|
发布时间: 2017-05-16 |
遥感图像处理 |
|
|
收稿日期: 2016-11-24; 修回日期: 2017-02-21
基金项目: 国家自然科学基金项目(61273307);高分重大科研专项(41-Y30B12-9001-14/16);国家重点研发计划(2016YFC1401007)
第一作者简介: 胡园园 (1993-), 女, 大连理工大学控制理论与控制工程专业硕士研究生, 主要研究方向为SAR图像处理与应用。E-mail:huyy@mail.dlut.edu.cn
中图法分类号: TP751.1
文献标识码: A
文章编号: 1006-8961(2017)05-0610-12
|
摘要
目的
海水浮筏养殖是海域使用动态监测中的重要类型,合成孔径雷达(SAR)卫星遥感影像可以克服海洋气象环境的影响,有效反映浮筏养殖区域。由于浮筏养殖信息受乘性相干斑噪声污染严重,为了降低噪声敏感性,改进得到广义局部二值模式(
关键词
浮筏养殖; 合成孔径雷达 (SAR); 无监督; 局部二值模式; 统计区域合并
Abstract
Objective
Marine floating raft aquaculture is widely distributed in nearshore zones. The effective information extraction of floating raft aquaculture is conducive to the dynamic monitoring of sea area uses, which can rationally use marine aquaculture resources and create a healthy balance of sea ecological environment. Satellite synthetic aperture radar (SAR) imagery can overcome the influences of the marine meteorological environment and effectively reflect the locations of floating rafts. However, the information of floating raft aquaculture in SAR images is seriously affected by multiplicative speckle noise. Considerable isolated noise points exist on the surface of floating raft aquaculture, and the edges are so fuzzy that clearly distinguishing floating raft aquaculture from the sea background is difficult. The traditional unsupervised algorithm is ineffective for not taking the characteristics of SAR data into account. To solve the problem, this study improves the local binary pattern algorithm to generate the generalized local binary pattern (
Key words
floating raft aquaculture; synthetic aperture radar (SAR); unsupervised; local binary pattern; statistical region merging
0 引言
中国海水养殖业十分发达,多采用网箱养殖、延绳式养殖和浮筏养殖3种方式。浮筏养殖是在浅海与潮间带设置浮动筏架,筏上以浮球悬挂吊笼方式养殖以扇贝、牡蛎等贝类为主的水产[1]。为了合理使用养殖资源、营造健康的海水生态环境,需要系统深入地研究浮筏养殖用海范围等情况。现场调查因浮筏范围大而作业困难,可见光遥感影像受天气和探测机制影响而无法完全准确地获取浮筏养殖目标[2],基于合成孔径雷达 (SAR) 的海洋遥感技术可以有效地发现浮筏养殖区域。SAR由传感器主动地发射微波波束,接收地物反射回来的信号,不限制于太阳辐射和天气影响,可以全天时全天候工作,极大提高了时间分辨率,已成为国内外海域动态使用、海上目标识别等领域的重要技术手段之一[3-5]。由于SAR系统成像原理和复杂海况的影响,后向散射系数相干叠加使得图像存在大量的相干斑噪声,浮筏养殖信息受噪声污染严重,浮筏区域表面分布大量噪声,边缘模糊,难以将其从海水背景中清楚区分。而且单幅SAR图像具有波段单一性,无法提供丰富信息,亦增加了浮筏养殖信息提取的难度。同时,为了解决实际情况下无法获取地表真实数据分布和人工选择训练样本效率低等问题,无监督实现SAR遥感图像中的浮筏养殖信息提取和解译工作,具有研究意义。
