 构 建改 进 的 区域邻 接 图 ．． ＲＡＧ 的定 义 为 ： Ｇ一 （ ， ， 中 Ｖ 节 点 ， Ｅ） 其 为 Ｅ 为 弧段 ， 相邻 两节 点 问生 成 弧 段 。一般 均 为 无 向
Ｂ ｓｄｏ ｍｐ ｏ ｅ ｇｏ ｊ ｃｎ ｙＧｒ ｐ ａｅ ｎ Ｉ ｒ ｖ ｄ Ｒｅ ｉｎＡｄ ｅ ｃ ａ ｈ ａ
Ｚ ＡＮＧ ｅ ｌ ｎ ＸＩ Ｈ Ｘｕ －ｉ ｇ， ＡＯ ｎ － ｅ ｇ， ａ Ｐｅ ｇ ｆ ｎ ＦＥＮＧ ｅ ｚ ｉ Ｘｕ －ｈ
（ ｐ ｒ ｎ ｆ Ｇ ｏ ｒ ｐ ｉ Ｉ ｆ ｒ ｔ ｎＳ ｉ ｃ ， ｎ ｉｇ Ｕ ｉ ｅｓ ｙ， ｎ ｉ ｇ ２ ０ ９ ） Ｄｅ ａ ｔ ｔ ｅ ｇ ａ ｈ ｃ ｎ ｏ ｍａ ｉ ｃ ｎ ｅ Ｎａ ｊ ｎ ｎ ｖ ｒｉ Ｎａ ｊｎ １ ０ ３ ｍｅ ｏ ｏ ｅ ｔ
有 权 图 ， 段 的权 值 为 两 相邻 节 点之 间 的相 似 性 度 弧
量 。在 初始 分割 结果 基础 上生 成 Ｒ ＡＧ， 点 为单 个 节 区域 ， 两相 邻 区域 间生成 弧段 。 以 分 水 岭 分 割 结 果 作 为 初 始 分 割 进 行 区 域 合 并 ， 了将 边界 像 元 融 入 合并 过 程 ， ＡＧ 中 的弧 段 为 Ｒ
理论 研究
遥感信息
基于改进区域邻接图的遥感图像多尺度快速分割方法
张学 良， 肖鹏峰 ， 学智 冯
（ 京 大 学 地 理 信 息 科 学 系 ， 京 ２０ ９ ） 南 南 １ ０ ３
摘要 ： 出一种针对高分辨率遥感 图像 的多尺度 快速 分 割方法 ， 提 首先利 用 直接分 水岭分 割得 到初 始分 割结 果， 而后构建改进 的区域邻接 图， 并在其基础上 通过较为快速 的区域合并策略得 到最终分 割结果。合并准 则为相 邻 区域 间的特征 向量差 ， 合并过程 中通过设置 区域 允许 最大标 准差和 区域允 许最大 面积 两个 尺度控 制参 数 以生 成不 同尺度的分割结果 。以 Ｑｕ ｋ ｉ ｉ Ｂｒ ｃ ｄ卫 星图像 进行 实验 ， 通过 监督评 价 以及与 ｅ ｏ ｎ ｉ Ｃ ｇ ｉｏ ｔ ｎ软件进 行 比较 ， 结果
- 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)。
第35卷 第2期大连海事大学学报Vol.35 N o.2 2009年5月Journal of Dalian Maritime University M ay, 2009文章编号:1006 7736(2009)02 0081 03基于邻接图的面向对象遥感图像分割算法谭玉敏1,槐建柱1,唐中实2(1.北京航空航天大学交通科学与工程学院,北京 100191;2.清华大学土木水利学院,北京 100084)摘要:为解决高分辨率遥感图像自动化处理程度不高的问题,提出一种基于邻接图的面向对象遥感图像分割方法.综合利用遥感图像的光谱信息和区域形状信息进行图像分割,并采用了一种新的异质性度量准则.与经典软件eCogniton 在QuickBird图像分割的效率和效果方面的对比分析表明,该算法在运算效率上较eCognition的多尺度分割方法可以提高近1倍.关键词:邻接图;面向对象;图像分割;高分辨率遥感中图分类号:T P751 文献标志码:AObject oriented adjacency graph partition algorithm for remote sensing image segmentationT AN Yu min1,HU AI Jian zhu1,T A NG Z hong shi2(1.School of Transpor tation S c ience&Engine er ing,Beihang University,Beijing100191,China;2.School o f Civ il Engineering,Tsinghua University,Beijing100084,China)Abstract:Automatically processing hig h resolution remote sens ing images is currently of regional and g lobal research prior ity. T his paper presented an algorithm based on adjacency graph par tit ion for high resolut ion remote sensing imag e segmentation. T he pro posed algor ithm utilized both the reg ion geometrical and spectr al properties