闵蕾 高昆 李维 王红 李婷 吴穹 焦建超

光学遥感图像分割技术综述

闵蕾1高昆1李维2王红1李婷3吴穹1焦建超2

（1 北京理工大学光电成像技术与系统教育部重点实验室，北京 100081）（2 北京空间机电研究所，北京 100094）（3 中国空间技术研究院总体部，北京 100094）

遥感图像分割技术旨在将包含复杂地物空间分布信息的遥感图像划分为具有特定语义标签的不同区域，在遥感影像的分析和解译环节中有着重要应用。文章参照人类视觉系统的感知和视觉信息逐层稀疏化加工的特性，从基于浅层特征的分割方法、基于中层特征的分割方法和基于深层特征的分割方法三个层面，对常见的光学遥感图像分割技术进行了分类综述，陈述了各种主要算法的基本特点，并对比了它们的优势和局限性，同时也对未来的改进和发展方向进行了展望，为遥感图像分割的研究提供了一定的参考借鉴价值。

图像分割 分类 图像特征层次 深度学习 光学遥感

0 引言

图像分割技术是按照图像内部特征，将图像划分为不同类型的均匀区域，要求区域间的分割边缘必须精确划定，且被分割物体的内部特征具有一致性或相似性，每个区域属于同一类，不同区域则归属于不同的类。光学遥感图像分割技术旨在根据实际语义信息给遥感图像进行像素级分类，将其划分为一系列具有道路、农田、村庄、工业区等地物类别标签的区域。近年来随着高分辨率对地观测技术的进步，通过遥感卫星（如LandSat、Spot和MODIS等系列）获取的海量观测图像数据进行图像分割，是开展城市规划、灾害监测、目标识别等应用研究的处理基础。然而，遥感数据量的快速增长也给光学遥感图像分割带来了诸多挑战，如空间分辨率提高带来更高的地物复杂性（更多的阴影及背景），变化剧烈的光谱信息带来的同物异谱和异物同谱现象，以及海量数据的处理和多变尺度的特征提取等[1]。

面对上述挑战和日益增长的技术需求，各种基于遥感图像的分割技术方法不断涌现，分割效率和精度也在不断提高。为了更清晰完整地罗列出遥感图像分割的发展框架，许多学者从不同分类方法着手，总结出了诸多良好的综述性成果[2-6]，为光学遥感图像分割领域提供了较权威的参考价值。虽然关于图像分割的研究文献诸多，但技术方法的分类界限一直比较模糊，分类方法繁多且侧重点不同。例如，文献[3]中主要从图像驱动、模型驱动和同质性特征度量三个方面来对光学遥感图像的分割进行分析；文献[4]则采用基于面向对象的图像分析(Object-based Image Analysis，OBIA)来研究与遥感影像相关的图像分割技术；文献[5]细分出了基于边缘、基于像素、基于数学理论、基于区域和基于元启发式学习五种针对分割技术的划分方式，且利用特定遥感数据集进行了实验验证。

受人类视觉系统(Human Vision System, HSV)感知和视觉信息逐层稀疏化加工特性的启发[7]，本文从加工的图像特征的角度来对常用的遥感图像分割技术进行分类。人眼是人类了解外部世界的主要媒介，HSV的视觉关注和视觉感知两大特性在人眼信息获取和处理中发挥了关键性作用。其中，视觉关注机制主要分为自底向上的自发性模式和自顶向下的驱动型模式，前者集中地关注图像本体的显著性内容，是视觉系统在场景图像浅层信息刺激下的一种反馈，聚焦于诸如边缘、颜色、几何形状等这类浅层图像特征；而后者自顶向下则是意识支配型的关注模式，它需要更高级的先验或上下文信息的参与，可理解为人眼在语义信息驱动下得到感兴趣目标的模式[7]，而视觉感知则包含明确外界信息输入和感知信息处理的过程，脑部接收到感知信息后驱使人体对物体进行辨认，及时采取适当的反应，如感知运动，感知颜色等。总的来说，HSV通过这两类模式都能够提取到感兴趣的目标信息，而近年来异军突起的深度神经网络提取到的深层特征却因为过于抽象化，具有稀疏性，往往不能被人眼直接理解。深层特征所携带的高级语义信息在图像识别和处理等诸多领域表现十分突出，基于深度学习的图像处理也成为新的研究热点。综上，本文从HSV可视察和不可视察两个方面考虑，将图像特征划分为三个层次，分别是聚焦于显著性信息的浅层特征、结合上下文和先验信息的中层特征和基于深度学习挖掘到的深层特征。

在分析总结相关文献的基础上，本文分别从遥感图像的浅层特征、中层特征和深层特征等三个层次上对常见的光学遥感图像分割技术进行分类，阐述和总结了方法的特点和局限性，并对未来的技术发展前景进行了展望。

1 常见的光学遥感图像分割方法

早期的综述文献常从基于像素、边缘、区域和目标识别的混合方法等几个不同的方面来划分图像分割技术种类[4]。后来，在数理统计知识支撑下的算法模型也发展起来，如基于马尔科夫随机场(Markov random field，MRF)[8]、条件随机场(Conditional Random Field，CRF)[9]以及图论和小波变换等理论的分割算法[5]。近年来，随着大数据新兴起来的人工智能热潮给图像分割领域带来新的解决思路，深度学习中基于卷积神经网络（Convolutional Neural Network，CNN）的模型，典型例子如全卷积网络(Fully Convolutional Net-works，FCN)[10]，被认为是突破了长期以来图像分割技术瓶颈的关键架构[11]。

近年来随着高分辨率遥感成像技术的进步，获取的图像纹理结构更精细，地物的几何形状也更加清晰，在视觉上与自然图像的细节差异已经越来越小[12]。因此，上述的许多算法已成功迁移到了光学遥感图像分割的应用中。研究者针对遥感图像的多光谱特征、地物复杂性、高类间相似和高类内不同性等具体难点不断改进算法，取得了较理想的分割效果。

本文根据图像内可提取到的特征层次来对光学遥感图像分割进行技术分类：基于浅层特征的分割技术常依赖于图像具有的纹理、几何形状、光谱特征、颜色等显著性的基础内容开展处理；基于中层特征的分割方法则主要聚焦于引入先验信息和上下文信息，或是一些浅层特征的混合组合来进行处理，这类特征比浅层特征更加稀疏和鲁棒；基于深层特征的分割方法多以基于深度学习网络（如卷积神经网络）为主，对深层语义信息进行挖掘，此类方法提取出来的图像高层语义特征具有较强的特征表示能力，算法的泛化性能较好，是当前技术发展的热点。

