计算机应用研究

作者：陈运成,郑晨,李晶莹,王雷光,

单位：1.河南大学数学与统计学院,河南开封475004；2.河南省人工智能理论及算法工程研究中心,河南开封475004；3.西南林业大学a.大数据与人工智能研究院;b.林业生态大数据国家林业局重点实验室,昆明650224；

关键词：遥感影像,语义分割,马尔可夫随机场模型,基于对象的影像分析,离散ADMM算法,

基金：国家自然科学基金资助项目(41771375,31860182)；河南省高校科技创新人才项目(22HASTIT015)；河南省青年英才托举工程项目(2020hytp013)；河南省重点研发与推广专项(科技攻关)(192102210255)；河南省青年骨干教师项目(2020GGJS030)；；

语义分割是遥感影像分析中的重要技术之一。现有方法（如基于深度卷积神经网络的方法等）虽然在语义分割中取得了显著进展，但往往需要大量训练数据。基于图模型的马尔可夫随机场模型（Markov random field model，MRF）提出了一种不依赖训练数据的无监督语义分割思路，可以有效地刻画地物空间关系，并对地物空间分布的统计规律进行建模。但现有的MRF模型方法通常建立在基于像素或对象的单一粒度基元上，难以充分利用影像信息，语义分割效果不佳。针对上述问题，引入交替方向乘子法 （alternative direction method of multiplier，ADMM）并将其离散化，提出了一种像素与对象基元协同的MRF模型无监督语义分割方法（MRF-ADMM）。首先构建像素基元和对象基元两个概率图，其中像素基元概率图用于刻画影像的细节信息，保持语义分割的边界；对象基元概率图用于描述较大范围的空间关系，以应对遥感影像地物内部的高异质性，使分割结果中地物内部具有良好的区域完整性。在模型求解过程中，针对像素和对象基元的特点，提出了一种离散化的ADMM方法，并将其用于两种基元类别标记的传递与更新，实现像素基元细节信息和对象基元区域信息的协同优化。高分二号和航拍影像等不同数据库不同类型遥感影像的语义分割实验结果表明，相较于现有的MRF模型，提出的MRF-ADMM方法能有效地协同不同粒度基元的优点，优化语义分割结果。

来源：2023年第7期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2023年第7期