to evaluate the weight o f the edges and the internal dissimilar ity of the reg par ing w ith t he eCogni tion on image seg mentation efficiency and effect,the proposed method can save half runtime in efficiency.Key words:adjacency graph;object oriented;image segmenta tion;high resolution r emote sensing 0 引 言图像分割是高分辨率遥感图像信息提取和面向对象图像分类的重要环节[1].图像分割的最终目的是将图像中这些像素点分离或者合并,形成对人有意义的图像区域.遥感图像的光谱信息是图像分割的基本信息,也是诸多图像分割算法所依据的基本特征,但空间信息如纹理和几何特征等也是遥感图像特别是高分辨遥感图像的重要特征,而目前分割算法[2-4]大多未能有效整合光谱信息和空间特征.为使遥感图像分割的结果更加合理,人们提出将纹理、特征引入图像分割的算法[5].其中最有代表的就是第一个面向对象的图像分析软件eCognition中实现的多尺度分级分割算法.但是,将几何特征引入分割过程,会占用大量的内存和时间,所以很多情况下,这样做是得不偿失的[6].本文提出一种基于邻接图的面向对象的遥感图像分割模式.在图像分割时,综合颜色和形状信息进行邻接图分割.1 基于邻接图的面向对象的遥感图像分割1.1 区域距离度量方法在图像分割[7]中,基于同一区域的不同(即异质性)尽量小,不同区域的差异(异质性)尽量大的原则,当两个区域的异质性小于两个区域各自的异质性之和时,即将两个区域合并.用Dif(R a,R b)表示区域R a、R b的异质性度量函数,用Int(R a)= Dif(R a,R b)表示区域R a异质性度量函数,合并区收稿日期:2008 09 08.基金项目:空间数据挖掘与信息共享教育部重点实验室(福州大学)开放基金资助项目(200805);极地测绘科学国家测绘局重点实验室开放基金资助项目(200810).作者简介:谭玉敏(1977-),女,山东临沂人,讲师,博士,E mail:tany m@.域的判断函数为Merge(R a,R b)=true,if(Dif(R a,R b)<(Int(R a)+I nt(R b))(1) 下面基于面向对象的概念,建立区域异质性函数.其中这些函数的建立借鉴了eCognition中的区域异质性度量函数.当然,可以选取其他函数作为区域异质性的度量,例如文献[5]中进行图像处理时应用的Guigues函数.本文以异质性函数为代表,说明运行方式及其效果.定义区域的异质距离Dif(R a,R b)=w color h color+(1-w color)h shape其中:w color表示光谱特征相对于形状信息的用户自定义权重,一般取0.5以上;h color表示区域R a R b 的色彩异质性,且h color=n mgmk=1w k mg k其中:m表示波段数;n mg表示区域R a R b含有的像素点(样本点)个数,角标mg表示并(merge);w k 表示第k波段的权重,通常均取1; mg k表示第k波段区域R a R b的光谱值(即灰度值)标准差.h shap e表示区域R a R b的形状异质性,且h shape=w cpt h cpt+(1-w cpt)h smooth其中:w cpt为区域紧凑度的用户自定义权值,取值为0~1;h cpt表示区域R a R b的紧凑度,且h cpt=n mg l mgn mg=n mg l mg其中,l mg表示区域R a R b的周长.h smooth表示区域R a R b的光滑度,且h smooth=n mgl mgb mg其中,b mg表示边界框最短可能边长.由此,I nt(R a)=Dif(R a,R a)=n mgm1w k mg k+(1-w color)!n mg l mg+(1-w cpt)nmgl mgb mg以上即完成了基本的函数定义.要使判据函数成立,必须引入一个用户定义的分割常量(分割尺度常数)s(0~1),得到新的区域合并判据.M erge(R a,R b)=true,if(s!Dif(R a,R b)<Int(R a)+I nt(R b))false,otherw ise1.2 邻接图顶点(区域)合并以图1为例说明区域合并的过程.区域3、4、5为同质区域,如经距离函数判定5和4可以合并,则按照最小生成树算法中的合并方式,将5合并至4中.然后开始数据升级过程,计算4和与5相连结点2的距离.