2 基于浅层特征的分割方法

鉴于早期可获取图像的简单性，经典的光学遥感图像分割多依靠图像的浅层特征（边缘、纹理、颜色、几何形状等）来进行，常见的有基于图像像素的阈值分割法、边缘检测分割法和区域分割法等。表1给出了上述三种方法的优缺点对比。

表1 基于浅层特征的分割方法的优点与局限

Tab.1 Advantages and limitations of the shallow-feature-based image segmentation methods

基于图像像素的阈值分割法原理简单且无需先验知识。阈值分割法[13-16]利用图像像素的灰度特征来计算选择阈值，合理分割出图像中的识别目标和背景，运算效率很快，针对对比明显的区域效果良好。但是它仅将图像灰度值作为依据，未利用到图像中的空间信息，在处理具有复杂地物特征的遥感图像时抗噪性差，分割效果并不理想。

图像边缘指图像中相邻区块之间像素特征发生突变的地带，这个部分像素灰度值是不连续的，且对于图像来说是较重要的信息。根据遥感图像中区域的不连续性，可以利用边缘检测分割法来创建分段的多边形实现分割。首先可以利用诸如微分算子边缘检测法、边缘跟踪法、霍夫变换法、曲线拟合法等策略搜索图像边缘不连续的像素点[5,17]，然后通过边缘连接和轮廓生成算法来关闭区域[18-19]，边缘内的区域具有相同的属性。其中，Canny算子被视作遥感图像应用里表现良好的边缘检测工具[20]。然而它在使用高斯滤波器来对图像中的噪声点进行平滑的同时，常常会将图像边缘模糊化，造成边缘细节的信息弱化和丢失。针对这个问题，文献[21]通过添加方向梯度模板来计算图像的方向梯度和方向，使遥感图像的边缘更清晰，分割更准确。针对遥感图像中的多尺度分割任务，文献[22]利用Canny检测器来检测多光谱遥感图像的边缘特征，将其与多尺度分割技术结合，边缘信息与分割尺度结合的可分离性判据较好地控制了相邻图像对象的合并过程。此外，还有学者利用霍夫变换来搜索适合局部的理想边缘，这对于形状简单的物体效果很好，但对于光学遥感图像中复杂地形特征的边缘仍然非常困难[23]。至今已经提出了许多基于边缘检测的分割算法，不过如何识别完美边缘来生成遥感图像目标仍然具有挑战性。

区域分割法则利用图像局部的空间信息，基于像素间的连通性和邻接性将子区域聚合成一个更大的区域，能有效地克服边缘检测技术对于不连续区域的分割缺陷。简单来说，就是利用通过物体内部开始向外扩展至物体的边界，区域分割法认为同一区域内的相邻像素具有相似的值。一般将区域生长以及区域分裂合并两个步骤视作区域分割法的基本操作。对于区域生长来说，种子区域的选择和相似度准则是两个关键问题，不合适的选取会导致图像出现过分割或者欠分割现象。结合图像的光谱和形状特征，区域生长在光学遥感图像分割任务上有许多应用[24-26]。其中，基于对面积增长方法和区域生长规律的研究，文献[24]中利用多个人工采集的区域道路作为生长点来分段提取道路目标。利用数学形态学的分水岭变换算法是区域生长法的典型代表，传统分水岭算法将图像视作拓扑地貌，且每点的海拔高度都是利用对应的图像像素点灰度值来表示的，其中，每个局部极小值和它延展影响到的区域统称为集水盆地，这些盆地的边界即为分水岭。基于分水岭算法的分割法可以用来提取遥感图像中的特征信息[27]，对分割目标计算速度快、边缘检测精度高，但存在严重的过分割问题。于是，学者们对此算法做了诸多改进[28-30]，如采用带有自动标注功能的分水岭算法对分辨率高的遥感图像进行分割，并采用邻近分割对象的合并代价函数来优化分割结果[28]。区域分割法的另一种操作，区域分裂合并则将图像根据制定的准则（基于灰度值、纹理，内部边缘等）进行分裂和合并，得到相似度大的同质区域和差异大的异构区域[31]。典型的如分型网络进化算法（Fractal Net Evolution Approach，FNEA）在光学遥感图像分割上就有很多研究成果[32-34]。总的来说，区域分割法的抗噪性强，且能得到紧凑形状的分割区域，对于多尺度多波段的遥感图像来说技术上容易拓展，但是种子区域的选择和同质性准则的制定仍然是个挑战，需要进一步改善。

3 基于中层特征的分割方法

传统的基于浅层特征的分割法适用于内容较为简单的遥感图像，但对于地物复杂的图像往往效果并不理想，尤其当外界条件如光照、传感器、云雾等条件对像素特征有不良影响时，分割结果更易受干扰，鲁棒性不够强。于是，研究人员开始利用数学理论和图论来引入先验信息和上下文信息，或通过混合组合多种浅层特征来得到鉴别性更好、鲁棒性更强的图像中层特征。常见的基于中层特征的分割有聚类分割法、基于马尔科夫随机场的模型分割法、混合特征组合分割法等，表2列出了这三类方法的优势及局限性。

表2 基于中层特征的分割方法的优点与局限

Tab.2 Advantages and limitations of the middle-feature-based image segmentation methods

聚类分割法则是用某种特定的特征空间点来表征图像内的像素点，并将这些特征空间点聚类。特征空间中像素点光谱测量值具有自然聚类特性，此方法本质上利用了这一性质来将代表不同特征的像素进行组合，确保像素的分割结果在同一功能类尽可能相似。聚类分割法具有较强的可扩展性，常见的基于K-means，基于模糊C-means(FCM)，基于均值漂移等技术在光学遥感图像分割任务中均有广泛的应用[35-38]。其中，基于K-means聚类算法发展起来的SLIC超像素分割法因其实现快速和较好的分割性能在遥感领域备受青睐，文献[36]中将其与阈值法OTSU结合来识别提取遥感影像中的水体目标，分割快速且提取精确度高。另一个FCM算法则是由模糊数学理论发展起来的，图像信息的复杂性和变异性导致了人眼视觉在遥感图像处理中的不确定性，对图像灰度级的模糊性区分有一定难度。模糊数学中的模糊推理与人类的认知思维相似，这对分割任务很有帮助，可以通过选择恰当的隶属度函数来判定像素点属于某一目标类的隶属度[37]。而均值漂移分割技术则比较特殊，它是基于密度来进行聚类的，一般将RGB颜色空间信息转换到LUV颜色空间来有效利用遥感图像中的像素光谱信息[39]，收敛速度较快且不用预设聚类数量。文献[38]提出了一种基于均值漂移的并行实现方法来分割大规模遥感图像，有效提高了并行计算环境下的图像分割计算效率。聚类分割法易于实现，但初始分割的聚类中心和聚类数量的确定仍面临困难，且它更关注于光谱特征，未充分考虑像素的纹理信息等其他特征，因此图像噪声对其影响较大。

