● 摘要
遥感图像分割是实现遥感图像分析的一项关键技术，是提高海量遥感信息处理效率的有效途径，在遥感应用领域占有重要地位。然而由于遥感图像具有多尺度、大尺寸、大信息量、纹理特征丰富等特征，对遥感图像的分割比一般图像的分割更加困难。 论文以遥感图像为分割目标，回顾了现有图像分割方法。针对遥感图像有着丰富纹理信息这一重要特征，同时考虑到遥感图像往往不易取得训练样本，重点研究了基于马尔可夫随机场理论的无监督遥感图像分割方法，比较了几种重要的马尔可夫模型，分析了隐马尔可夫模型的原理，最后从以下两方面实现了完整的分割算法： 1.在图像的空间域上利用高斯马尔可夫模型提取纹理特征参数，对特征参数建立多元混合高斯模型，并利用Model-Fitting 方法对其进行无监督聚类，对聚类结果建立多尺度模型，以求得纹理标号的最大后验概率估计。 2.在图像的小波域上建立隐马尔可夫树（HMT）模型，将图像的纹理标号视为小波系数的隐状态，利用EM算法对隐马尔可夫模型进行训练，得到模型参数，求得小波系数隐状态的分布，再结合上下文关系，给出最后的分割结果。论文在方法一中将条件迭代模式算法和半树模型相结合，改进了现有的多尺度模型，解决了模拟退火方法分割速度慢和完整的树模型容易精度下溢的问题；在方法二中利用混合图表模型和标号统计法相结合来改进上下文关系模型，进行多尺度融合，降低了上下文关系模型的复杂度，提高了运算效率。实验表明论文给出的这两种方法都实现了高效、准确地无监督遥感图像分割。