影像分割

摘要： 我国自然灾害情况严重,风险隐患调查刻不容缓,国务院部署开展了全国自然灾害综合风险普查工作。遥感技术在自然灾害综合风险普查工作中有着广泛应用,文章结合影像数据特点以及自然灾害综合风险评估的应用需求,对地物信息获取过程中的影像分割、特征信息提取等,尤其是对光谱特征和纹理类特征信息提取方法进行了分析,并对普查工作中遥感技术的实际应用进行了经验总结。

摘要： 黄土陷穴作为黄土高原地区一种特殊的地貌类型及地质灾害,其研究对指导黄土地区水土保持与工程建设工作具有重要意义。现阶段对陷穴的研究多基于传统野外调查,该方式成本高、效率低。为此,该研究开展面向对象与卷积神经网络(Convolutional Neural Networks,CNN)相结合的黄土陷穴自动化提取方法研究,并讨论融合地形特征对CNN模型提取精度的影响。研究选取黄土陷穴发育的典型区域,基于WorldView3遥感数据与ALOS高程数据,通过莫兰指数与灰度共生矩阵熵值确定影像的分割尺度,以面向对象的方式提取黄土陷穴的光谱、形状、纹理以及地形特征,制作融合地形特征与未融合地形特征的两类训练样本,进而训练两种CNN模型对同一区域内黄土陷穴进行提取,根据精确率、召回率以及F1分数评价模型的提取精度、分析对比两种CNN模型的提取结果,并建立支持向量机(SupportVector Machine,SVM)模型与CNN模型进行比较。研究结果表明,融合地形特征进行训练的CNN模型精确率达94.62%,召回率达86.27%、F1分数达90.26%,综合提取性能最好,相较于未融合地形特征训练的CNN模型,黄土陷穴的错分量大大减少,精确率提升18.10个百分点,F1分数提升9.15个百分点;两种CNN模型F1分数均达80%以上,比SVM模型分别高出6.94个百分点,16.09个百分点,提取结果均优于SVM模型;综上,融合地形特征的CNN模型可快速、精确地提取黄土陷穴,从而为黄土地区陷穴防治工作提供支持。

摘要： 针对我国数字社会建设步伐加大,各行业对基础测绘数据准确性和高实时性的切实需求,本文通过研究面向对象的遥感影像变化检测,对多期遥感影像能够快速且有效地发现地物变化,并依此及时更新基础测绘数据。研究结果表明,通过该变化检测方法,能够有效地提高基础测绘作业时效,并在提高基础测绘数据质量方面有着重要的意义。

摘要： 居民地是地物的重要组成部分,对它的获取是遥感影像提取的主要研究内容之一。深入研究了居民地相关概念,提出了基于遥感影像的居民地提取方法。该方法综合利用居民地的光谱和几何特征,通过影像分割和影像分类进行居民地提取。同时为了解决提取结果较为破碎等问题,提出了居民地提取后处理方法。结果表明:文中提出的方法可以快速有效地提取居民地数据,研究结果对于准确地确定居民地面积及其分布情况具有重要的实际应用价值。

摘要： 针对无人机影像光谱信息量不足导致的影像分割精度较低和同类地块过度分割问题,本文设计了一种面向无人机影像的改进FNEA分割方法。首先,利用特征提取方法,构建原始RGB影像的不同纹理和植被指数特征影像;然后,基于改进分离阈值法选择最佳植被指数和纹理特征;最后,将最佳特征与原始RGB数据融合,采用FNEA算法进行影像分割。将改进FNEA方法与多种分割方法对比,结果表明改进FNEA方法的分割精度更高,同一地块内过度分割可得到较好控制,适合无人机影像的分割。

摘要： 图像分割技术是图像处理和计算机视觉领域中的关键技术之一。随着近年来遥感成像技术的迅猛发展,传统基于像素的影像处理方法不再适用于高分辨率遥感影像。针对传统图像分割方法在分割准确性以及分割效率等问题上存在的不足,提出了一种融合超像素与Wasserstein距离的遥感影像分割方法。首先,对遥感影像进行SLIC(simple linear iterative clustering)算法预分割,生成超像素;然后,将超像素作为K-means算法的聚类中心,利用Wasserstein距离替代传统欧氏距离计算超像素之间的距离,完成聚类。理论和实验结果表明,新方法具有收敛性,在一定程度上提高了超像素预分割后的完整性,并且Wasserstein距离能够准确计算分布之间的差异性,在超像素距离计算上表现突出。