接着可以通过数理统计的决策和估计理论中的最优准则来进一步明确分割的目标函数[40-41]，比如常采用最大后验概率（Maximum A Posteriori，MAP）的估计准则来进行全局最优估计：

基于MRF的图像分割算法的发展历程并不算短，在1994年就有学者将改进的MRF模型与无监督方案结合，采用了光谱信息和空间特征，来得到用于图像分割的多尺度随机场模型(MSRF)[42]。其他一些遥感图像分割应用中，基于MRF的监督或无监督算法[43-47]也很常见，文献[46]中将MRF用于融合的SAR和Landsat图像分割任务中，而文献[47]则采用基于图的多尺度分割，分别在粗尺度和细尺度上融合这些分割的特征来进行有效的遥感图像分割。基于MRF的模型分割法可以有效地表达遥感图像的空间信息，先验知识的引入可以有效提高复杂图像区域的分割效果；然而由于光学遥感图像中存在着边缘混叠和散斑噪声等问题，传统的基于MRF的遥感图像分割技术也在不断改进[41,48-50]。文献[41]提出了一种结合强度、边缘、纹理和空间信息的提取和融合的MRF遥感图像分割法，可以提高分割准确性和抗干扰性。文献[50]则基于双树复小波纹理，利用MRF模型提高了高分辨率遥感图像分割的精度。目前，MRF在光学遥感图像分割研究中依旧广泛，它可以通过先验分布的形式整合图像的纹理、空间属性、光谱特征、上下文信息等，对分割十分有利，不过计算复杂度高这一问题仍未解决。

混合特征组合分割法是研究学者为了克服基于单一浅层特征分割法的局限性而提出来的，两种或两种以上分割方法的相互补充，以克服使用单一特征来进行光学遥感图像分割的缺点。典型的如将边缘检测分割法和区域分割法相结合来得到更好的分割效果[51-54]，这样不但能准确识别遥感图像的边缘，还能够产生封闭区域。文献[54]中便结合了形态学边缘检测和区域增长的手段来进行遥感图像的水流区域分割。结合基于边缘和基于区域的方法可以使单个算法的过度分割、欠分割、种子选择等问题被其他算法解决，互补来提高分割性能。此外也有学者将基于像素的方法与区域分割法结合[55]，或是将基于数学理论的优化算法和基于浅层特征的分割法相结合[56-57]，在光学遥感图像分割任务中能取得良好的结果，但是总体上看实现起来较麻烦，复杂程度较高。

4 基于深层特征的分割方法

随着光学遥感图像分辨率的提升，图像中“异物同谱”及“同物异谱”的情况出现得愈加频繁，传统的浅层和中层特征表征可提升空间已经相当有限，图像分割面临着新的挑战。随着人工智能和深度学习的发展，研究人员发现通过深度神经网络能提取到对图像分割大有裨益的深层特征。强大的鲁棒性是深度神经网络的典型优势，提取到的深层特征具有高层语义信息，而且网络层数越深，越能提取到抽象且具有全局性的信息，特征表征能力就越强[11,58-59]。后来，基于深层特征的分割方法逐渐被迁移到光学遥感图像中，并依据遥感图像的多光谱、高地物复杂度、高类间相似和类内不同性等区别于自然图像的特点进行改进，其中突出代表为基于卷积神经网络CNN的分割模型，目前大多数基于深层特征的分割方法都是在此网络基础上延伸发展的。CNN通过对光学遥感图像进行逐层的特征学习，来训练神经网络分类器，在图像像素级上进行分类来实现图像分割[60]。一般由卷积层、池化层和全连接层构成，通过这些多层结构的组合自动学习图像特征并将其映射到新的特征空间来进行表示。作为典型的数据驱动型网络，CNN需要大量的训练数据来得到一个良好的分割模型，接着利用此模型进行测试图像的分割任务，以下列出了几种常见的基于CNN的光学遥感图像分割模型。

2015年，以Long[10]为代表设计的全卷积网络FCN语义分割模型对图像分割来说具有划时代意义，实现了像素级的图像语义分割，它将CNN结构内用于分类映射的全连接层替换成卷积层，通过反卷积操作对获得的特征热图进行上采样到原始输入图像大小，同时结合中间池化层信息来生成图像预测分割图，图1是FCN的结构图，图中数字表示不同特征图的通道数。在利用FCN进行光学遥感图像分割时，池化层的引入会导致一部分图像边缘细节的丢失，且模型所提取到特征的类内相似性与类间差异性仍然不是很高，为了解决这些问题，大量基于FCN的改进方法不断涌现。例如，根据遥感图像的特征，文献[61]中通过增加海拔信息来得到更精细的遥感图像信息，而文献[62]则融合了蓝板房屋和裸土的光谱识别指数，将遥感图像的索引模糊化，提高了分割准确率和召回率。此外，利用可获取全局上下文信息的条件随机场CRF作为优化手段也是常见的改进方法，先利用FCN实现粗分割，再用CRF依据目标的多尺度信息来细化分割结果[63-65]。

