基于贝叶斯框架边缘之前多层分割网络

文摘

近年来,基于神经网络的方法实现了图像分割的优秀性能。然而,分割边缘区域处理复杂边界时仍不满意。本文提出了一种语义分割架构基于贝叶斯框架之前边缘。整个框架由三个网络结构,可能网络和优势之前网络在前面,后面跟着一个约束网络。可能网络产生一个粗略的分割结果,优化后的前边缘信息,包括地图边缘和边缘的距离。约束网络,修改域变换方法,提出了扩散的方向是通过新定义的修订的距离地图和一些约束条件。实验对该方法和几种对比方法表明,我们提出的方法具有良好的性能和表现FCN而言,平均精度为0.0209 ESAR数据集。

1。介绍

1.1。背景

语义分割的图像在计算机视觉是一个非常重要的任务,其目的是对图像中每个像素进行分类,可以应用于自动驾驶仪、三维重建等领域。合成孔径雷达(SAR)图像语义分割广泛应用于军用和民用信息应用程序因为SAR可以获得的图像在任何时候独立日夜的天气条件。传统的分割方法主要可以分为三个步骤:super-pixel块分割,特征提取,分类器的选择。方法像Meanshift1和分水岭2是典型的提取super-pixel街区。分类的支持向量机(3],朴素贝叶斯[4),和最大似然法(5)是常用的算法。后来,马尔可夫随机场(MRF) [6)和条件随机场(CRF)也引入了考虑周围像素的信息。

然而,由于特殊的SAR图像的成像机理,如偏振特性表达式(7),乘法非高斯噪声的建模,简单地将传统的光学图像策略应用于SAR图像不再合适了。许多提出了SAR图像分割方法。刘等人。8)提出了一种SAR图像分割与反应扩散水平集活动轮廓模型的演化方程。Zhang et al。9)开发了一种semisupervised SAR图像分割方法基于层次CRF模型。刘等人。10)提出一种新的SAR图像分割方法通过分层视觉语义和自适应社区多项潜在的模型。

同时,极化SAR图像的颜色信息也开始引起研究者的关注。通过泡利等方法分解(11]基于散射矩阵,伪可以提取SAR图像颜色和纹理特征,许多主要用于光学图像分割方法可以利用。陈等人。12]提出了multifeature分割基于分形网络进化的高分辨率SAR偏振图像的方法。朗et al。13)发展了广义意味着改变偏振SAR图像分割算法。近年来,自卷积神经网络(CNN)取得了令人瞩目的表现图像分类,各种网络适用于语义分割,如完全卷积网络(FCN) [14],DeepLab [15](深卷积网,深黑色的卷积,充分连接控),和CRF复发性神经网络(CRFasRNN) [16),提出了基于VGG-Net。

CNN自动学习的多层次特征由于其多层结构;它可以判断什么样的对象是包含在一个图像,取得了令人瞩目的表现图像分类,但是损失的准确分割是困难的,因为对象的边缘细节。FCN修改CNN获得每个像素的分类结果和实现语义分割。一般来说,CRF通常作为后处理方法FCN [17,18)改善分割结果和DeepLab是一个典型的例子。DeepLab执行语义分割与深黑色的卷积,卷积网,并完全连接控。深黑色的卷积用于实现将采样,和完全连接CRF克服负面影响定位精度造成的不变性的成就。为了更好的边缘校正,陈等人。19)取代了完全连接CRF与域变换(DT) [20.)提高效率。虽然DT是传统上用于常见图像处理,它仍然显示了良好的效果在粗分割结果进行筛选,使对象边缘精确的集成。