摘要： 针对基于面向对象方法提取建筑物准确度与精度不高的问题,提出了一种面积方差最优尺度分割法。该方法利用SPOT 5卫星遥感影像,根据建筑物特征对影像进行多尺度分割,以所有类别分割对象与实际目标匹配程度作为衡量的依据获得最优尺度。在不同尺度等级的对象层次上,根据对象的多特征组合,完成对建筑物分层分类提取。实验结果表明,该方法大大减少了分类的不确定性,获取了较高的精度,为建筑物准确提取提供了思路。

摘要： 选取复杂地貌下的西安市临潼区为例,对其高分辨率遥感影像展开信息搜集与提取,采用eCognition自带分类构建规则集,对于土地利用信息进行重点关注.围绕对象分层网络方法展开研究,进一步提升信息提取的精准度,避免过分割以及欠分割情况造成的负面作用,同时有效解决了传统提取中较为困难的阴影信息提取.研究结果表明eCognition在复杂地貌特征下具有良好的适用性,对于国内外其他类似复杂地貌下的研究具有重要的依据和借鉴意义.

摘要： 电子文本病历语料库可提供相关医学影像的定性诊断结果,但缺乏直观影像和文本标注信息,不利于有效管理医学数据和医科学生自主学习相关医学知识.针对此问题,文中提出基于深度水平集算法的医学影像分割方法,对医学影像进行自动分割,给出感兴趣区域的轮廓结果及相关定量指标,并结合自然语言处理方法实现电子病历文本的标注,增强影像与文本病历多模态语料库的信息表征能力.在青光眼影像数据上的实验表明,文中方法可精准分割眼底图像中视盘和视杯,有效构建具有直观影像标记与对应病历文本的多模态语料库.

摘要： 在基于高光谱航空影像进行单木树冠分割和分类的过程中,需要选择合理的技术方案对影像分割的结果进行精度评价。基于使用ArcGIS中的空间数据处理工具和ModelBuilder建模工具进行数据处理与分析运算,结合Jaccard相似系数,计算影像分割得到的图斑栅格数据与真实地面验证数据的匹配度;基于ModelBuilder的方法整合了多个空间数据处理和统计分析工具,得出了Jaccard系数,高效地完成了对影像分割结果的精度评价。

摘要： 影像分割是遥感影像信息提取中的关键技术,也是面向地理对象影像分析(GEOBIA)的基础过程.在GEOBIA中数字图像由离散的像素转化为均质的影像对象基元.面对大量影像分割方法和各种遥感应用对象,影像分割评价因其有助于选择合适的分割方法和最佳的分割参数而十分重要.有别于传统的基于算法原理的影像分割方法的分类,本文是根据遥感地学应用面向的对象而对分割方法进行分类.首先将影像分割方法分为两组,一组是面向局部特征监测的典型目标识别,另一组是面向全局特征监测的面向对象影像分类,进而针对这两组分割方法提出了两套分割评价测度指标及相应的综合评价方法.在面向典型目标识别的分割方法评价中,使用区域内部非均质度、区域间灰度对比度、区域间散度对比度、边界点梯度和单位像素运行时间作为评价测度,并针对由于评价测度间的相关性而无法直接确定各测度权重分配的问题,提出利用熵权法为各个评价测度分配权重,以获得综合评价结果的分割评价方法,该评价方法可用于选择合适的分割方法.用于面向对象影像分类的分割方法中使用到的评价测度为分割斑块内的均质性和分割斑块间的异质性,这种评价方法适用于选择最优分割尺度参数.本文通过定量实验论证了这两种评价方法的有效性,定量实验结果表明这两种影像分割评价方法在遥感应用中具有实际意义.最后,本文分析了影像分割评价方法的不足及未来的发展方向.