为了有效抑制相干斑噪声对浮筏养殖信息的影响,利用空间信息对SAR图像进行超像素分割。超像素更利于局部特征的提取与结构信息的表达,并且能够大幅度降低后续处理的计算复杂度[6]。常用的超像素分割方法包括Ncut (normalized cuts) 算法[7]、Turbopixels算法[8],区域增长算法[9]等,均取得较好的效果。Ncut算法利用轮廓特征和纹理特征递归地进行图分割,能得到大小相近、边缘平滑的分割结果,但是对点线等细节保持能力较差,计算速度较慢,不适宜大尺寸图像分割。Turbopixel算法通过基于几何流的水平集方法逐渐膨胀初始化种子点将图像分割为网格化分布规则的超像素,计算速度较快,能控制超像素数量,但超像素边缘细节保持较差。区域增长算法通过设置种子点,将附近与其距离小于阈值的像素划分到该区域实现过分割,细节保持较好,但抗噪性较差,分割后易形成单像素的噪声区域。统计区域合并 (SRM) 算法能克服前几种算法存在的问题,具有很好的抗噪性,分割效率高,且不依赖于数据的概率分布假设。SRM由Nock和Nielsen提出[10],用于处理光学彩色图像,采用一种简单高效的统计模型,迅速捕获图像的主要结构成分,并能排除噪声干扰,处理阻塞情况[11]。2003年被Li等人[12]引入面向对象的极化SAR图像分类中,后利用混合分割的思想对SRM进行了改进,实现多尺度分割[13]。2014年,Lang等人[14]根据SAR数据特性改进得到广义SRM算法 (
针对浮筏养殖在海洋SAR遥感图像中的特点,提出结合广义局部二值模式的广义统计区域合并算法 (
1 统计区域合并分割原理
假设
一幅图像
$ f\left( \mathit{\boldsymbol{p}}, \mathit{\boldsymbol{p}}' \right)=\mathop {\max }\limits_{k \in \left\{ {{\text{red}},{\text{green}},{\text{blue}}} \right\}}, \left| {{\mathit{\boldsymbol{p}}}_{k}}-\mathit{\boldsymbol{p}}{{'}_{k}} \right| $ | (1) |
SRM算法的合并准则是基于概率论中鞅戟理论的定理,对于多通道的情况必须各通道均满足合并准则时才进行合并,最终的合并准则为
$\eqalign{ & \;\;\;\;\;\;\;P\left( {R,R'} \right) = \cr & \left\{ \matrix{ {\rm{true}}\;\;\;\;\;\;\;\mathop {\max }\limits_{k \in \left\{ {{\rm{red, green, blue}}} \right\}} {\mkern 1mu} \left| {\overline {R{'_k}} - \overline {{R_k}} } \right| \le \hfill \cr \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\sqrt {{b^2}\left( R \right) + {b^2}\left( {R'} \right)} \hfill \cr {\rm{false}}\;\;\;\;\;\;\;\;\;{\rm{其他}} \hfill \cr} \right. \cr} $ | (2) |
式中,
根据合并准则,判定区域是否合并。
2 结合$\text{GLBP }\!\!\_\!\!\text{ GSRM}$ 的多特征集成模型
2.1 SAR图像浮筏养殖信息提取流程
为实现准确提取海洋浮筏养殖信息,构建以
2.2 $\text{GLBP }\!\!\_\!\!\text{ GSRM}$ 算法
对于灰度图像
$ LB{{P}_{p, r}}=\sum\limits_{i=1}^{p}{{{2}^{\left( i-1 \right)}}}\times sign\left( {{g}_{i}}-{{g}_{c}} \right) $ | (3) |
式中,
为了使得LBP描述的纹理信息具有旋转不变性,改进LBP算子得到旋转不变的LBP (RI-LBP) 算子[18]为
$ LBP_{p, r}^{ri}=\min \left( ROR\left( LBP_{p, r}^{ri}, i \right)\left| i=0, 1\cdots, p-1 \right. \right) $ | (4) |
式中,
实验表明LBP中绝大数模式的二进制序列中0与1的转换次数不超过两次,这种模式记作统一LBP (ULBP)[18]。为了提高纹理特征的辨别能力,引入统一化算子
$ \begin{align} &U\left( LBP_{p, r}^{ri} \right)=\left| sign\left( {{g}_{p}}-{{g}_{c}} \right)-sign\left( {{g}_{1}}-{{g}_{c}} \right) \right|+ \\ &\ \ \ \ \ \sum\limits_{i=2}^{p}{\left| sign\left( {{g}_{i}}-{{g}_{c}} \right)-sign\left( {{g}_{i-1}}-{{g}_{c}} \right) \right|} \\ \end{align} $ | (5) |
为了进一步提高对纹理信息的描述能力,结合旋转不变模式和一致模式的优点,定义旋转不变一致模式 (RIU-LBP) 算子[18]为