图1 全卷积网络结构

基于FCN先降采样再上采样的结构，Badrinarayanan等人[66]提出了一种深层卷积编码器-解码器结构SegNet来对街道和车辆等城市中目标进行识别分割，如图2所示，前五大模块对应着编码器部分，是一个逐渐下采样来进行特征提取的信息稀疏化过程，后五大模块则对应解码器部分，利用逐块上采样的思想来恢复图像至原始输入尺寸。它通过只保留编码器结构的池化索引值来节省内存空间，在解码阶段使用最大池化的索引值即可恢复目标边缘，保留了图像的细节信息，进而有效地提高了分割准确率。文献[67]中便利用遥感图像的光谱和空间特征信息，通过SegNet对遥感图像中的农村建筑物覆盖区域进行提取。此外，Ronneberger等人[68]设计的简单小型U-Net结构也因其在训练数据较少情况下的较精确分割表现在遥感图像分割应用中出现频率较高[69-70]。结构如图3所示，每个矩形块上方的数字表示特征图对应的通道数，左方的数字表示特征图长度和宽度的乘积，具体地，如输入图像数据往右第三个长条矩形上方数字64表示有64个通道，左边的568×568表示此维度为特征图长568和宽568的乘积。文献[69]中利用VGG16网络作为预编码器来改进U-Net，并采用了基于空洞卷积的级联并行模块对多尺度的高级语义特征进行捕获，在高分辨率遥感图像的建筑物分割中精度较高。更多地，DeconvNet[71-72]也采用了类似的编码器-解码器思想来上采样图像还原至原始尺寸，它利用了反卷积层来稠密化上采样后的稀疏特征图来代替池化操作，改进了FCN。

图2 深层卷积编码器–解码器结构

图3 U-Net结构

以上所述的分割模型都是基于编解码器堆栈结构，其中编码器用于提取深层特征，而解码器用于恢复特征热图至图像原始尺寸，处理感受野的大小与目标输出尺寸两者间的矛盾。此外，空洞卷积也是常用的缓解特征图与感受野尺寸之间矛盾的方法，它利用空洞卷积核来对输入图像进行卷积操作，能够在获取不同尺度特征图的同时保证感受野不被减小，从而获得更多的上下文信息。此理论发展起来的图像分割结构中的典型代表为DeepLab[73-74]和PSPNet。其中，基于DeepLab的光学遥感图像分割方法[75-78]在近年的研究中备受关注，具有较佳的分割效果。文献[75]中就利用了空洞卷积来代替FCN中的池化操作，减少计算量的同时保证了特征图的大小，有效保留了遥感图像中的空间结构信息，文献[77]中则是利用DeepLab结构来进行遥感图像海岸线的粗分割，再采用全连接的CRF来优化分割模型实现细节提取，有效减少了误分割率，而文献[78]中选择在DeepLab V3+的基础上加入树状网络结构来改善分割性能，图4展示了该方法的分割效果。2017年的PSPNet[79]不仅将空洞卷积应用到ResNet中，还额外加入金字塔池化模块来更好地进行多尺度上下文聚合和全局信息的获取，辅助遥感图像进行场景解析[80]，加以改进的PSPNet曾获得过ImageNet场景解析挑战赛的第一名。

图4 文献[78]遥感图像分割效果

相比于早期较传统的光学遥感图像分割，基于深层特征的分割方法可以利用神经网络来隐式地建立像素到语义的映射关系，网络自动学习提取目标特征来完成整个分割过程，而不需要引入人工特征干预，可以更高好地学习遥感图像的特征，提高识别准确性的同时减少时间消耗。然而，大多数早期神经网络的性能都极依赖训练样本的数据量，属于强监督语义分割方法，但训练样本的标注是一项时间和经济成本都较高的任务，且手工标注还带有主观性和不确定性。在遇到遥感图像原始样本不充分的情况时，比如高光谱遥感数据，强监督的语义分割性能就会受到制约。于是，越来越多的研究学者开始关注弱监督和无监督下的遥感图像语义分割方法[81-83]。不需要利用高成本的像素级标注信息，而是通过图像中易得到的框、线、点的辅助标注信息或是利用计算机自动生成的语义标注数据来进行模型训练，但大部分目前的分割效果还不如强监督方法。总的来说，目前基于改进的强监督遥感图像分割方法仍是主流，弱监督和无监督技术仍需要大量研究突破。

5 结束语

光学遥感图像分割在对地观测研究任务里发挥着关键作用，分割性能的好坏对后续的图像信息获取和分类任务有很大的影响。本文以图像的浅层、中层、深层特征为分割方法的分类依据，综合阐述了常见的一些光学遥感图像分割方法，并简要分析了各类方法的有效性和局限性，可以让读者了解到现阶段光学遥感图像分割技术的发展有一定的借鉴和参考意义。

不同于自然图像，遥感图像中背景及阴影的高复杂度、尺度多边性、过于分散的目标和逐渐提升的高分辨率都增加了分割任务的难度，单一传统的分割技术已达不到现有的技术要求。而近几年在深度学习思潮引领下，通过深层特征挖掘来高效智能地进行遥感图像分割已经成为了研究热点，同时，将深层特征和浅层、中层特征结合的分割方法也在光学遥感图像处理领域也因有较好的效果而日益得到关注。不过目前还未发现一种成熟的分割方法能很好地适用于所有的光学遥感图像分割任务，技术仍然存在很大的发展空间。

综上所述，本文认为未来的研究可以从以下三个方面着手：1）综合考虑多种特征融合的方法，利用诸如光谱、纹理、边缘等信息来提高光学遥感图像分割精度和分割率；2）利用多源数据融合的遥感图像进行多尺度分割研究，综合多尺度信息来辅助分割也是一个可发展的方向；3）弱监督及无监督分割技术亟待发展，对减少高成本的人工或软件数据标注有重要意义，简便灵活且具有强扩展性、高普适性的分割模型设计是未来光学遥感图像分割领域重要的一个发展趋势。

[1] 刘纯, 洪亮, 楚森森. 高分辨率遥感影像分割方法研究[J]. 测绘与空间地理信息, 2014(10): 44-49.LIU Chun, HONG Liang, CHU Sensen. Study on Segmentation Methods of High Resolution Remote Sensing Images[J]. Geomatics & Spatial Information Technology, 2014(10): 44-49. (in Chinese)

[2] BLASCHKE T. Object Based Image Analysis for Remote Sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1): 2-16.

[3] DEY V, ZHANG Y, ZHONG M. A Review on Image Segmentation Techniques with Remote Sensing Perspective[M]. Vienna, Austria: IAPRS, 2010.

[4] HOSSAIN M D, CHEN D. Segmentation for Object-based Image Analysis (OBIA): A Review of Algorithms and Challenges from Remote Sensing Perspective[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 150(APR): 115-134.

[5] WANG Yongzhi, LV Hua, DENG Rui, et al. A Comprehensive Survey of Optical Remote Sensing Image Segmentation Methods[J]. Canadian Journal of Remote Sensing, 2020, 1-31.

[6] PRIYADHARSINI G, SENTHIL K C, UDHAYAMOORTHY M. A Review on Various Methods of Image Segmentation Based on Remote Sensing Applications[J]. International Journal for Innovative Research in Science & Technology, 2014(1): 184-187.