摘要： 高分辨率遥感影像中含有丰富的色彩、纹理和形状信息，为了更准确地对影像进行分割以及后继分类，有必要在影像分割过程中充分考虑影像中地物的空间特征，本文提出了一种基于区域邻接图的遥感影像分割算法。每个区域由邻接图中一个顶点来表示，连接两个顶点的边的长度由距离函数计算得出，即两区域相互间异质性距离。如果邻接点的异质性距离小于各自内部异质性距离之和，就将该对邻接点（区域）合并。合并运算分为两个阶段，第一阶段运用颜色信息确定邻接点的异质性距离，第二阶段整合颜色与形状信息确定邻接点的异质性距离，每个阶段合并的判据相同，即邻接点的异质性距离小于两接点内部异质性距离之和，分割在破坏给定的终止条件前停止，该算法可显著提高遥感影像的分割效率和效果。

摘要： 对于城市不透水面的提取,Ridd发展了植被—不透水面—土壤(V-I-S)模型,这个模型假设每个象元都是由植被、不透水面和裸土组成的.(V-I-S)模型在城市不透水面的提取方面得到了大量的应用.Small(2001)提出了改进的V-I-S 模型,即植被—低反射率—高反射率(V-L-H)模型.他利用此模型对美国纽约的不透水面进行了提取.rn 根据TM影像6个波段反射率数据及4个端元的反射率，利用LSMA,S-LSMA提取城市不透水面的盖度图。从空间分布格局上可以看出哈尔滨市主城区的不透水面主要集中在东南部，这与哈尔滨市的城市建成区是基本一致的，东南部为南岗区、道里区的中心区，高密度商业区和高密度住宅区主要集聚在此处，东北部(呼兰区)主要是零零散散的小村镇。从两幅图的对比可以看出基于整幅图像选择端元时会使不透水面的估算量降低。

摘要： 本文系统地介绍了图像配准的基本原理、方法和步骤,概括了影像配准领域的研究现状.基于不规则三角网(TIN)的图像配准方法的核心是利用TIN将影像分割成若干个小面元,采用二维几何变换方法,实现图像之间的相对几何校正.这种方法集中了灰度匹配和特征匹配的优点,整个过程可以自动进行,不需要事先给出地面控制点,而且影像配准的精度较高,本文最后通过实验验证了该方法的可行性和优越性.

摘要： 利用高分辨率遥感影像自动提取和检测居民地的变化信息是遥感影像信息提取的难点之一。居民地是各种建筑物组成的城市、集镇、农村或其它居住区的总称，是地球表面变化最多最快的地物之一。高分辨率遥感影像空间信息丰富，居民地内的细节信息更加清楚，组成居民地的像元的光谱差异也随之增大，传统的遥感影像信息提取只能依靠影像的光谱信息，且是在像元层次上的分类，因此无法有效地从高分辨率影像上提取居民地。本文提出面向对象的居民地分类提取和变化检测方法。对于不同时期的影像，分别采用面向对象分类方法提取出各自的居民地，然后将居民地分类提取结果进行叠加，发现变化。其中面向对象的居民地分类提取方法首先通过影像分割将影像划分为互不相交的影像对象，然后根据这些影像对象的影像特征如光谱、纹理、形状和上下文等信息进行分类，提取出居民地区域，面向对象分类方法突破传统的分类方法，提高了居民地的分类精度。

摘要： 影像切割是对象化时必要的步骤之一,影像对象化时通常使用以区域为主的算法来进行影像内部对象之分割,进而取得完整的对象结构,区域成长法是最常使用的方法之一。然而该算法中需要进行面积参数与相似性参数设定,使用者多半是以经验或试误法来取得最适合的参数组合,但在进行大量影像分割时使用者必须重新进行参数的设定动作,这会造成使用者产生相当麻烦之困扰。本研究发展出交互语义学习模式之区域成长法,让软件能够学习使用者设定参数的模式来达到自动化设定区域成长法参数之目的,研究显示将有效的加速巨量影像的分割速率与分割质量之成果。

摘要： 机载LiDAR点云滤波方法主要有两大类,一类是基于离散点云的滤波方法,以三维激光雷达脚点高程突变信息为前提来设计算法；另一类是基于二维深度影像,采用图像处理的方式进行影像分割,即先将离散点云高程数据转换为规则格网数据,再将规则格网数据转换为二维深度影像,再针对二维深度影像,采用各种图像处理的方法分离地面点和地物点。rn 本文针对二维深度影像,提出了基于多层次二类分割的点云滤波方法,其基本思想为：由二维深度影像图生成数字表面模型,根据数字表面模型,判断主要地物的类别数N。然后采用全局阈值分类的方法对二维深度影像进行二类不完全分类,突显出主要地物类,通过边缘检测与边缘连接,以主要地物区域外围一定区域内像素灰度的平均值代替主要地物区域,并生成新的二维深度影像图,再重复上述过程N次,就可达到基本滤除地物点的目标,得到较高精度的DEM。这一方法实现简单,对于一些工期紧的生产需求非常有用,如高速公路开、填土石方估算等。