具有复杂边界在SAR图像分割物体边缘附近通常有高错误率。考虑传统分类器应用于图像分类的局限性,FCN-8, FCN网络,最好的选择是提高初始分类的准确性。FCN负责回旋的特征提取,直接在每个单像素的RGB向量。然而,广泛的接受域在传统FCN卷积内核和减少维度在池层模糊单个像素的输出,分割精度受到限制。因此,DT和完全连接CRF (21]介绍,与周围像素的影响考虑在内。传统的边缘特征提取方法包括精明的(22),LSD (23),和指数加权平均的比例(ROEWA)边缘提取24]。在这些年中,许多新的边缘检测方法。Zhang et al。25)提出了一种新的边缘检测器使用结构化的随机森林分类器,它可以充分利用从Kinect RGB-D图像信息。Tabb和Ahuja26)描述了在多尺度图像分割算法基于边缘和区域检测。Mandal等(27提出了一种新颖的方案)在光声图像分割图像边界。Marmanis et al。28)提出了一个boundary-aware语义分割算法;该算法中显式地表示和提取边界地区之间不同的语义类。类边界提高深层语义分割卷积神经网络。

DT可以被看作是一个递归神经网络(RNN) [19]。内部DT结合边缘信息和分数地图申请内部边缘修正。修改后的DT模型相结合,利用外部边缘修正边缘距离地图和粗分割结果。与此同时,整体嵌套边缘检测(HED)网络(29日之前)是用来提供边缘信息来提高分割的准确性。

该方法的贡献如下:(我)贝叶斯框架的基础上,本研究提出了一种并行的网络体系结构,它是由两个平行的网络称为可能性网络(FCN8)和边缘网络(HED)之前,分别约束网络背后(DT)执导(2)实现精确的边缘检测、边缘地图获得HED利用,作为先验信息,提高边缘模糊edge-pixel类别(3)考虑到边缘分布在传统DT并非完全信任和一些边缘可能会丢失,导演域变换(DDT)提出了图像分类与复杂的边缘。在这种方法中,一个边缘距离映射定义限制扩散方向,以避免错误标签传播。此外,采用梯度下降法来确定参数,不同颜色和类的向量概率对相邻像素被认为是处理错误分类

本文的其余部分组织如下:部分2介绍了每个步骤所涉及的算法,包括HED,完全连接CRF,内部融合,和修改DT,部分3该方法显示了我们的整个框架。节4、测试方法及其性能比较与其他语义分割方法。最后,本文的结论部分5。

2。框架

我们建议的方法的框架如图1;之前的上部结构的边缘信息,包括边缘HED获得的地图和相应的边缘距离地图。的下部结构,内部DT过滤器的FCN8分割结果的融合前边缘信息;获得FCN8 + DT CRF模型输入完全连接。最后,针对DT结合粗分割结果,映射到地图边缘,边缘距离获得好的分割结果。

我们建议的方法的具体过程主要包括两个阶段,培训和测试。这两个阶段是在下面描述。

培训:(1)基于VGG-Net、培训FCN8 ESAR数据。(2)添加CRF的后处理FCN8 CRF的训练参数。(3)从内部FCN8网络和HED提取边缘地图。(4)生成融合边缘map-internal边缘融合。(5)调整后整个模型添加滴滴涕。

测试:(1)测试图像输入FCN8获得分数地图,具有与原始图像相同的大小。同时,HED获取相应的基准边的地图。(2)融合内部边缘地图从FCN8 HED边缘地图。(3)输入融合边缘映射到DT和CRF完全连接。(4)使用DDT过滤的原始输出,引导地图边缘的距离。

3所示。方法

3.1。HED

HED是一个端到端的边缘检测算法完全基于卷积神经网络和深入监管网,指文章(29日,30.]。依靠卷积的重量更新内核,HED自动学习丰富的层次特性和确定对象的特性非常重要,解决抽象边缘。HED如图的网络体系结构25 side-output层HED卷积后插入层,分别在每个side-output和深监督层,这样的结果是边缘检测。最后,HED的输出是通过加权融合层从多尺度输出。从图可以看出2基于VGG-Net, HED包含两个改进。首先,HED连接side-output层最后卷积层在每一个阶段,分别conv1_2, conv2_2, conv3_3 conv4_3, conv5_3,获得多个预测结果,然后融合地图的所有优势。每个卷积层的接受域的大小是一样的相应side-output层,自side-output层作为一个卷积实现层与内核和1的输出。第二,HED削减第五池层和所有的完全连接层VGG-Net获得有意义的side-output结果和降低成本。HED的主要目标是完成整体形象训练和预测,实现多级嵌套功能学习。