[7] 吴金建. 基于人类视觉系统的图像信息感知和图像质量评价[D]. 西安: 西安电子科技大学, 2014. WU Jinjian. Image Information Perception and Quality Assessment Based on The Human Visual System[D]. Xi’an: Xidian University, 2014. (in Chinese)

[8] LI S Z. Markov Random Field Models in Computer Vision[C]//European Conference on Computer Vision, May 2-6, 1994, Berlin, Heidelberg.

[9] LAFFERTY J, MCCALLUM A, PEREIRA F. Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data[C]//Proc.18th International Conf. on Machine Learning, June 6-28, 2001.

[10] LONG J, SHELHAMER E, DARRELL T. Fully Convolutional Networks for Semantic Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 39(4): 640-651.

[11] HAO Shijie, ZHOU Yuan, GUO Yanrong. A Brief Survey on Semantic Segmentation with Deep Learning[J]. Neurocomputing, 2019(11): 302-321.

[12] 靳淇兆. 遥感图像语义分割方法及其应用[D]. 哈尔滨: 哈尔滨理工大学, 2019. JIN Qizhao. Semantic Segmentation Method of Remote Sensing Image and Its Application[D]. Harbin: Harbin University of Science and Technology, 2019. (in Chinese)

[13] OTSU N. A Threshold Selection Method from Gray-level Histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1): 62-66.

[14] 刘大伟. 高分辨率遥感影像分割方法及应用研究[D]. 西安: 长安大学, 2016. LIU, Dawei. Study on Segmentation Algorithms and Its Applications of High Spatial Resolution Remote Sensing Images[D]. Xi’an: Chang’an University, 2016. (in Chinese)

[15] 陈明, 王行风. 基于模拟退火改进的多阈值遥感图像分割[J]. 信息系统工程, 2011(8): 73-75. CHEN Ming, WANG Xingfeng. Multi-threshold Remote Sensing Image Segmentation Based on Improved Simulated Annealing Method[J]. China CIO News, 2011(8): 73-75. (in Chinese)

[16] 王保云, 张荣, 袁圆, 等. 可见光遥感图像中舰船目标检测的多阶阈值分割方法[J]. 中国科学技术大学学报, 2011, 41(4): 293-298. WANG Baoyun, ZHANG Rong, YUAN Yuan, et al. A New Multi-level Threshold Segmentation Method for Ship Targets Detection in Optical Remote Sensing Images[J]. Journal of China University of Science and Technology, 2011, 41(4): 293-298. (in Chinese)

[17] GOSHTASBY A, SHYU H L. Edge Detection by Curve Fitting[J]. Image & Vision Computing, 1995, 13(3):169-177.

[18] SCHIEWE J. Segmentation of High-resolution Remotely Sensed Data-concepts, Applications and Problems[J]. International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences, 2002, 34(4): 380-385.

[19] LU Desian, CHEN Chienchang. Edge Detection Improvement by Ant Colony Optimization[J]. Pattern Recognition Letters, 2008, 29(4): 416-425.

[20] CARLEER A P, DEBEIR O, WOLFF E. Assessment of Very High Spatial Resolution Satellite Image Segmentations[J]. Photogrammetric Engineering & Remote Sensing, 2005, 71(11): 1285-1294.

[21] LIU Fang, CHEN Puhua, LI Yuanjie, et al. Structural Feature Learning-based Unsupervised Semantic Segmentation of Synthetic Aperture Radar Image[J]. Journal of Applied Remote Sensing, 2019, 13(1): 014501.

[22] CHEN Jianyu, LI J, PAN Delu, et al. Edge-guided Multiscale Segmentation of Satellite Multispectral Imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(11): 4513-4520.

[23] DI Yanan, JIANG Gangwu, YAN Libo, et al. Multi-scale Segmentation of High Resolution Remote Sensing Images by Integrating Multiple Features[J]. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 2017, XLII-1/W1: 247-255.

[24] 余洁, 余峰, 张晶, 等. 结合区域生长与道路基元的高分辨率遥感影像道路提取[J]. 武汉大学学报·信息科学版, 2013, 38(7): 761-764. YU Jie, YU Feng, ZHANG Jing, et al. High Resolution Remote Sensing Image Road Extraction Combining Region Growing and Road-unit[J]. Geomatics and Information Science of Wuhan University, 2013, 38(7): 761-764. (in Chinese)

[25] ZHANG Xueliang, XIAO Pengfeng, FENG Xuezhi. Fast Hierarchical Segmentation of High-resolution Remote Sensing Image with Adaptive Edge Penalty[J]. Photogrammetric Engineering & Remote Sensing, 2014, 80(1): 71-80.

[26] BYUN Y, KIM D, LEE J, et al. A Framework for the Segmentation of High-resolution Satellite Imagery Using Modified Seeded-region Growing and Region Merging[J]. International Journal of Remote Sensing, 2011, 32(16): 4589-4609.

[27] 楚恒, 李洪川, 刘红彬. 基于对象直方图G统计量的遥感影像道路提取[J]. 测绘通报, 2017, 489(12): 63-67. CHU Heng, LI Hongchuan, LIU Hongbin. Road Extraction of Remote Sensing Imagery Using G Statistics of Object Histogram[J]. Bulletin of Surveying and Mapping, 2017, 489(12): 63-67. (in Chinese)

[28] 陈洋, 范荣双, 王竞雪, 等. 结合相位一致和分水岭变换的高分辨率遥感影像分割方法[J]. 激光与光电子学进展, 2017, 54(9): 375-380. CHEN Yang, FAN Rongshuang, WANG Jingxue, et al. Segmentation of High-resolution Remote Sensing Image Combining Phase Consistency with Watershed Transformation[J]. Laser and Optoelectronics Progress, 2017, 54(9): 375-380. (in Chinese)

[29] 林卉, 刘培, 夏俊士, 等. 基于分水岭变换的遥感影像面向对象多尺度分割算法研究[J]. 测绘通报, 2011, 235(10): 45-48. LIN Hui, LIU Pei, XIA Junshi, et al. Research on Object-oriented Multi-scale Segmentation Algorithm Based on Watershed Transformation[J]. Bulletin of Surveying and Mapping, 2011, 235(10): 45-48. (in Chinese)

[30] 胡学龙, 沈洁. 利用分水岭分割的多分辨率遥感图像融合算法[J]. 中国图象图形学报, 2010, 15(5): 820-823. HU Xuelong, SHEN Jie. Algorithm on Multiresolution Remote Image Fusion with Watershed Segmentation[J]. Journal of Image and Graphics, 2010, 15(5): 820-823. (in Chinese)

[31] ALSHEHHI R, MARPU P R. Hierarchical Graph-based Segmentation for Extracting Road Networks from High-resolution Satellite Images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 126: 245-260.