摘要： 随着遥感技术的快速发展，尤其是高分辨率民用遥感卫星的成功发射和应用，使得遥感技术在建筑物识别、震灾调查和快速预估评估方面发挥出越来越重要的作用。然而，传统面向像元的分类方法在对高分辨率遥感影像进行分类时，存在着不能充分利用影像信息、分类精度降低、速度慢等局限性，根据高分辨率遥感影像的特点，本文提出面向对象的高空间分辨率遥感影像建筑物震害信息提取方法。该方法首先通过影像分割将影像划分为互不相交的影像对象，然后根据这些影像对象的影像特征如光谱、纹理、形状和上下文等信息进行分类，提取出破坏建筑物和未破坏建筑物，试验表明,面向对象的分类方法应用于建筑物震害信息提取较传统分类方法有更高的精度,具有很大的应用潜力。

摘要： 近年来,随着大量高质量高分辨率遥感影像的出现,其相关应用迫切需要有效的分类方法。但由于高分辨率遥感影像本身的一些特点,传统的基于像素的统计特征的分类方法在处理高分辨率影像的分类问题上难以达到满意的效果。rn 本研究以SPOT高分辨率影像为数据源,利用面向对象的影像分析方法对其进行分类。不仅对面向对象的影像分类方法进行详细介绍,还对研究区分类结果进行了精度评估,并将传统基于像素的分类精度与基于对象信息的分类精度进行对比分析。结果表明：基于像素的传统影像分类方法具有一定的局限性，而面向对象的分类方法灵活地运用高分辨率影像的光谱信息,几何信息,空间信息，充分地利用影像中目标的色调,纹理,几何等属性,因此在高分辨率遥感影像分类方面更具有优势，同时在一定程度上解决了图像过分割现象,有效抑制了传统影像分类方法所存在的“椒盐噪声”现象,可有效区分“同谱异物”,还显著提高了分类精度,具有明显的优越性和应用前景。

摘要： 近年来,随着大量高质量高分辨率遥感影像的出现,其相关应用迫切需要有效的分类方法。但由于高分辨率遥感影像本身的一些特点,传统的基于像素的统计特征的分类方法在处理高分辨率影像的分类问题上难以达到满意的效果。rn 本研究以SPOT高分辨率影像为数据源,利用面向对象的影像分析方法对其进行分类。不仅对面向对象的影像分类方法进行详细介绍,还对研究区分类结果进行了精度评估,并将传统基于像素的分类精度与基于对象信息的分类精度进行对比分析。结果表明：基于像素的传统影像分类方法具有一定的局限性，而面向对象的分类方法灵活地运用高分辨率影像的光谱信息,几何信息,空间信息，充分地利用影像中目标的色调,纹理,几何等属性,因此在高分辨率遥感影像分类方面更具有优势，同时在一定程度上解决了图像过分割现象,有效抑制了传统影像分类方法所存在的“椒盐噪声”现象,可有效区分“同谱异物”,还显著提高了分类精度,具有明显的优越性和应用前景。

摘要： 本发明涉及基于多中心TOF‑MRA影像的脑血管分割方法及神经网络分割模型，通过构建金标准数据库缓解现有脑血管分割方法泛化能力差、鲁棒性低的问题；并通过建立脑血管在3D空间中的符号距离场，通过计算脑血管分割符号距离场与金标准符号距离场之间代价函数进一步提升从TOF‑MRA影像中分割脑血管的鲁棒性。

摘要： 本发明揭露一种影像分割装置与影像分割方法。影像分割方法包括：透过一显示元件，显示对应于一目标影像的一原始指定区域；接收于该目标影像上的一使用者输入，其中该使用者输入是该目标影像上的至少一划记；以及分割对应于该划记的一局部区域，以更新该原始指定区域，其中该局部区域至少部分重叠于该原始指定区域。借此，即可在相应于该划记的局部区域中调整原始指定区域，以令影像分割更为精准。

摘要： 一种多类分割损失函数及其构建方法和应用，涉及深度学习与医学影像处理领域，解决了现有技术存在的类间不平衡、分割精度差的问题。本发明包括：设定基础损失函数；根据基础损失函数，设定限制权重，用于调整分割目标对应的损失函数权重；组合基础损失函数与限制权重得到多类分割损失函数。本发明具有显著抑制类间不平衡问题对脊椎组织影像的多类分割的影响、提高全卷积神经网络分割性能的优点，提升了脊椎组织影像分割效果，增强了损失函数的分割性能，其在深度学习与医学影像处理技术领域有极高的应用和推广价值。