HED是一个可以学习的网络特性产生边缘地图接近地面真理。在培训过程中,所有的网络参数表示 。假设网络为每个side-output side-output层,层,分类器连接。相应的分类器的权重 。然后,映像级别损失函数是由这个公式定义:

对于正常的图像,边缘点的数目远小于nonedge点;只有10%的地面真理由边缘像素;因此,HED需要一个简单的策略来解决和nonedge边缘像素之间的偏差问题。使用表示原始图像,代表相应的地面实况,边缘和nonedge像素表示和 ,分别。class-balanced叉损失函数定义如下: 在哪里代表一个阶级平衡重量, 。 由乙状结肠计算函数在激活在像素的值 。

介绍了“weight-fusion”层连接所有预测结果side-output层;融合权重是通过训练过程,表示 。然后,融合层的损失函数如下:

激活的side-output层是 ,在哪里 。然后,总损失函数如下:

灰度边缘地图是通过HED,它可以利用前边缘信息。

3.2。完全连接控

概率图形模型已被证明能够有效地提高图像分类的准确性。CRF具有良好的性能在图像分类和分割;它可以提取模糊和无关紧要的进行像素级分类注释成锋利的边缘分布和细分割结果。因此,CRF可以用来解决分类误差引起的模糊FCN的输出。

假设代表点的类别标签 ,与类别, 。的变量是一个随机向量组成的 ,在哪里代表图像的像素的数量。原始图像表示为 ; 代表了一种归一化的功能。CRF可以用来描述上述关系基于吉布斯分布:

在完全连接CRF模型中,能量的分布由以下公式表示: 在哪里是一个统一的能量项代表能源标签的像素作为 。 同时标记像素的能量吗 作为 , 。统一的能量项的值是来自FCN。FCN不考虑点类分配的连续性和光滑性。成对势提供了光滑规则基于图像数据,并鼓励同一类别分配给点相同的属性。成对势建立在基于高斯核模型如下:

在这个公式中,如果 , ;否则, 。 高斯核的数量用于特征向量。代表点的特征向量如RGB颜色值或二维坐标。最小化能量函数CRF获得类的标签。

3.3。内部DT

3.3.1。内部边缘融合

内部边缘地图输出的净内部优势,利用该特性得到FCN8的中间层。内部边缘网,这些功能层FCN8得到的都是同样的空间规模堆叠。一个卷积层与 介绍了卷积核和一个输出通道预测边缘强度。RELU层添加到输出限制为0到1。自地面真理不包含参考边,边缘生成的隐式映射可能是不准确的。然而,HED预测对象通过培训各种轮廓边缘类型,而不是计算梯度边缘歧视。因此,有一个多层次特征之间的直接连接。在拟议的方法中,地图形式HED融合边缘与内部,用方程表示(8)。 在哪里内部边缘地图和吗从HED代表另一个;表示融合边缘DT的新的输入。意味着重量初始值为0.5。一般来说,计算使用梯度下降算法。的贡献 , 在反向传播如下: 在哪里损失函数;和 分别代表当前梯度和梯度更新。与固定的,通过方程(更新10)。在实际应用程序中,一层定义卷积神经网络训练参数方程所示(11)。网络由一个 卷积核单通道,eltwise层进行添加操作,和一个ReLU层。范围从零到正无穷和初始化 。

3.3.2。标准DT

在域变换(19)(DT)网络,原始信号和积极的“域变换密度”输入和过滤信号吗是输出。对于一维信号,输出计算如下:

重量密度和相关定义如下: 在哪里利用获得的边缘地图功能从中间网络层。和卷积的标准差是内核空间域和边缘地图,分别。的细节 , ,和可以在DeepLab DT (19]。

