● 摘要
遥感图像分割是遥感图像理解中的基础环节，一直是研究热点领域之一。其中交互式遥感图像分割相比于其他监督分类方法需要更少的训练样本，而相比于非监督分类方法对于问题更具有针对性，能够获得更好的精度，因此受到研究者的关注。在本文中，研究了一种基于交互式遥感图像分割框架，对于提高遥感图像分割精度，拓展分割方法思路具有重要意义。
论文将分割看作一个基于超像素的学习和区域合并的视觉过程，提出了一种交互式多类问题的遥感图像分割框架。该方法主要分为两个阶段：学习阶段与区域合并阶段。在学习阶段，高斯混合模型建立遥感图像各个地物的颜色模型，基于像素相对于各个类别的似然概率，利用马尔科夫随机场模型进行像素级别的分割；在区域合并阶段，利用学习阶段的结果计算各超像素区域的置信值，并用轮廓响应辅助置信值判别超像素区域是否标记，不被标记的区域将由迭代区域合并算法合并。
在该框架的基础上，提出了一种多特征结合的分割方法。在学习和区域合并阶段有效地结合了颜色、纹理与轮廓等多个特征，颜色模型有效区分物体各个组成部分，轮廓响应辅助颜色判别颜色区分错误的部分，最后颜色不能区分的超像素，利用纹理特征进行区域合并，从而得到最终的分割结果。区别于其他多特征结合方法，该算法有效结合各种特征的优势，互补它们的不足。
该框架是一种通用的基于学习与区域合并的图像分割框架。一方面，当学习结果较好时，仅有较少的区域需要进行区域合并，该算法趋向于基于学习的分割算法，这会大大减少区域合并的负担以及可能出现的错误。另一方面，当学习效果不好时，该算法趋向于区域合并算法，该框架有效地结合了学习与区域合并的优势。
最后，利用标准图像分割数据库以及自制遥感图像场景分割数据集，对本文提出的算法进行了评估，并与当前流行算法进行了定性与定量的对比。无论在自然场景图像、遥感图像中，对于二类问题和多类问题，本论文提出的算法都能获得与当前流行算法相媲美，甚至更加好的分割精度。