高空间分辨率遥感图像多尺度分割算法中尺度参数的自动优化

多尺度分割方法是面向对象图像分析中分类与信息提取的基础和前提。由于尺度（scale）等参数和成功的分割之间没有明显的数学关系；因此，参数的选择严重依赖于用户的经验。用户对参数的选择是一个试错的过程，而试错过程是一个迭代和非常耗时的过程。国际上著名的面向对象图像分析软件eCognition中，也没有解决这个问题。本课题就是针对多尺度分割算法中尺度和形状等参数选择这个难题，研究尺度参数、形状参数与图像对象内部同质性度量的指标特征、图像相邻对象之间相似性度量的指标特征之间的关系。研究将采用模糊推理系统，基于反演问题的思想，将试错过程从用户转到计算机执行，从分割结果的差分评价自动地反演出最佳尺度等参数，使参数的选择不依赖于用户的经验，提高分割的精度和效率。本课题的研究对高分辨率遥感图像的自动分割、分类、目标识别与跟踪、信息提取和基于内容的图象检索具有十分重要的理论意义和工程意义。

在国际上著名的面向对象图像分析软件eCognition中，多尺度分割算法的尺度（scale）、形状(shape)、紧致度(compactness)等参数的选择严重依赖于用户的经验。用户对参数的选择是一个试错的过程，而试错过程是一个迭代和非常耗时的过程。本课题针对多尺度分割算法中尺度和形状等参数选择这个难题，采用模糊推理系统，基于反演问题的思想，将试错过程从用户转到计算机执行，从分割结果的差分评价自动地反演出最佳尺度等参数，使参数的选择不依赖于用户的经验，提高了分割的效率和精度。