为了进一步提升建筑物遥感图像分割的准确性和运算速度，本文提出了基于混沌布谷鸟优化的二维 Tsallis交叉熵的建筑物遥感图像分割方法。首先给出了二维 Tsallis交叉熵的阈值选取公式，然后将 Logistic混沌映射引入布谷鸟算法，进一步加快布谷鸟算法的收敛速度，最后通过该混沌布谷鸟算法优化基于二维 Tsallis交叉熵的阈值寻找过程，并以得到的最优阈值分割建筑物遥感图像。大量实验结果表明，与二维倒数交叉熵法、二维 Tsallis熵法、基于混沌粒子群优化的二维 Tsallis灰度熵法等方法相比较，本文方法分割的目标更为准确，细节更为清晰，且运算时间更短。

1、实现效果：《【Matlab/CV系列】基于K-means/分水岭分割的多光谱遥感图像分割的Matlab实现》见博客链接：https://blog.csdn.net/SoaringLee_fighting/article/details/124261027 2、内容介绍：基于K-means/分水岭分割的多光谱遥感图像分割的Matlab实现，并采用matlab GUI界面实现，效果不错。 3、适用于计算机，电子信息工程，电子信息科学与技术等专业的大学生毕业设计。

， 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。

基础模型采用UNet++网络模型，主干采用ImageNet预训练好的timm-efficientNet-b8并在模型中添加scse注意力机制。 训练好2个模型进行结果融合。 采用FastAI框架进行代码写。 2个模型分别为，（1）数据增强，b8，训练120轮（2）数据增强，b8，训练80轮。 操作系统版本：Linux version 5.8.0-29-generic (buildd@lgw01-amd64-039) (gcc (Ubuntu 9.3.0-17ubuntu1)20.04) 9.3.0, GNU ld (GNU Binutils for Ubuntu) 2.34) #3120.04.1-Ubuntu SMP 星期五 11 月 6 日 16:10:42 UTC 2020 python版本：3.7.9 训练数据处理 对原始数据随机提出 1000 张作为测试集不参与训练。 利用FastAI自带的数据增强库对训练数据进行。 划分20%作为验证集。 训练策略 采用fit_flat_cos训练模式训练80轮，和训练120轮。 采用混合饲养训练。 采用亚当优化器。 在训练过程中保存miou最好的性能模型。 复现流程 执行train.sh文件进行数据划分和模型训练。 执行test.sh文件进行预测。 两个两个模型在 1000 张测试集中进行测试，并计算结果，将两个模型的每个类别的模型性能进行融合，得到最终的每个模型的模型权重，利用 miou 权重进行模型的融合。

基于神经网络的遥感图像分割方法研究_丁婷婷.pdf

在遥感图像的众多分割方法中，高斯混合模型(GMM)是一种常用的图像建模方法。提出了高斯-瑞利混合模型(GRMM)可能更适合对遥感图像建模。介绍了传统高斯混合模型和高斯-瑞利混合模型的区别。比较了这两种混合模型对图像建模的结果，并用数据说明高斯-瑞利混合模型拟合图像的像素分布误差更小。采用最大熵方法确定图像的最佳分类数，采用马尔可夫随机场(MRF)方法及新的势能函数完成图像的分割，采用迭代条件模型(ICM)完成分割过程中的最大后验概率计算问题。在实验中采用了3幅遥感图像，实验过程中比较了各个图像运用高斯混合模型和高斯-瑞利混合模型的分割和拟合结果，分别通过数据和分割结果体现了该分割方法的效果。

本文对近年在图像分割技术上出现的常用图像分割算法以及它们的优缺点进行了综述，并介绍了其在遥感图像中的应用，提出了图像分割算法的前景和面临的挑战。