摘要： 本发明提供了基于Boosting‑Unet分割网络的医学影像分割方法，该方法通过将总分割网络的训练划分为m个子分割网络的训练，训练第k个子分割网络时，继承了第k‑1个子分割网络的卷积核参数，这样大大减少了每一次训练的卷积核参数数量，提高网络的学习能力和噪声、影像模糊的抵抗力，另外设置多个子分割网络提高了网络的效率，又实现对影像数据特征深度地提取，对影像数据的精细分割，以此提高总分割网络对影像数据特征的学习能力，增强对噪声扰动信息的鲁棒性，进一步提高图像分割的性能。

摘要： 本发明提供用于控制多个分割影像中再生的影像的切换时刻的虚拟现实分割影像切换方法，其特征在于，包括：步骤(a)，在将原始影像分割成N个区域的临时分割影像中，向临时分割影像覆盖的临时视野(FOV，Temporary Field of View)追加保护视野(Guard FOV)来确定分割影像的再生视野(Play FOV)；步骤(b)，确定比头戴显示装置的设备视野(Device FOV)宽规定的追加视野(Additional FOV)的虚拟设备视野(Virtual Device FOV)；以及步骤(c)，当满足利用虚拟设备视野及再生中的分割影像的再生视野运算的规定的切换基准时，开始执行多个分割影像中再生的分割影像的切换流程。

摘要： 本发明涉及一种医学影像分割模型训练方法、医学影像分割方法及装置，在获取先验医学影像，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的解码层中加入注意力机制，获得医学影像分割模型。基于此，通过医学影像分割模型对医学影像进行分割，降低医护工作的负担以利于提高医护工作的效率。

摘要： 本发明涉及一种用于训练脑影像分割模型的方法，包括：获取脑影像数据集；利用多个分析软件对脑影像进行分割，获得多组机器标签；对部分脑影像进行人工标注，以获得人工标签；以及基于脑影像数据集及相关联的标签，通过循环执行以下步骤来迭代训练待训练的分割模型，得到目标分割模型：将脑影像输入至待训练的分割模型，以获得预测的分割结果；根据单个体素的机器标签之间的一致性，确定标签的权重；根据预测的分割结果与各个标签的差异以及权重来计算损失函数值；基于损失函数值最小化来调节待训练的分割模型的网络参数，得到当前迭代的分割模型；其中单个体素的机器标签的权重与一致性负相关。本发明还涉及分割脑影像的方法和脑影像分割装置。

摘要： 本发明揭露一种影像分割装置与影像分割方法。影像分割方法包括：透过一显示元件，显示对应于一目标影像的一原始指定区域；接收于该目标影像上的一使用者输入，其中该使用者输入是该目标影像上的至少一划记；以及分割对应于该划记的一局部区域，以更新该原始指定区域，其中该局部区域至少部分重叠于该原始指定区域。借此，即可在相应于该划记的局部区域中调整原始指定区域，以令影像分割更为精准。

摘要： 本发明提供了基于Boosting‑Unet分割网络的医学影像分割方法，该方法通过将总分割网络的训练划分为m个子分割网络的训练，训练第k个子分割网络时，继承了第k‑1个子分割网络的卷积核参数，这样大大减少了每一次训练的卷积核参数数量，提高网络的学习能力和噪声、影像模糊的抵抗力，另外设置多个子分割网络提高了网络的效率，又实现对影像数据特征深度地提取，对影像数据的精细分割，以此提高总分割网络对影像数据特征的学习能力，增强对噪声扰动信息的鲁棒性，进一步提高图像分割的性能。

摘要： 本发明提供一种医学影像分割方法、分割模型训练方法、介质及电子设备。所述医学影像分割方法包括：获取待分割的目标影像；从所述目标影像中获取至少一张影像作为第一影像，从所述目标影像中获取另外的至少两张影像作为第二影像；获取所述第一影像的标注掩膜；利用医学影像分割模型对所述第一影像及其标注掩膜和所述第二影像进行处理，以获取所述第二影像的分割结果，其中，所述医学影像分割模型为训练好的孪生深度学习网络。所述医学影像分割方法无需像素级的人工标注掩膜，且具有良好的泛化能力。