注意4和与5相连其他结点的距离已经计算过.将5删除,删除所有以5为端点的边,将5的邻接点与4相连.综上,i、j(i<j)顶点代表的区域R i、R j总的合并思路是:(1)连接i和j的邻接节点中与i非邻接的节点,计算新的连接边的长度,添加到边长记录最小堆中.(2)删除结点j以及所有与之相连的边.图1 区域合并过程2 算法实验与分析为检验本算法对遥感图像分割的效率和效果,本文进行如下实验.实验数据为2005年7月15日拍摄的宜昌市部分区域的QuickBird融合后数据,平台环境为WindowsXP操作系统,系统配置512M内存,2.66GH z CPU,在VC++ 6.0环境下编译执行.在处理开始前,先对图像进行高斯滤波( =0.8).图2(a)为原始图像;图2(b)中w color=0.8,w cpt=0.9,s=0.6,耗时6.38s,生成区域402个;图2(c)中w color=0.8,w cp t=0.9,s=0.8,耗时5.32s,生成区域843个;图2(d)中w color=0.8,w cpt=0.9,s=0.9,耗时4.47s,生成区域1724个.由图2可以看出,对同一幅图像进行处理时,s越大,分割得到的区域总数越多,因为区域合并的条件比较苛刻.一般情况下,取s>0.5.在s<0.5时, 82大连海事大学学报 第35卷图2 不同分割参数下的实验图像分割结果会产生严重的过度合并,造成图像分割的失败.s 的取值一般需通过实验得到.由本文图像可以看出,在s =0.8时,能够较好地分离出房屋、花园等地物;在s =0.6时,图像中的相近房屋合并到了一起;在s =0.9时,均质性不好的屋顶被分裂,生成许多小区域.图3为对图2(a)用eCognition 处理的结果,经多次实验最终所取参数为:形状参数取0.1,紧凑度参数取0.2,尺度参数取70,得到318个图像区域的分割结果.与图(2)结果对比可以看出,图像质量相差不大.图3 eCognition 平台下的实验图像分割结果应用本文方法对3幅遥感图像的处理结果如表1所示.在分割过程中,选用w color =0.8,w cpt =0.9,但s 的选取经过了调试.表1 本文算法与eCognition 的对比算法处理2D 图像大小641∀433472∀4351041∀833s 设置0.680.740.75本文算法运行时间 s 3.7 3.212.1本文算法分割效果 103 5.47.212.5eCognition 分割效果 1034.9 6.410.9eCognition 运行时间 s7622由表1可知,本文方法与eCognition 实现结果相似,但在运行时间上的优势较明显.3 结 论本文基于邻接图的最小生成树理论,将具有同质性的区域视为结点,将区域的光谱特征与形状参数同时引入到顶点合并的判据函数中,形成了面向对象的遥感图像分割算法,具有与eCognition 软件相近的图像分割效果的同时,图像的分割效率得以提高.参考文献(References):[1]肖鹏峰,冯学智,赵书河.基于相位一致的高分辨率遥感图像分割方法[J].测绘学报,2007,36(2):146 151.[2]龚 ,舒 宁.基于层次密度分析的遥感影像分割方法[J].武汉大学学报:信息科学版,2008,33(3):310313.[3]郑 玮,康戈文,陈武凡,等.基于马尔可夫随机场的无监督遥感图像分割算法[J].遥感学报,2008,12(2):246 252.[4]JIA NG Z Y,CHEN X L ,LI Y S,et al.A mult i scale seg mentatio n method for remotely sensed images based on granulometry [J OL ].http: www.isprs.or g co ngr esses istanbul2004 y f papers 928.pdf[5]T R IAS SA NZ R,ST A MO N G ,LO U CHET J.U sing col or,tex tur e and hierarchical segmentation for hig h resolution r emote sensing [J].ISPRS Jour nal of Photogrammetry &Remote Sensing,2008,63:156 168.[6]F EL ZEN SZW ALB P F ,HU T T ENL OCHER D P.Efficient gr aph based image segmentation [J].Inter national Journal of Computer V ision,2004,59(2):167 181.83第2期 谭玉敏,等:基于邻接图的面向对象遥感图像分割算法。