基于超像素与分水岭的遥感图像深度学习分割方法及系统.pdf
萌运****魔王
亲,该文档总共12页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于超像素与分水岭的遥感图像深度学习分割方法及系统.pdf
本发明公开了一种基于超像素与分水岭的遥感图像深度学习分割方法及系统,通过利用超像素分割算法对遥感图像进行超像素分割,输出超像素分割结果图;利用语义分割类卷积神经网络对遥感图像进行地物分割,输出地物分割结果图;将每个超像素块的几何中心定义为种子点的位置,结合输出的超像素分割图和地物分割结果图,逐个统计计算超像素块内不同地物类别标签的占比数量,取占比最大的地物类别标签作为该超像素块种子点类别;将定义的种子点作为输入参数,利用分水岭算法对遥感图像进行地物分割,输出相同尺寸的地物分割效果图。本发明有效提高遥感图像
基于超像素标注的遥感图像的分割与识别方法.pdf
本发明提供的是一种基于超像素标注的遥感图像的分割与识别方法。利用超像素分割算法对遥感图像进行过分割,获得超像素分割结果,对超像素块进行类别标注,获得学习样本。然后提取超像素样本的视觉特征,以其标注结果为教师信号用分类器对这些学习样本进行训练,并保存训练好的分类器信息。对待分析的遥感图像进行过分割获得超像素结果,对每个超像素提取视觉特征后送入分类器进行分类,在每个超像素块都获得了类别标记后,合并相同类别标记的超像素块,即待分析图像的所有区域都得到了类别信息。本发明避免了直接对遥感图像进行分割,极大程度上的保
基于深度学习的遥感图像的分割方法.pdf
本发明属于图像处理技术领域,具体为基于深度学习的遥感图像的分割方法。本发明方法包括:选取包含若干种地物类别的遥感图像,制作图像分割标签;将大图像裁剪成若干较小的遥感图像,统计每张较小图像中各种类别比例,定义选取规则,保留部分图像,并将其定义为特定类别;利用迁移学习调取大型公开数据集的训练参数,用卷积神经网络训练制作好的分类数据集,训练得到模型参数;对测试图像的所有像素点周围选取多种测试窗口,基于多尺度对像素点进行类别分类;最后去除独立的类别噪声点,将测试结果优化。本发明实用性强,可以将大规模遥感图像快速生
基于深度学习和超像素分割的复材超声图像缺陷检测方法.pdf
本发明公开了基于深度学习和超像素分割的复材超声图像缺陷检测方法,包括以下步骤:步骤1、对复材超声检测图像进行扩增形成训练样本集,基于训练样本集通过YOLOv3神经网络对复材缺陷进行特征检出与提取,得到缺陷目标检测包围框;步骤2、采用超像素分割方法对复材超声检测图像进行像素级分割,得到若干超像素分割子区域;步骤3、将包含缺陷的超像素分割子区域位于缺陷目标检测包围框外部的部分舍弃,将包含缺陷的超像素分割子区域位于缺陷目标检测包围框内部的部分保留并合并作为最终缺陷区域;步骤4、拟合最终缺陷区域的最小外接矩形作为
一种基于深度学习的超像素分割方法.pdf
本发明公开了一种基于深度学习的超像素分割方法,具体包括针对编码器部分的网络过参数化、网络剪枝和解码器部分的TPT(Top‑down‑top)解码结构,本发明基于深度学习并具备端到端学习能力,具备与其他视觉任务更充分的融合能力,进而可以促进其它视觉任务的快速发展。该发明的方法步骤大体分为三个阶段:网络搜索策略中的网络过参数化阶段;网络搜索策略中的网络剪枝阶段;网络解码能力强化并重新训练阶段。本发明在编码器特征提取过程中的边界捕捉能力和解码器超像素分割过程中的结构保留能力均有提升,能有效减少错分割现象的出现,