[32] YANG Yi, LI Haitao, HAN Yanshun, et al. High Resolution Remote Sensing Image Segmentation Based on Graph Theory and Fractal Net Evolution Approach[J]. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2015, 40(7): 197-201.

[33] 邓富亮, 杨崇俊, 曹春香, 等. 高分辨率影像分割的分形网络演化改进方法[J]. 地球信息科学学报, 2014, 16(1): 95-101.DENG Fuliang, YANG Chongjun, CAO Chunxiang, et al. An Improved Method of FNEA for High Resolution Remote Sensing Image Segmentation[J]. Journal of Geo-information Science, 2014, 16(1): 95-101. (in Chinese)

[34] 朱俊杰, 杜小平, 范湘涛, 等. 一种改进的多尺度分形网络演化分割方法[J]. 遥感技术与应用, 2014, 29(2): 324-329. ZHU Junjie, DU Xiaoping, FAN Xiangtao, et al. A Advanced Multi-scale Fractal Net Evolution Approach[J]. Remote Sensing Technology and Application, 2014, 29(2): 324-329. (in Chinese)

[35] LI Ke, YOU Xiong, WAN Gang. Remote Sensing Image Classification Method Based on Superpixel Segmentation and Adaptive Weighting K-means[C]//International Conference on Virtual Reality and Visualization (ICVRV), October 17-18, 2015, Xiamen, China.

[36] 龚林松, 李士进. 基于改进的SLIC和OTSU的遥感影像水体提取[J]. 计算机技术与发展, 2019, 29(1): 145-149. GONG Linsong, LI Shijin. Water Information Extraction from Remote Sensing Imagery Based on Improved SLIC and OTSU[J]. Computer Technology and Development, 2019, 29(1): 145-149. (in Chinese)

[37] 赵泉华, 刘晓燕, 赵雪梅, 等. 基于可变类FCM算法的多光谱遥感影像分割[J]. 电子与信息学报, 2018, 40(1): 157-165. ZHAO Quanhua, LIU Xiaoyan, ZHAO Xuemei, et al. Multispectral Remote Sensing Image Segmentation Based on FCM Algorithm with Unknown Number of Clusters[J]. Journal of Electronics & Information Technology, 2018, 40(1): 157-165. (in Chinese)

[38] WU Tianjun, XIA Liegang, LUO Jiancheng, et al. Computationally Efficient Mean-shift Parallel Segmentation Algorithm for High-resolution Remote Sensing Images[J]. Journal of the Indian Society of Remote Sensing, 2018, 46(11): 1805-1814.

[39] COMANICIU D, RAMESH V, MEER P. Kernel-based Object Tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(5): 564-577.

[40] GRINIAS I, PANAGIOTAKIS C, TZIRITAS G. MRF-based Segmentation and Unsupervised Classification for Building and Road Detection in Peri-urban Areas of High-resolution Satellite Images[J]. ISPRS Journal of Photogrammetry and Remote sensing, 2016, 122(10): 145-166.

[41] BAO Huifang, ZHOU Linli, LIU Lei, et al. A MRF-based Multi-agent System for Remote Sensing Image Segmentation[C]// International Conference on Computing Intelligence and Information System (CIIS), April 21-23, 2017, Harbin, China.

[42] BOUMAN C A, SHAPIRO M. A Multiscale Random Field Model for Bayesian Image Segmentation[J]. IEEE Transactions on Image Processing, 1994, 3(2): 162-177.

[43] JUNG M, YUN E J, KIM C S. Multiresolution Approach for Texture Segmentation Using MRF Models[C]// IEEE International Geoscience and Remote Sensing Symposium, July 25-29, 2005, Seoul, Korea.

[44] SARKAR A, BISWAS M K, SHARMA K M S. A Simple Unsupervised MRF Model Based Image Segmentation Approach[J]. IEEE Transactions on Image Processing, 2000, 9(5): 801-812.

[45] SARKAR A, BISWAS M K, KARTIKEYAN B, et al. A MRF Model-based Segmentation Approach to Classification for Multispectral Imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(5): 1102-1113.

[46] YANG Yi, HAN Chongzhao, HAN Deqiang. A Markov Random Field Model-based Fusion Approach to Segmentation of SAR and Optical Images[C]//IEEE International Geoscience and Remote Sensing Symposium, July 6-11, 2008, Boston, MA, USA.

[47] MOSER G, SERPICO S B. Classification of High-resolution Images Based on MRF Fusion and Multiscale Segmentation[C]// IEEE International Geoscience and Remote Sensing Symposium, July 6-11, 2008, Boston, MA, USA.

[48] 郑玮, 康戈文, 陈武凡, 等. 一种无监督的遥感图像分割新算法研究[J]. 仪器仪表学报, 2009, 30(1): 213-218. ZHENG Wei, KANG Gewen, CHEN Wufan, et al. Study on a Novel Unsupervised Algorithm for Remote Sensing Image Segmentation[J]. Chinese Journal Scientific Instruments, 2009, 30(1): 213-218. (in Chinese)

[49] CHEN Jianyu, PAN Delu, MAO Zhihua. Image-object Detectable in Multiscale Analysis on High-resolution Remotely Sensed Imagery[J]. International Journal of Remote Sensing, 2009, 30(14): 3585-3602.

[50] 韦春桃, 赵平, 肖博林, 等. 结合双树复小波纹理特征和MRF模型的遥感图像分割[J]. 测绘通报, 2019(10): 40-45. WEI Chuntao, ZHAO Ping, XIAO Bolin, et al. Remote Sensing Image Segmentation Method Based on Dual-tree Complex Wavelet Texture Feature and MRF Model[J]. Bulletin of Surveying and Mapping, 2019(10): 40-45. (in Chinese)

[51] FAN J, YAU D K Y, ELMAGARMID A K, et al. Automatic Image Segmentation by Integrating Color-edge Extraction and Seeded Region Growing[J]. IEEE Transactions on Image Processing, 2001, 10(10): 1454-1466.

