图像分割是基于地理对象的图像分析（GEOBIA）中至关重要的基础步骤。许多多尺度分割算法已广泛用于高分辨率（HR）遥感图像中。这些分割算法需要一个预设参数（称为scale参数）来控制每个对象的平均大小。但是，由于空间变化，单一尺度参数很难描述具有不同土地覆被的区域的边界。为了克服这一局限性，本研究提出了一种用于多尺度分割的自适应参数优化方法。图1 提出的优化方法流程图。 s表示用于计算局部光谱异质性的对象，xi表示相邻的对象。 在当前比例下，p和q合并为对象s。
图2 多尺度分割结果生成的图示。 t代表初始比例参数，l代表递增的比例间隔。
图3 在场景A上进行分割的结果。（a）E-global（等级350），（b）F-global（等级330），（c）Johnson＆Xie的方法和（d）提出的优化方法。
图4 在场景B上进行细分的结果。（a）E-global（等级270），（b）F-global（等级130），（c）Johnson＆Xie的方法，以及（d）提出的优化方法。
图5 在场景C上进行分割的结果。（a）E-global（等级30），（b）F-global（等级50），（c）Johnson＆Xie的方法和（d）提出的优化方法。
图6 在场景D上进行分割的结果。（a）E-global（等级40），（b）F-global（等级90），（c）Johnson＆Xie的方法和（d）提出的优化方法。
为了找到物体的最佳比例，通过计算物体间和物体内的光谱角来应用局部光谱异质性度量。与选择全局最优尺度参数不同，本研究旨在直接从所有不同尺度的结果中搜索最优对象，并将其组合为最终的分割结果。在实验中，多分辨率分割用于生成不同比例的分割结果，而QuickBird-2图像用作测试数据。在四张HR测试图像上的优化结果表明，与单尺度分割结果相比，该方法具有更好的分割效果。
全文阅读：
Shen, Y., Chen, J., Xiao, L., & Pan, D. ().Optimizing multiscale segmentation with local spectral heterogeneity measure for high resolution remote sensing images.Isprs Journal of Photogrammetry and Remote Sensing, 157, 13-25
往期精彩
一、热门资讯内容
深度学习在遥感中有多火
基于对象的土地覆盖监督分类研究综述
农业机器人研究进展评述
二、农业遥感
利用高光谱植被指数估算植被含水量：夏玉米水分胁迫处理后作物水分指标的比较
图像的分辨率是否限制了无人机在作物育种中的应用？
基于离散小波变换分析的冬小麦叶片氮浓度评价
三、农业机器人与智能装备
收获机器人自动识别成熟番茄
采集机器人基于传感器的U型转弯实现方法
农田机器人视觉测距系统
四、深度学习方法在农业领域中的应用
一种用于高粱头状花序检测和计数的弱监督深度学习框架
使用机器学习方法从3D点云自动分割大豆植物
一种基于深度学习方法的香蕉叶病害分类
五、更多内容，敬请期待
智慧农业技术资讯
为智慧农业领域服务的公共平台
长按，识别二维码，加关注
