对于传统马尔可夫随机场而言,先验能量的势能函数中的先验参数通常是根据经验手动选取大于零的值,没有考虑像元之间的距离,也没有充分考虑图像局部邻域先验特征,针对上述问题,提出一种结合标号场先验特征和像元距离动态估计先验参数的方...对于传统马尔可夫随机场而言,先验能量的势能函数中的先验参数通常是根据经验手动选取大于零的值,没有考虑像元之间的距离,也没有充分考虑图像局部邻域先验特征,针对上述问题,提出一种结合标号场先验特征和像元距离动态估计先验参数的方法,并在先验能量中定义了观测场像元之间的影响系数,似然能量函数中引入Sobel算子描述观测场像元之间的关系,最后结合分水岭算法消除碎屑小区域进一步优化分割结果。通过Merced Land Use Dataset场景分类数据集进行了相关实验,结果表明该方法可以有效应用于遥感图像分割工作中。展开更多
针对传统高斯混合模型(GMM,Gaussian mixture model)难以自动获取类属数和对噪声敏感问题,提出了一种基于可变类空间约束GMM的遥感图像分割方法。首先在构建的GMM中,将像素类属性建模为马尔可夫随机场(MRF,Markov random field),并在此...针对传统高斯混合模型(GMM,Gaussian mixture model)难以自动获取类属数和对噪声敏感问题,提出了一种基于可变类空间约束GMM的遥感图像分割方法。首先在构建的GMM中,将像素类属性建模为马尔可夫随机场(MRF,Markov random field),并在此基础上定义其先验概率;结合邻域像素类属性的后验概率和先验概率,定义噪声平滑因子,以提高算法的抗噪性;在参数求解过程中,分别采用可逆跳变马尔可夫链蒙特卡罗(RJMCMC,reversible jump Markov chain Monte Carlo)方法和最大似然(ML,maximum likelihood)方法估计类属数和模型参数;最后以最小化噪声平滑因子为准则获取最终分割结果。为了验证提出的分割方法,分别对模拟图像和全色遥感图像进行了可变类分割实验。实验结果表明提出方法的可行性和有效性。展开更多
文摘对于传统马尔可夫随机场而言,先验能量的势能函数中的先验参数通常是根据经验手动选取大于零的值,没有考虑像元之间的距离,也没有充分考虑图像局部邻域先验特征,针对上述问题,提出一种结合标号场先验特征和像元距离动态估计先验参数的方法,并在先验能量中定义了观测场像元之间的影响系数,似然能量函数中引入Sobel算子描述观测场像元之间的关系,最后结合分水岭算法消除碎屑小区域进一步优化分割结果。通过Merced Land Use Dataset场景分类数据集进行了相关实验,结果表明该方法可以有效应用于遥感图像分割工作中。