[52] GAETANO R, MASI G, POGGI G, et al. Marker-controlled Watershed-based Segmentation of Multiresolution Remote Sensing Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 53(6): 2987-3004.

[53] ZHANG Xueliang, XIAO Pengfeng, FENG Xuezhi, et al. Hybrid Region Merging Method for Segmentation of High-resolution Remote Sensing Images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 98(12): 19-28.

[54] 王小鹏, 文昊天, 王伟, 等. 形态学边缘检测和区域生长相结合的遥感图像水体分割[J]. 测绘科学技术学报, 2019, 36(2): 149-154. WANG Xiaopeng, WEN Haotian, WANG Wei, et al. Water Segmentation of Remote Sensing Image Using Morphological Edge Detection and Region Growing[J]. Journal of Geomatics Science and Technology, 2019, 36(2): 149-154. (in Chinese)

[55] 王慧贤, 靳惠佳, 王娇龙, 等. k均值聚类引导的遥感影像多尺度分割优化方法[J]. 测绘学报, 2015, 44(5): 526-532. WANG Huixian, JIN Huijia, WANG Jiaolong, et al. Optimization Approach for Multi-scale Segmentation of Remotely Sensed Imagery Under k-means Clustering Guidance[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(5): 526-532. (in Chinese)

[56] 靳华中, 叶志伟, 柯敏毅, 等. 结合MRF模型与粒子群优化算法的遥感影像纹理分割[J]. 计算机应用, 2010, 30(9): 2461-2463. JIN Huazhong, YE Zhiwei, KE Minyi, et al. Combination of MRF Model and Particle Swarm Optimization Algorithm for Texture Segmentation of Remote Sensing Images[J]. Journal of Computer Applications, 2010, 30(9): 2461-2463. (in Chinese)

[57] 吴一全, 周建伟. 基于混沌布谷鸟优化的二维Tsallis交叉熵建筑物遥感图像分割[J]. 数据采集与处理, 2019, 34(1): 22-31. WU Yiquan, ZHOU Jianwei. Thresholding for Remote Sensing Images of Building Based on Two-dimensional Tsallis Cross Entropy Using Chaotic Cuckoo Search Optimization[J]. Journal of Data Acquisition and Processing, 2019, 34(1): 22-31. (in Chinese)

[58] 李晓斌, 江碧涛, 杨渊博, 等. 光学遥感图像目标检测技术综述[J]. 航天返回与遥感, 2019, 40(4): 95-104. LI Xiaobin, JIANG Bitao, YANG Yuanbo, et al. A Survey on Object Detection Technology in Optical Remote Sensing Images[J]. Spacecraft Recovery & Remote Sensing, 2019, 40(4): 95-104. (in Chinese)

[59] GUO Y, LIU Y, GEORGIOU T, et al. A Review of Semantic Segmentation Using Deep Neural Networks[J]. International Journal of Multimedia Information Retrieval, 2018, 7(2): 87-93.

[60] 姜枫, 顾庆, 郝慧珍, 等. 基于内容的图像分割方法综述[J]. 软件学报, 2017, 28(1): 160-183. JIANG Feng, GU Qing, HAO Huizhen, et al. Survey on Content-based Image Segmentation Methods[J]. Journal of Software, 2017, 28(1): 160-183. (in Chinese)

[61] SUN Weiwei, WANG Ruisheng. Fully Convolutional Networks for Semantic Segmentation of Very High Resolution Remotely Sensed Images Combined with DSM[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(3): 474-478.

[62] FU Xiaomeng, QU Huiming. Research on Semantic Segmentation of High-resolution Remote Sensing Image Based on Full Convolutional Neural Network[C]//International Symposium on Antennas, Propagation and EM Theory (ISAPE), December 3-6, 2018, Hangzhou, China.

[63] 肖春姣, 李宇, 张洪群, 等. 深度融合网结合条件随机场的遥感图像语义分割[J]. 遥感学报, 2020, 24(3): 254-264. XIAO Chunjiao, LI Yu, ZHANG Hongqun, et al. Semantic Segmentation of Remote Sensing Images Based on Deep Fusion Network and Conditional Random Field[J]. Journal of Remote Sensing, 2020, 24(3): 254-264. (in Chinese)

[64] 肖雨彤, 张继贤, 黄国满, 等. FCN与CRF结合的PolSAR影像建筑区域提取[J]. 遥感信息, 2020, 35(3): 44-49. XIAO Yutong, ZHANG Jixian, HUANG Guoman, et al. Building Area Extraction of PolSAR Images Based on FCN and CRF[J]. Remote Sensing Information, 2020, 35(3): 44-49. (in Chinese)

[65] CHEN L C, PAPANDREOU G, KOKKINOS I, et al. Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFS[J]. Computerence, 2014(4): 357-361.

[66] BADRINARAYANAN V, KENDALL A, CIPOLLA R. Segnet: A Deep Convolutional Encoder-decoder Architecture for Image Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12): 2481-2495.

[67] 杨建宇, 周振旭, 杜贞容, 等. 基于SegNet语义模型的高分辨率遥感影像农村建设用地提取[J]. 农业工程学报, 2019, 35(5): 251-258. YANG Jianyu, ZHOU Zhenxu, DU Zhenrong, et al. Rural Construction Land Extraction from High Spatial Resolution Remote Sensing Image Based on SegNet Semantic Segmentation Model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(5): 251-258. (in Chinese)

[68] RONNEBERGER O, FISCHER P, BROX T. U-net: Convolutional Networks for Biomedical Image Segmentation[C]// International Conference on Medical Image Computing and Computer-assisted Intervention, October 5-9, 2015, Munich, Germany.

[69] 徐昭洪, 刘宇, 全吉成, 等. 基于VGG16预编码的遥感图像建筑物语义分割[J]. 科学技术与工程, 2019, 19(17): 250-255. XU Zhaohong, LIU Yu, QUAN Jicheng, et al. Buildings Segmentation of Remote Sensing Images Based on VGG16 Pre-encoding[J]. Science Technology and Engineering, 2019, 19(17): 250-255. (in Chinese)

[70] 苏健民, 杨岚心, 景维鹏. 基于U-Net的高分辨率遥感图像语义分割方法[J]. 计算机工程与应用, 2019, 55(7): 207-213. SU Jianmin, YANG Lanxin, JING Weipeng. U-Net Based Semantic Segmentation Method for High Resolution Remote Sensing Image[J]. Computer Engineering and Applications, 2019, 55(7): 207-213. (in Chinese)

[71] NOH H, HONG S, HAN B. Learning Deconvolution Network for Semantic Segmentation[C]//Proceedings of the IEEE International Conference on Computer Vision, December 7-13, 2015, Santiago, Chile.