$ LBP_{p, r}^{riu2}=\left\{ \begin{align} &\sum\limits_{i=1}^{p}{sign\left( {{g}_{i}}-{{g}_{c}} \right)\ \ \ U\left( LB{{P}_{p, r}} \right)\le 2} \\ &p+1\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ 其他 \\ \end{align} \right. $ | (6) |
但是该算子对噪声极其敏感,当邻域像素因噪声而略微变化时可能会导致RIU-LBP算子值发生巨大变化。因此,为了有效降低噪声敏感性,对于中心像素点,当邻域像素与中心像素的绝对差值在一定范围内,即被认为属于同质像素,超过该范围,被认为是非同质像素。
该方法虽然能降低噪声敏感性,但是适用于度量具有加性噪声的数据,不适用于SAR数据。通常在单极化SAR中,相干斑噪声用乘性噪声模型来描述,即
$ y=xv $ | (7) |
式中,
从噪声模型易知
$ \begin{align} &\text{Var}\left( y \right)=E\left[{{\left( y-E\left[y \right] \right)}^{2}} \right]= \\ &\left( \text{Var}\left( x \right)+E{{\left[x \right]}^{2}} \right)\sigma _{v}^{2}+\text{Var}\left( x \right) \\ \end{align} $ | (8) |
在同质区域中,
$ {{\sigma }_{y}}=E\left[x \right]{{\sigma }_{v}}=E\left[y \right]{{\sigma }_{v}} $ | (9) |
式 (9) 表明,当SAR图像中的噪声水平一定时,
$ GLBP=\left\{ \begin{align} &\sum\limits_{i=1}^{p}{sign\left( \frac{\left| {{g}_{i}}-{{g}_{c}} \right|}{{{g}_{i}}+{{g}_{c}}}-\lambda \cdot \left( {{g}_{i}}+{{g}_{c}} \right) \right)\ \ } \\ &\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ U\left( GLB{{P}_{p, r}} \right)\le 2 \\ &p+1\ \\ &\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ 其他 \\ \end{align} \right. $ | (10) |
$ \begin{align} &U\left( GLB{{P}_{p, r}} \right)=\left| sign\left( \left| {{g}_{p}}-{{g}_{c}} \right|-\lambda \cdot \left( {{g}_{i}}+{{g}_{c}} \right) \right)-\right. \\ &\ \ \ \ \ \ \ \ \ \left. sign\left( \left| {{g}_{1}}-{{g}_{c}} \right|-\lambda \cdot \left( {{g}_{i}}+{{g}_{c}} \right) \right) \right|+ \\ &\ \ \ \ \ \ \ \ \ \sum\limits_{i=2}^{p}{\left| sign\left( \left| {{g}_{i}}-{{g}_{c}} \right|-\lambda \cdot \left( {{g}_{i}}+{{g}_{c}} \right) \right)-\right.} \\ &\ \ \ \ \ \ \ \ \ \ \ \left. sign\left( \left| {{g}_{i-1}}-{{g}_{c}} \right|-\lambda \cdot \left( {{g}_{i}}+{{g}_{c}} \right) \right) \right| \\ \end{align} $ | (11) |
对于图像分割,错误的分割包含3种情况:过分割,分割区域是实际区域的一部分;欠分割,分割区域包含几个实际区域;混杂分割,包含前两种分割错误。其中第3种情况最常见。相比于理想分割图,SRM分割后的结果图中发生欠分割的概率较髙。超像素分割倾向于过分割,即釆用更严格的合并准则,使超像素单元内的像素均属于同一类别。因此本文将
对于区域
$ {{J}_{\text{GLBP}}}\left( R, R' \right)=\sum\limits_{i=0}^{9}{\left| {{f}_{R}}\left( i \right)-{{f}_{R'}}\left( i \right) \right|} $ | (12) |
式中,
则
$ {{P}_{\text{GLBP}}}\left( R, R' \right)=\left\{ \begin{align} &\text{true}\ \ {{J}_{\text{GLBP}}}\left( R, R' \right)\le T \\ &\text{false}\ \ 其他\ \\ \end{align} \right. $ | (13) |