由方程(过滤从一边12)是不对称的。因此,DT过滤器从双方一维信号,从左到右和从右到左。为二维信号,DT采用一维滤波在每个维度,这是一个横向传递(从左到右和从右到左)在每一行执行,紧随其后的是一个垂直传递(自上而下和自下而上)以及每一列。

实际上,边缘地图是隐式生成的DT网络不工作的明确网络复杂的边界。此外,一些反向扩散发生在方向的滤波,传播错误类别。针对DT网络的不令人满意的效果,下面列出了相应的改进方法:(1)介绍HED明确网络边缘地图,真正反映了边缘强度的不同连接类型(2)定义一个边缘距离地图并获得积极的扩散方向,也就是说,对最近的边缘。此外,扩散系数调整颜色向量和类概率向量,来处理错误分类

3.4。针对DT

获得一个更精确的地图,一种改进的DT algorithm-DDT-is采用提出的方法,如图3。首先,边距定义映射到消除不恰当的扩散。在方向的滤波,扩散系数是由两个参数调整。对于满足扩散条件的像素,关键是在四个方向扩散,直到迭代结束。最后,一个区域填充方法是用来填补。

远处的地图,边距离是衡量每个像素的最小距离其最近的边缘,见公式(14)。 在哪里最小距离,表示所有的边界像素边缘地图, 像素的坐标吗 。

在图3(c),虚线表示实际的边缘和固体表示边缘过滤。A和B是不同的类标签。正确的扩散方向是远从像素像素附近的实际优势。

如方程所示(15),是扩散的潜力。相邻像素的不同类别,扩散条件应该比 。

因为大量颜色梯度相同的类别和不同的类小梯度可能导致错误的边缘和泄露的边缘,分别重量在方程(12)调整如下:

重量是由颜色向量和类概率向量 。两个参数和用于平衡传播力量和决心通过梯度下降法。方程(12)展开计算导数和 。 在哪里 表示是否区域有一个扩散。损失函数,当前的梯度,而表示更新后的梯度。

DDT的分割错误输出是backpropagated和 。

后的梯度和的梯度,更新吗可以进一步获得。

4所示。实验

4.1。实验数据

第一本文实验数据是ESAR l波段PolInSAR德国航空航天中心的图片,尺寸 像素。SAR图像的空间分辨率 。有五类,即建筑、森林、农田、道路、和其他人,如图4。第二个实验数据摘要l波段完全极化的形象Foulum区域在丹麦,1998年4月17日。这些数据主要包括农田、森林、居民区,更高的作物,灌木,和未开垦的土地,如图5。

这两个数据集,整个图像分为四子图象。每一次,有一子图象是测试,其余三个方向滑动到4培训。四个周期后,四个分割图像拼接作为最终结果。

4.2。实验结果

通过HED,边缘ESAR地图数据。边缘地图和边缘的距离映射如图6。

ESAR上的算法进行数据与七对比方法:(1)语义基于Meanshift分割算法和支持向量机,(2)基于Meanshift CRF, Potts FCN8 (3), (4) DeepLab, (5) FCN8 + DT +完全连接CRF, (6) FCN8 + HED + DT +完全连接CRF,(7)方法。传统方法首先使用Meanshift获得粗划分像素块和强度特性,提取纹理特征,和极化分解特性为每个块(31日];然后,传统方法直接将这些特征和支持向量机(32]或介绍社区信息与之前Potts CRF (31日]。这两个方法上面所提到的第一和第二方法的比较实验。第三个比较法是FCN8,最准确的FCN净。的DeepLab th比较实验,提出了CRF完全连接。在剩下的三个比较方法,最后一个是我们的方法,方法该方法删除的DDT,和th实验之间插入DT FCN8 CRF完全连接。如图7方法的结果7。

进一步验证了我们的方法的有效性,五个方法与神经网络从上面的七个方法应用于第二个数据集。结果如图所示8。

4.2.1。准备混淆矩阵

作为一个重要的衡量指标,平均精度不同的方法评估。因为同一个类的对象可能在泡利SAR图像有不同的颜色,因此这种颜色continuity-based方法很大程度上是有限的。如表所示1,七个算法基于深度学习表现出更好的性能。五的混淆矩阵算法对数据集2表所示2。

