多特征自适应遥感影像多尺度分割提升分割精度

该研究论文标题为《多特征融人的自适应遥感影像多尺度分割》（2013年），发表在武汉大学学报·信息科学版，探讨了在遥感影像分割领域的创新方法。传统的遥感影像分割存在两个主要问题：一是未能充分利用地物丰富的属性信息，二是分割模型依赖于全局固定参数，忽视了特征维度空间的局部统计特性。为了改进这些问题，作者提出了一种多特征融合的自适应策略，即多特征适应性多尺度图像分割方法（MFA-MIS）。 MFA-MIS的核心思想是通过结合多维特征和特征空间的局部统计信息，对遥感影像进行更加精细和精确的分割。这种方法首先将遥感影像转化为带权重的无向图，其中像元作为顶点，相邻像元间的相似度作为边的权重。分割过程则是寻找图的最优划分，即在保证集合间差异最小（边界清晰）的同时，尽可能保持集合内部的一致性（同质性高）。 由于影像数据庞大，且图划分问题属于NP难问题，解决方法通常需要高效的算法和启发式策略。论文提到的eCognition的分形网络演化算法、基于密度统计的均值漂移算法、基于图划分的图割模型以及隐马尔科夫模型都是过去研究中的经典方法，但这些方法可能无法充分满足复杂地物类型和不确定性条件下的分割需求。 通过引入多特征，MFA-MIS能够更好地适应不同类型的地物，同时考虑到特征空间的局部特性，从而在处理遥感影像时提供更准确的结果。实验结果显示，与传统方法相比，该方法在分割效果上具有显著优势，能够提升影像分析的精度和稳定性，为面向对象影像分析提供了有力支持。 该研究对遥感影像分割领域做出了重要贡献，展示了通过多特征融合和自适应策略优化分割方法的潜力，为解决遥感数据处理中的复杂问题提供了新的思路和技术支持。