式中,
由Lang[14]改进得到的
$ {{P}_{\text{GSRM}}}\left( R, R' \right)=\left\{ \begin{align} &\text{true}\ \ {{\left\| \overline{R'}-\overline{R} \right\|}_{1}}\le {{b}_{G}}\left( R, R' \right) \\ &\text{false}\ \ 其他\ \\ \end{align} \right. $ | (14) |
式中,
将
$ {{P}_{\text{GLBP }\!\!\_\!\!\text{ GSRM}}}\left( R, R' \right)=\left\{ \begin{align} &{{P}_{\text{GSRM}}}\left( R, R' \right)\cdot {{P}_{\text{GLBP}}}\left( R, R' \right) \\ &\ \ \ \ \ \ \ \ \ \left| R \right|\ge n且\left| R' \right|\ge n \\ &{{P}_{\text{GSRM}}}\left( R, R' \right) \\ &\ \ \ \ \ \ \ \ \ 其他\ \\ \end{align} \right. $ | (15) |
式中,只有区域才有纹理信息,
2.3 NSCT轮廓特征
对于超像素单元,为了克服SAR数据特征单一的限制,使用NSCT得到轮廓信息,丰富数据特征。NSCT是基于Contourlet变换的一种多尺度多方向变换,其完全平移不变性弥补了下采样Contourlet变换的不足[19]。NSCT变换通过非下采样的金字塔尺度分解和基于非下采样方向性滤波器组的方向分解来实现。通过金字塔对输入图像进行塔型分解得到高频和低频部分,去除上采样和下采样,从而减少采样在滤波器中的失真,获得平移不变性,然后由方向滤波器分解高频子带为多个方向获得方向性信息。利用双通道的滤波器,将分布在同方向的奇异点合成NSCT的系数,低频部分继续分解。分解得到的子带图像代表轮廓特征。
2.4 $\text{FCS}$ 聚类
针对提取了轮廓特征的超像素单元,利用Wu提出的
$ \begin{align} &{{J}_{\text{FCS}}}=\sum\limits_{i=1}^{c}{\sum\limits_{j=1}^{N}{u_{ij}^{m}{{\left\| {{x}_{j}}-{{v}_{i}} \right\|}^{2}}-}} \\ &\ \ \ \ \ \ \ \ \sum\limits_{i=1}^{c}{\sum\limits_{j=1}^{N}{{{\eta }_{i}}u_{ij}^{m}{{\left\| {{v}_{i}}-\bar{x} \right\|}^{2}}}} \\ \end{align} $ | (16) |
式中,
3 实验结果与分析
实验选择辽宁省长海县邻近海域作为测试区域,选用了C波段的Radarsat-2 SAR图像和X波段的TerraSAR图像,极化方式均为HH。为了比较同幅图像不同区域和不同图像同一区域的浮筏养殖信息提取结果,在Radarsat-2 SAR图像中选择两个不同的区域进行测试,在TerraSAR图像中选择和Radarsat-2 SAR图像其中一个区域位置一致的区域进行测试。
为了验证本文方法的有效性,与3种经典无监督方法进行比较,分别是K-means[21]、FCM[22]、
浮筏养殖信息提取精度的评估标准采用总体分类精度 (
$ OA=\frac{\sum\limits_{i=1}^{c}{{{M}_{ii}}}}{N} $ | (17) |
Kappa系数反映了样本的识别结果与真实标记类型相一致的概率,计算公式为
$ \kappa =\frac{N\left( \sum\limits_{i=1}^{c}{{{M}_{ii}}} \right)-\sum\limits_{i=1}^{c}{\left( \sum\limits_{j=1}^{c}{{{M}_{ij}}}\sum\limits_{j=1}^{c}{{{M}_{ji}}} \right)}}{{{N}^{2}}-\sum\limits_{i=1}^{c}{\left( \sum\limits_{i=1}^{c}{{{M}_{ij}}\sum\limits_{i=1}^{c}{{{M}_{ji}}}} \right)}} $ | (18) |
式中,
3.1 C波段Radarsat-2 SAR数据仿真
图 2(a)是Radarsat-2系统C波段SAR原始图像,分辨率为5 m,图 2(b)是现场勘查的实景图。从原图中选取两块不同的区域来验证本文方法的效果,选取的图像如图 2(c)(d) 所示,图 2(c)的图像大小为800×800像素,对应图 2(a)的位置如大方框所示,中心坐标为北纬39°16′30″,东经122°32′24″,该区域水产养殖类型为扇贝。图 2(d)的图像大小为300×300像素,对应图 2(a)的位置如小方框所示,中心坐标为北纬39°17′14″,东经122°39′18″,该区域水产养殖类型为扇贝。图 2(e)(f) 是根据实地现场调查结果绘制的对应于图 2(c)(d) 的真值图。