与传统方法相比,FCN8已经大大提高,这主要是因为FCN8适用于图像和图像分类精度高。DeepLab相当于增加一个完全连接CRF FCN8后的后处理。介绍了周围像素的分类信息作为参考,进一步提高分类精度。对于数据集1,与DeepLab相比,平均精度DeepLab DT只会增加 ,揭示出DT与内部边缘提取后处理CRF几乎相同的效果。第六方法,edge-weighted输入FCN-HED获得的边缘和内部边缘网络训练的DT,但正确的速度不是很大的提高。这些可能是由于两个原因:(1)DT有许多尚未解决的问题;(2)实际的图像类别分布复杂。对于数据集1,该方法达到了最高的性能精度,优于DeepLab DT ,这是归因于内部边缘融合、边缘信息之前,和导演DT。每个类的准确性提高,特别是对于nonbackground类别。数据集2,平均精度的方法是增加了FCN。

4.2.2。边改进

结果,包括分割图像和一些放大细节,如图所示9,分别。很明显,右上角区域贴上建筑(水蓝色的图4 (b)),对应颜色不均匀的泡利的形象。此外,道路在地面真理(粉红色)原始图像显示了两个不同的颜色(黑色,深绿色的图4(一))。因为剩下的比较方法和提出了一个基于网络,他们取得更好的性能比传统的算法。显示DDT的提高,一些细节的分割结果放大,显示在图9;分割图像通过FCN8 + DT +完全连接CRF提出了一个十分相似。从四个放大区域,很明显,结果由该方法匹配地面真理更密切。

平均精度,反映改善整体形象(边缘区和nonedge区),不足以测量边缘增强。验证该方法的贡献,所有改善像素边缘地区统计在表3和表4。边界点的数量,而小于总量的像素。因此,评估贡献的比例edge-improved边界像素点。DeepLab作为比较基础,边缘精度FCN8 + DT +完全连接CRF,该算法增加了和分别为数据集1。对于数据集2,这两个方法的边缘精度提高和 ,分别。指出滴滴涕遵循之前的信息并对边缘分割有很好的效果。

4.3。讨论

有三个原因我们提出的改进方法。(1)基于贝叶斯框架,介绍了HED之前提供边缘信息。在分割过程中,边缘地图和地图边缘距离起着重要的作用在提高分割的准确性。(2)选择FCN8改善初始分类精度取代传统分类器,完全连接CRF是用来提高分类精度的点,因为它引入了周围的像素分类的先验信息类别。nnnnn内部DT和修改DT (DDT)有助于提高分割的准确性。作为一个约束网络,DDT分析原始DT并改善它的核心问题。DDT的hole-filling方法结合了改进的扩散法和外部融合,增强了边缘分布的正确性,提高了分类精度边缘附近的点,并进一步提高了整体的精度。

5。结论

优势语义分割先验贝叶斯网络用于SAR图像提出了研究。原始的分割结果是首先来源于网络(FCN8)的可能性。之后,从HED映射网络边缘融合从中间FNC8映射层,获得更准确的边界作为先验信息。在最后阶段,新定义的边缘距离是用于消除不合适的扩散方向。此外,DDT方法,重新定义了域变换密度,提出了提高分割的性能。实验对该方法和六个比较方法进行两个数据集。实验结果表明,该方法对边缘校正有很好的作用,提高整体精度。然而,泡利SAR图像分割直接预处理。在未来的工作中,我们将关注预处理前的SAR图像分割来提高精度。

数据可用性

所使用的图像数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

楚他和施Zishan构思和设计实验。Dehui熊和Zishan史进行了实验和分析结果。楚他和Peizhang方舟子写的论文。Bokun他和以下廖修正。

确认

作者要感谢中国国家重点研究和发展计划(批准号2016 yfc0803000),中国国家自然科学基金(批准号41371342和41371342),和湖北创新集团(批准号2018 cfa006)。

