遥感影像分割 多尺度分割 ESP2 最优参数估计 自动寻参工具

分形网络演化算法的多尺度分割.doc

基于神经网络的SAR图像多尺度分割的研究

基于分水岭算法的高分辨率遥感图像多尺度分割，戈乐乐，赵银娣，分水岭变换是一种常用有效的图像分割方法。针对分水岭的过分割问题，对分水岭分割后的图像，利用多尺度合并差异性度量准则，对过

:针对高空间分辨率的遥感影像，提出了一种基于多尺度分割的变化检测算法。采用 Mean-Shift 分割算法对 影像进行多尺度分割，构建了不同尺度上的地理对象，以不同尺度上的地理对象灰度均值构建了变化检测的多尺度 特征向量，采用变化矢量分析法获得最后的变化检测结果。

ESP2工具适用于找出多尺度分割的最优分割尺度

多种图像分割方法的框架，学习图像分割的同学建议下载

eCognition多尺度分割参数影响因素解释

， 文章提出了一种基于区域生长结合多种特征的多 尺度分割算法。 首先利用图像梯度信息选取种子点 ； 其 次综合 高分辨率遥感 图像地物的局部光谱信息和全局形状信 息作 为 区域生长的准则进行 区域生长。迭代 这两个过程 ， 直到所有 区域 的平均面积大于设 定的尺度面积参数则停止生长。

图像分割是基于地理对象的图像分析（GEOBIA）中至关重要的基础步骤。 许多多尺度分割算法已被广泛用于高分辨率（HR）遥感图像中。 这些细分算法需要一个预设参数（称为scale参数）来控制每个对象的平均大小。 但是，由于空间变化，单一尺度参数几乎不能描述具有不同土地覆被的区域的边界。 为了克服这一局限性，本研究提出了一种用于多尺度分割的自适应参数优化方法。 为了找到最佳的物体尺度，通过计算物体内部和内部物体之间的光谱角来应用局部光谱异质性度量。 与选择全局最优尺度参数不同，本研究旨在从所有不同尺度的结果中直接搜索最优对象，并将其组合为最终的分割结果。 在实验中，使用多分辨率分割生成不同比例的分割结果，并将QuickBird-2图像用作test.data。 在四张HR测试图像上的优化结果表明，与单尺度分割结果相比，该方法具有更好的分割效果。