[72] 尚群锋, 沈炜, 帅世渊. 基于深度学习高分辨率遥感影像语义分割[J]. 计算机系统应用, 2020, 29(7): 180-185. SHANG Qunfeng, SHEN Wei, SHUAI Shiyuan. Semantic Segmentation of High Resolution Remote Sensing Image Based on Deep Learning[J]. Computer Systems and Applications, 2020, 29(7): 180-185. (in Chinese)

[73] CHEN L C, PAPANDREOU G, KOKKINOS I, et al. Deeplab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected Crfs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 40(4): 834-848.

[74] CHEN L C, ZHU Y, PAPANDREOU G, et al. Encoder-decoder with Atrous Separable Convolution for Semantic Image Segmentation[C]//Proceedings of the European Conference on Computer Vision (ECCV), September 8-14, 2018, Munich, Germany.

[75] 陈扬洋, 明冬萍, 徐录, 等. 高空间分辨率遥感影像分割定量实验评价方法综述[J]. 地球信息科学学报, 2017, 19(6): 818-830. CHEN Yangyang, MING Dongping, XU Lu, et al. An Overview of Quantitative Experimental Methods for Segmentation Evaluation of High Spatial Remote Sensing Images[J]. Journal of Geo-information Science, 2017, 19(6): 818-830. (in Chinese)

[76] 袁立, 袁吉收, 张德政. 基于DeepLab-v3+的遥感影像分类[J]. 激光与光电子学进展, 2019, 56(15): 228-235. YUAN Li, YUAN Jishou, ZHANG Dezheng. Remote Sensing Image Classification Based on DeepLab-v3+[J]. Laser & Optoelectronics Progress, 2019, 56(15): 228-235. (in Chinese)

[77] 王振华, 钟元芾, 何婉雯, 等. 改进Deeplab网络的遥感影像海岛岸线分割[J]. 中国图象图形学报, 2020, 25(4): 768-778. WANG Zhenhua, ZHONG Yuanfu, HE Wanwen, et al. Island Shoreline Segmentation in Remote Sensing Image Based on Improved Deeplab Network[J]. Journal of Image and Graphics, 2020, 25(4): 768-778. (in Chinese)

[78] 胡伟, 高博川, 黄振航, 等. 树形结构卷积神经网络优化的城区遥感图像语义分割[J]. 中国图象图形学报, 2020, 25(5): 1043-1052. HU Wei, GAO Bochuan, HUANG Zhenhang, et al. Semantic Segmentation of Urban Remote Sensing Image Based on Optimized tree[J]. Journal of Image and Graphics, 2020, 25(5): 1043-1052. (in Chinese)

[79] ZHAO Hengshuang, SHI Jianping, QI Xiaojuan, et al. Pyramid Scene Parsing Network[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, July 21-26, 2017, Honolulu, Hawaii.

[80] 廖旋, 缪君, 储珺, 等. 融合分割先验的多图像目标语义分割[J]. 中国图象图形学报, 2019(6): 890-901. LIAO Xuan, MIAO Jun, CHU Jun, et al. Multi-image Object Semantic Segmentation by Fusing Segmentation Priors[J]. Journal of Image and Graphics, 2019(6): 890-901. (in Chinese)

[81] 李雨慧. 基于深度学习的高分辨率遥感影像多尺度语义分割[D]. 上海: 上海交通大学, 2018. LI Yuhui. Multi-scale Semantic Segmentation of High Resolution Remote Sensing Images Based on Deep Learning[D]. Shanghai: Shanghai Jiaotong University, 2018. (in Chinese)

[82] 吴俊峰, 姜志国, 张浩鹏, 等. 半监督条件随机场的高光谱遥感图像分类[J]. 遥感学报, 2017, 21(4): 588-603. WU Junfeng, JIANG Zhiguo, ZHANG Haopeng, et al. Classification of Hyperspectral Remote Sensing Images with Semi-supervised Conditional Random Fields[J]. Journal of Remote Sensing, 2017, 21(4): 588-603. (in Chinese)

[83] BENJDIRA B, BAZI Y, KOUBAA A, et al. Unsupervised Domain Adaptation Using Generative Adversarial Networks for Semantic Segmentation of Aerial Images[J]. Remote Sensing, 2019, 11(11): 1369-1392.

A Review of the Optical Remote Sensing Image Segmentation Technology

MIN Lei1GAO Kun1LI Wei2WANG Hong1LI Ting3WU Qiong1JIAO Jianchao2

（1 Key Laboratory of Photoelectronic Imaging Technology and System, Ministry of Education, Beijing Institute of Technology, Beijing 100081, China）（2 Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）（3 Institute of Spacecraft System Engineering, CAST, Beijing 100094, China）

Remote sensing image segmentation aims to divide the remote sensing image that contains spatial distribution information of complex ground objects into various regions with specific semantic labels, playing a pivotal role in remote sensing image analysis and interpretation. Referring to the characteristics of human visual system perception and visual information layer-by-layer sparse processing, this paper systematically classifies and reviews the common optical remote sensing image segmentation technologies from three perspectives: shallow-feature-based image segmentation, middle-feature-based image segmentation and deep-feature-based image segmentation. In addition, it states the basic characteristics of various common algorithms, compares their advantages and limitations, and prospects the future direction of improvement and development, providing a certain reference value for the research of optical remote sensing image segmentation.

image segmentation; classification; image feature level; deep learning; optical remote sensing

TP715

A

1009-8518(2020)06-0001-13

10.3969/j.issn.1009-8518.2020.06.001

2020-10-28

国家自然科学基金（61875013）；装备预研航天科技联合基金（6141B061004）

闵蕾, 高昆, 李维, 等. 光学遥感图像分割技术综述[J]. 航天返回与遥感, 2020, 41(6): 1-13.

MIN Lei, GAO Kun, LI Wei, et al. A Review of the Optical Remote Sensing Image Segmentation Technology[J]. Spacecraft Recovery & Remote Sensing, 2020, 41(6): 1-13. (in Chinese)

闵蕾，女，1997年生，2019年获北京理工大学光学工程专业工学学士学位，现在北京理工大学光学工程专业攻读硕士学位。研究方向为遥感图像场景分类、遥感图像语义分割。E-mail：18811370238@163.com。

（编辑：陈艳霞）