引用

1. d . Comaniciu p·米尔,“意味着转变:一个健壮的方法对特征空间分析,”IEEE模式分析与机器智能,24卷,不。5,页603 - 619。视图:出版商的网站|谷歌学术搜索
2. n Amoda和r·k·Kulkarni”图像分割和检测使用分水岭变换和基于区域的图像检索,“国际新兴的趋势和技术在计算机科学杂志》上,2卷,第94 - 89页,2013年。视图:谷歌学术搜索
3. m·萨利希·m·r·Sahebi y Maghsoudi,“改善城市土地覆盖分类的准确性使用Radarsat-2 PolSAR数据,”IEEE选择杂志的主题应用地球观测和遥感,7卷,不。4、1394 - 1401年,2013页。视图:谷歌学术搜索
4. a . Saepuloh k .小池百合子,m . Omura”应用贝叶斯分类决定Pi-SAR偏振详细数据提取的一个活跃的火山地貌和结构特征,“IEEE地球科学和遥感信,9卷,不。4、554 - 558年,2012页。视图:出版商的网站|谷歌学术搜索
5. j . s . Lee m . r . Grunes, e . Pottier”分类能力的定量比较:完全偏振和双单偏振SAR,”IEEE地球科学和遥感,39卷,不。11日,第2351 - 2343页,2001年。视图:出版商的网站|谷歌学术搜索
6. x r·s·泽梅尔,他和m . a . CarreiraPerpinan“多尺度条件随机域图像标签”2004年IEEE计算机学会学报计算机视觉与模式识别会议,2004。CVPR 2004,卷2,华盛顿,美国,2004年。视图:出版商的网站|谷歌学术搜索
7. c, s . Li z廖,m .廖”纹理分类PolSAR数据基于稀疏编码的小波极化textons,”IEEE地球科学和遥感,51卷,不。8,4576 - 4590年,2013页。视图:出版商的网站|谷歌学术搜索
8. j . Liu x,孟,h . Xu和l .元,“合成孔径雷达图像分割与反应扩散水平集演化方程在一个活动轮廓模型,”遥感,10卷,不。6,906年,页2018。视图:出版商的网站|谷歌学术搜索
9. 张平,m·李、吴y和h·李,“分层条件随机域模型semisupervised SAR图像分割,“IEEE地球科学和遥感,53卷,不。9日,第4951 - 4933页,2015年。视图:出版商的网站|谷歌学术搜索
10. y . f . Liu段,李l . et al .,“SAR图像分割基于层次视觉语义和自适应邻域多项潜在的模式,”IEEE地球科学和遥感,54卷,不。7,4287 - 4301年,2016页。视图:出版商的网站|谷歌学术搜索
11. 美国Cloude”,群论和分化代数”,Optik,卷75,不。1,26-36,1986页。视图:谷歌学术搜索
12. 问:陈,李、徐,杨,x, x刘,“基于分形特征细分为高分辨率旋光SAR数据网络进化的方法,”遥感,9卷,不。6,570年,页2017。视图:出版商的网站|谷歌学术搜索
13. f·朗,j·杨,美国燕和f .秦”Superpixel偏振合成孔径雷达(SAR)图像的分割基于广义意味着转变,”遥感,10卷,不。10,1592年,页2018。视图:出版商的网站|谷歌学术搜索
14. j .长,大肠Shelhamer, t·达雷尔“完全卷积网络语义分割”《IEEE计算机视觉与模式识别会议,第3440 - 3431页,2015年。视图:谷歌学术搜索
15. l . c . Chen g .帕潘德里欧Kokkinos, k .墨菲和a . l . Yuille”Deeplab:语义图像分割与深卷积网,深黑色的卷积,并完全连接控”IEEE模式分析与机器智能,40卷,不。4、834 - 848年,2017页。视图:出版商的网站|谷歌学术搜索
16. 郑,s . Jayasumana b Romera-Paredes et al .,“条件随机域递归神经网络,”《IEEE计算机视觉国际会议,第1537 - 1529页,2015年。视图:谷歌学术搜索