3.1.1 实验区域1
测试图像如图 2(c)所示,先进行参数分析,确定各参数的影响,再利用本文方法提取浮筏养殖信息,并与7种对比方法进行比较分析。
3.1.1.1 参数分析
3.1.1.2 分类结果
实验中,
表 1
Radarsat-2 SAR数据区域1的8种方法分类结果
Table 1
Classification results of eight methods based on region 1 of Radarsat-2 SAR data
由实验结果可知,C波段的Radarsat-2 SAR图像中,浮筏养殖区域较清晰,和复杂海水背景区别较为明显。本文算法具有最高的精度和Kappa系数,明显高于其他7种方法。整体聚类结果中,本文方法明显优于经典的无监督聚类方法K-means、FCM和
为了分析本文方法中每个部分的贡献程度,将
3.1.2 实验区域2
测试图像如图 2(d)所示,利用本文方法提取浮筏养殖信息,并和7种对比方法比较分析。由于海洋不同区域的后向散射特性存在差异,为了验证本文算法对不同区域的有效性和适用性,与实验区域1的分类结果进行比较分析。
实验中,
表 2
Radarsat-2 SAR数据区域2的8种方法分类结果
Table 2
Classification results of eight methods based on region 2 of Radarsat-2 SAR data
由实验结果可知,该区域的浮筏养殖信息较模糊,受相干斑噪声影响明显。本文算法具有最高的精度和Kappa系数,明显高于其他7种方法。经典无监督聚类算法K-means和FCM的聚类效果较差,无法有效分辨海水和浮筏信息,精度分别为66.25 %和68.14 %。
使用超像素分割能有效抑制相干斑噪声,大幅度提高分类精度,SRM和RHLBP_SRM的超像素分割方法能将分类精度分别提高至78.47 %和81.09 %,但图像中仍存在较多孤立的噪点,且浮筏养殖区域不完整。
该分析结论和3.1.1.2节的分析结论一致。虽然不同海洋区域的后向散射特性不同,两个区域的实验图像受相干斑噪声影响程度不同,但本文方法均能精确有效地提取浮筏养殖信息。
3.2 X波段TerraSAR数据仿真
图 7(a)是TerraSAR系统X波段的SAR原始图像,分辨率为1.5 m,从原图中选取如图 2(a)中小方框的区域来验证本文方法的有效性。选取的图像如图 7(b)所示,图像大小为1 000×1 000像素,在图 7(a)的位置如小方框所示,中心坐标为北纬39°17′14″,东经122°39′18″,该区域水产主要养殖类型为扇贝。图 7(c)是根据实地现场调查结果绘制的真值图。
实验中,
表 3
Radarsat-2 SAR数据区域2的8种方法分类结果
Table 3
Classification results of eight methods based on region 2 of Radarsat-2 SAR data
由实验结果可知,X波段的TerraSAR数据的原图中浮筏养殖区域不清晰,包含大量噪声,与复杂的海水背景区别较小。仅使用经典无监督聚类算法K-means、FCM和
使用超像素分割能抑制相干斑噪声,大幅度提高分类精度,SRM和RHLBP_SRM的超像素分割方法能将分类精度分别提高至78.05 %和80.52 %,但图像中仍存在较多孤立的噪点,且浮筏养殖区域不完整。
该分析结论与3.1.2节的分析结论一致。图 2(d)和图 7(b)选择了同一区域,虽然图像拍摄时间相隔数月,浮筏养殖也有一定的变化,但该区域的后向散射特性较为相似,均受相干斑噪声影响严重,通过实验结果分析可知,本文方法针对不同波段不同分辨率的SAR图像中的同一区域均能精确地提取浮筏养殖信息。
4 结论
海洋遥感SAR图像能显示浮筏养殖范围,但图像中浮筏养殖信息受相干斑噪声污染严重,边缘模糊,有效提取浮筏养殖信息利于海域使用动态监测。为了抑制乘性相干斑噪声的影响,提出了
参考文献
-
[1] Chu J L, Zhao D Z, Zhang F S, et al. Monitor method of rafts cultivation by remote sense-a case of Changhai[J]. Marine Environmental Science, 2008, 27(S2): 35–40. [初佳兰, 赵冬至, 张丰收, 等. 基于卫星遥感的浮筏养殖监测技术初探--以长海县为例[J]. 海洋环境科学, 2008, 27(S2): 35–40. ] [DOI:10.3969/j.issn.1007-6336.2008.z2.007]
-
[2] Fan J C, Chu J L, Geng J, et al. Floating raft aquaculture information automatic extraction based on high resolution SAR images[C]//2015 IEEE International Geoscience and Remote Sensing Symposium. Milan, Italy:IEEE, 2015:3898-3901.[DOI:10.1109/IGARSS.2015.7326676]
