课件基于模式识别的特征地物图像分割实验研究.pptVIP

* 实际生活中经常遇到两幅图像看起来“相似”的情况。可以认为人类的视觉在 相当程度上也依赖了相似度分析。当眼睛看到某个物体后，形成该物体的图像传回 脑中，搜索与之相似的已有印象。如果搜索到，即可“辨认”出该物体的类别归属； 如果没有搜索到，即认为“不认识”该物体。相似度分析的概念已经被应用于基因 工程、软件工程和股市数据分析等领域。 本文引进了相似度的概念，并将之与用于房屋模板与实验图像块的匹配。可以 在图像处理领域将这一概念推广。但是本文式(2)所定义的相似度有一定的局限性： 该定义不考虑被比较双方缩放、旋转甚至扭曲变形的情况。人眼对这些情况的适应 能力比计算机强，但是也有一定的限度。如何增强计算机对这些情况的处理能力， 增强其容错、鲁棒性，将是一个非常有趣的课题。 * 从表11 可以看出，噪声图像与原图之间的相似度高，均大于90%，而两类图像之间的相似度就比较低，接近50%。相似度可以作为两幅图像相似程度的度量。 * 考虑F、T、St构成的三维空间，E则映射为该空间中的一个“场”，任意一点的场强仅与该点的位置有关。如果在该场中获取了足够多的采样点，就可以采用空间插值的方式找出E的极值，即最佳的参数组合。 灰度阈值分割 灰度阈值分割 可以看出，通常房屋的灰度值在200-255 之间。设房屋灰度范围属于T=[T1, T2]，则T1阈值下限取在200 左右，阈值上限T2 定在255。根据T 对原始图像作二值化处理可以得到初步阈值分割图像 （g为原像素灰度，g’为二值化后像素值） 房屋模板 从原始图像可以看出房屋多为大小形状类似的矩形，测量得长度约为20-35 像素，宽度约为6-12 像素，据此可以确定窗口大小范围。将这样的矩形作为房屋模板与阈值分割后的二值图像进行匹配。 相似度判定 s：相似度 a,b：大小相等的两幅二值图像（矩阵） m,n：a(b)的长和宽 参数表 实验流程 初始化一块大小与原始图像完全一样的二值矩阵b，全部清零。 根据门限范围[t1, t2]值将原始图像二值化为二值矩阵a。 从a的左上角开始，用m×n的窗口截取一块矩阵，与模板矩阵进行相似性比较。如果相似度大于或等于s则认为是房屋，把该窗口内容复制到b的相对应位置；否则不做操作。顺序移动窗口位置使得窗口平移直到遍历覆盖a。 每一套实验参数都可以生成相应的b图像，总共生成256幅b图像。最后将每一个b与标准二值图像进行精度评判，得出最优的参数组合。 实验结果的精度评价 精度的定义 精度评价 精度的定义 由于本文的目标是提取房屋的位置信息，不考虑对非房屋的判定，只考虑对房屋的判定，因此可定义精度Eα为b和std中房屋部分的交集与标准图像中的房屋部分的比值： std：标准图像中房屋的部分 b：生成结果图像房屋的部分 精度的定义 Eα只考虑了房屋判断正确的部分，却没有考虑房屋判断错误的部分。如果b将原始图像中每个像素都判断为房屋，则Eα仍有100%，显然不合理。因此，补充定义Eβ： 精度的定义 综合(7)(8)进而定义精度E： 精度评价 根据精度评价，生成的结果图像中精度E最高达到了0.7867，最低则为0.5108，其中对房屋的识别精度Eα达到了0.9017。最佳精度在参数组合（20，8，200，0.6）处取得，即房屋模板长20，宽8，灰度阈值为[200，255]，相似度阈值为0.6。最差精度则在参数组合（30，12，220，0.9）处得到，即房屋模板长30，宽12，灰度阈值[220，255]，相似度阈值为0.9。 精度评价 相关讨论及后续工作设想 相似度 模板匹配 精度 相似度 相似度 针对灰度图像尝试定义相似度Sg： （a,b为大小形状相同的两幅灰度图象） 相似度 模板匹配 由于模板在二值图像上采取逐象素遍历的方式，造成计算量偏大，重复计算多。考虑到每次匹配均相对独立，与其他匹配无关，因此可以进行程序优化，采用多线程并行计算的方式提高效率； 对于匹配的情况用直接复制方式造成精度降低。该方法固然可以保证将房屋复制到结果图像中，但是也必然会把房屋周围一带的图像带入结果图像中。目前该缺陷还没有好的解决方案； 因为实验图像中房屋的形状多为长方形，因此模板的形状也确定为长方形。但是实际情况往往比较复杂，房屋的形状、朝向，甚至屋顶的形制都会影响房屋在遥感图像中的表现，使得准确率降低。虽然不存在通用的房屋模板，但是特定地区的房屋往往存在主流的形制，因此适宜根据地域对房屋进行分类，每一类单独开发一套模板。还可以考虑应用形态学/小波变换等手段改进模板 精度 E：精度； m,n：房屋模板长宽； T1：灰度阈值下限； St：相似度阈值； F：形状参数 5.结论与创新点 结论 创新点 结论 实验结果表明最佳参数组合（20，8，200，0.6）达到了最佳精度0.7867，而