17. r·郭j .刘:李et al .,“Pixelwise高分辨率遥感图像分类方法使用深层神经网络,”ISPRS国际信息杂志》上,7卷,不。3,p。110年,2018年。视图:出版商的网站|谷歌学术搜索
18. y . Liu任,j .耿m .丁和j·李,“高效patch-wise大规模的语义分割遥感图像,”传感器,18卷,不。10,3232年,页2018。视图:出版商的网站|谷歌学术搜索
19. l·c·陈,j·t·巴伦·g·帕潘德里欧,k .墨菲和a . l . Yuille”语义与特定于任务的边缘检测图像分割使用cnn和区别式域变换,”《IEEE计算机视觉与模式识别会议,第4554 - 4545页,2016年。视图:谷歌学术搜索
20. e . s . l . Gastal和m·m·奥利维拉”域变换edge-aware图像和视频处理。”ACM交易图片,30卷,不。4,p。2011。视图:出版商的网站|谷歌学术搜索
21. p . Krahenbuhl诉Koltun,“有效的推理与高斯势,完全连接控”先进的神经信息处理系统,第117 - 109页,2011年。视图:谷歌学术搜索
22. j .精明的“计算边缘检测方法,”IEEE模式分析与机器智能,没有。6,679 - 698年,1986页。视图:出版商的网站|谷歌学术搜索
23. r·g·冯·Gioi j .加剧,人类。莫雷尔,g·兰德尔,“迷幻药:一条线段探测器,”行图像处理,卷2,不。4 - 55,2012页。视图:出版商的网站|谷歌学术搜索
24. r . Fjortoft a·洛佩斯·Marthon和e . Cubero-Castan“SAR图像分割的最优multiedge探测器,“IEEE地球科学和遥感,36卷,不。3、793 - 802年,1998页。视图:出版商的网站|谷歌学术搜索
25. 刘h·张,z, y, g .徐”从RGB-D图像边缘检测基于结构化森林,”杂志上的传感器卷。2016年,10页,2016。视图:出版商的网站|谷歌学术搜索
26. m .泰伯和n . Ahuja”,综合多尺度图像分割的边缘和区域检测,”IEEE图像处理》第六卷,没有。5,642 - 655年,1997页。视图:出版商的网站|谷歌学术搜索
27. s . Mandal p . Viswanath n . Yeshaswini x l . Dean-Ben和d . Razansky“多尺度边缘检测和参数化形状建模光声图像的边界界定,”IEEE 2015年第37届国际会议在医学和生物工程协会(EMBC),页707 - 710年,米兰,意大利,2015年。视图:出版商的网站|谷歌学术搜索
28. d . Marmanis k .辛德勒j·d·韦格纳,美国加利亚尼,m . Datcu和Stilla,”分类的优势:提高语义图像分割和边界检测,”ISPRS《摄影测量与遥感卷,135年,第172 - 158页,2018年。视图:出版商的网站|谷歌学术搜索
29. 谢和z,“Holistically-nested边缘检测,”《IEEE计算机视觉国际会议,第1403 - 1395页,2015年。视图:谷歌学术搜索
30. c·p·方,他熊,w . Wang和m .廖”模式槽点登记光学和SAR图像基于网格的网格,”遥感,10卷,不。11,1837年,页2018。视图:出版商的网站|谷歌学术搜索
31. 苏x, c,他问:“邓x,和h太阳,“基于条件随机域的监督分类方法和多尺度区域连接演算模型SAR图像,”IEEE地球科学和遥感信,8卷,不。3、497 - 501年,2011页。视图:出版商的网站|谷歌学术搜索
32. y Maghsoudi、m·j·柯林斯和d . g . Leckie”Radarsat-2偏振SAR数据北方森林分类使用支持向量机和包装功能选择器,”IEEE选择杂志的主题应用地球观测和遥感》第六卷,没有。3、1531 - 1538年,2013页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020楚他et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。