-
[3] Geng J, Fan J C, Chu J L, et al. Research on marine floating raft aquaculture SAR image target recognition based on deep collaborative sparse coding network[J]. Acta Automatica Sinica, 2016, 42(4): 593–604. [耿杰, 范剑超, 初佳兰, 等. 基于深度协同稀疏编码网络的海洋浮筏SAR图像目标识别[J]. 自动化学报, 2016, 42(4): 593–604. ] [DOI:10.16383/j.aas.2016.c150425]
-
[4] Zhang H, Ye X, Wang C, et al. The processing and applications of high resolution SAR images with object-based image analysis[J]. Journal of Image and Graphics, 2014, 19(3): 344–357. [张红, 叶曦, 王超, 等. 面向对象的高分辨率SAR图像处理及应用[J]. 中国图象图形学报, 2014, 19(3): 344–357. ] [DOI:10.11834/jig.20140302]
-
[5] Wang X J, Li Y, Zhao Q H, et al. Intrinsic mixture model-based measurement of sea ice density from a multi-look SAR image[J]. Journal of Image and Graphics, 2014, 19(12): 1836–1842. [汪霄箭, 李玉, 赵泉华, 等. 混合本征模型的多视SAR影像海冰密度检测[J]. 中国图象图形学报, 2014, 19(12): 1836–1842. ] [DOI:10.11834/jig.20141216]
-
[6] Song X Y, Zhou L L, Li Z G, et al. Review on superpixel methods in image segmentation[J]. Journal of Image and Graphics, 2015, 20(5): 599–608. [宋熙煜, 周利莉, 李中国, 等. 图像分割中的超像素方法研究综述[J]. 中国图象图形学报, 2015, 20(5): 599–608. ] [DOI:10.11834/jig.20150502]
-
[7] Shi J B, Malik J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(8): 888–905. [DOI:10.1109/34.868688]
-
[8] Levinshtein A, Stere A, Kutulakos K N, et al. Turbopixels:fast superpixels using geometric flows[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(12): 2290–2297. [DOI:10.1109/TPAMI.2009.96]
-
[9] Achanta R, Shaji A, Smith K, et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11): 2274–2282. [DOI:10.1109/TPAMI.2012.120]
-
[10] Nock R, Nielsen F. Statistical region merging[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004, 26(11): 1452–1458. [DOI:10.1109/TPAMI.2004.110]
-
[11] Huang Z J, Li X, Xu F J. An adaptive scale segmentation for remote sensing image based-on visual complexity[J]. Journal of Electronics & Information Technology, 2013, 35(8): 1786–1792. [黄志坚, 黎湘, 徐帆江. 基于视觉复杂度的自适应尺度遥感影像分割[J]. 电子与信息学报, 2013, 35(8): 1786–1792. ] [DOI:10.3724/SP.J.1146.2013.00191]
-
[12] Li H T, Gu H Y, Han Y S, et al. Object-oriented classification of polarimetric SAR imagery based on Statistical Region Merging and Support Vector Machine[C]//Proceedings of International Workshop on Earth Observation and Remote Sensing Applications. Beijing, China:IEEE, 2008:1-6.[DOI:10.1109/EORSA.2008.4620315]
-
[13] Li H T, Gu H Y, Han Y S, et al. An efficient multiscale SRMMHR (Statistical Region Merging and Minimum Heterogeneity Rule) segmentation method for high-resolution remote sensing imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2009, 2(2): 67–73. [DOI:10.1109/JSTARS.2009.2022047]
-
[14] Lang F K, Yang J, Li D R, et al. Polarimetric SAR image segmentation using statistical region merging[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(2): 509–513. [DOI:10.1109/LGRS.2013.2271040]
-
[15] Zhang H, Ni W P, Yan W D, et al. SAR image change detection using modified statistical region merging[C]//Proceedings of the 4th International Conference on Computer Science and Network Technology. Harbin, China:IEEE, 2015:1335-1339.[DOI:10.1109/ICCSNT.2015.7490976]
-
[16] Ji Y Q, Cheng J, Liu H J, et al. An segmentation-based PolSAR image classification method via texture features and color features[C]//Proceedings of 2015 IEEE Radar Conference. Arlington, USA:IEEE, 2015:83-88.[DOI:10.1109/RADAR.2015.7130975]
-
[17] Ojala T, Pietikäinen M, Harwood D. A comparative study of texture measures with classification based on feature distributions[J]. Pattern Recognition, 1996, 29(1): 51–59. [DOI:10.1016/0031-3203(95)00067-4]
-
[18] Ojala T, Pietikäinen M, Mäenpää T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(7): 971–987. [DOI:10.1109/TPAMI.2002.1017623]
-
[19] Cunha A L D, Zhou J, Do M N. The nonsubsampled contourlet transform:theory, design, and applications[J]. IEEE Transactions on Image Processing, 2006, 15(10): 3089–3101. [DOI:10.1109/TIP.2006.877507]
-
[20] Wu K L, Yu J, Yang M S. A novel fuzzy clustering algorithm based on a fuzzy scatter matrix with optimality tests[J]. Pattern Recognition Letters, 2005, 26(5): 639–652. [DOI:10.1016/j.patrec.2004.09.016]
-
[21] Chinrungrueng C, Sequin C H. Optimal adaptive k-means algorithm with dynamic adjustment of learning rate[J]. IEEE Transactions on Neural Networks, 1995, 6(1): 157–169. [DOI:10.1109/72.363440]
-
[22] Dunn J C. A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters[J]. Journal of Cybernetics, 1974, 3(3): 32–57. [DOI:10.1080/01969727308546046]