-
高分辨率遥感影像自然面状地物主要指植被、水域、裸露地、农业用地等无人工干预或者干预较少、形状不规则的地物。这类地物信息是国家基础地理信息的重要组成部分, 对于土地利用调查、生态环境监测以及灾害应急评估等具有重要意义。遥感技术的迅速发展为地物识别提供了海量的高分辨率遥感影像, 在这些影像中, 地物的空间布局和几何结构更加清晰, 纹理细节信息也更加精细, 这为面状地物的识别与自动提取提供了可能。由此基于高分遥感影像面状地物自动提取成为学者们研究的热点, 有学者提出了从传统的基于像素统计分类的遥感影像分析过渡到顾及像素空间关系基于影像分割的面向对象方法[1], 该方法充分利用影像的光谱、纹理、形状、空间信息等特征, 已成为高分遥感影像处理的重要方法[2]。如闫利等[3]提出了一种基于多层次规则的面向对象的典型地物提取方法, 以影像分割得到的影像对象作为地物提取的基元, 针对影像上典型地物选择提取特征, 利用多层次的提取规则进行地物提取。邵鹏等[4]研究了基于多尺度分割方法提取高分遥感影像上的地物轮廓。该方法以影像对象为基本单元, 采用阈值分类和模糊分类方法提取地物信息, 取得了较好的提取精度。然而由于遥感影像的复杂性, 上述方法虽然在特定的场景下取得了一些成果, 但是仍存在一些局限性。同时, 由于遥感影像的复杂性, 地物影像受噪声、遮挡、阴影、低对比度的影响, 计算机自动解译短期内也难以达到实用水平。为此, 许多学者提出以交互方式将有限人工判读和计算机处理相结合, 在不降低提取精度的前提下, 最大限度的减少作业员工作量, 提高生产效率[5]。如基于边界的交互式提取算法[6]、基于区域[7]的交互式提取算法、基于种子区域生长的方法[8]等。但这些方法仅利用单一地物信息, 地物提取精度有限, 存在一定的局限性。针对高分遥感影像上林地、水域、田地、裸露地等包含丰富光谱、纹理、几何信息的自然面状地物, 本文提出了一种基于全连接条件随机场的交互式提取方法。通过用户有限交互获得的前景标记样本估计前景模型, 根据全连接条件随机场(conditional random field, CRF)来描述影像的全局特征, 在均值场估计的框架下, 利用高维高斯快速滤波方法实现模型的快速推断, 最终进行轮廓优化, 实现自然面状地物智能提取。
-
本文所给方法包括获取前景样本、模型建立参数求解以及轮廓提取3个步骤。对于输入影像, 首先利用简单线性迭代聚类(simple linear iterative clustering, SLIC)算法进行过分割, 并以单个对象为单位提取光谱、纹理、几何等特征; 其次建立全连接CRF, 结合用户交互指定的种子线对全连接CRF的参数进行估计, 再则利用高维高斯滤波支持下的均值场估计实现模型推断, 最终利用主动轮廓线模型对提取边界进行优化。本y方法进行地物提取只需"一笔画", 即指定前景种子线, 用户交互简单方便, 可极大地提高批量面状地物提取的效率。本文方法流程如图 1所示。
-
简单线性迭代聚类SLIC是一种常见的超像素分割方法[9], 该方法顾及颜色和空间距离对像素进行聚类, 具有耗时少、所需调节参数少等特点。其原理是在一幅有N个像素点的图像中, 设产生的超像素个数为K, 大小就是N/K个像素, 每个超像素中心之间的距离为$S = \sqrt {N/K} $。每个像素的中心可描述为${C_K} = {[{l_k}, {a_k}, {b_k}, {x_k}, {y_k}]^{\rm{T}}}$, 算法初始给定K个聚类中心, 计算每个像素点与最近的聚类中心之间的相似程度, 将最相似种子点的标签赋给该像素, 像素间的相似度表达为:
$$ \left\{ {\begin{array}{*{20}{l}} {{d_{{\rm{lab}}}} = \sqrt {{{({l_k} - {l_i})}^2} + {{({a_k} - {a_i})}^2} + {{({b_k} - {b_i})}^2}} }\\ {{d_{xy}} = \sqrt {{{({x_k} - {x_i})}^2} + {{({y_k} - {y_i})}^2}} }\\ {{D_S} = {d_{{\rm{lab}}}} + \frac{m}{S}{d_{xy}}} \end{array}} \right. $$ (1) 式中, DS是色彩距离和空间距离归一化后的和; m是紧凑因子, 用来控制像素的紧密程度。
本文首先利用SLIC方法对包含目标的影像(见图 2(a))过分割得到一系列具有相似特征且不破坏影像边界信息的均匀超像素, 如图 2(b)所示; 再通过人工交互种子线得到目标前景像素, 如图 2(c)所示, 其中蓝色线为种子线, 种子线所在的超像素属于前景。
-
为在种子线交互获取前景的基础上获得更多前景, 使用区域最大相似度的合并(maximal similarity based region merging, MSRM)算法, 合并与种子线所在超像素相似的对象以获取更多前景区域。MSRM算法具有与图像内容自适应、无需参数控制等优点[10]。其核心是将具有相似特征的区域进行合并, 其中每一次区域合并均需要通过多次计算相邻区域之间的相似度才能确定, 因此MSRM算法是计算某两个相邻区域之间的相似度ρ(P, Q), 这里P和Q是相邻的区域, 依据当前区域ρ与其周围所有区域集合中只与它具有最大相似度的合并原则完成合并, 采用巴氏系数作为衡量P和Q区域之间相似性的度量标准, 即:
$$ \rho \left( {P, Q} \right) = \mathop \sum \limits_{u = 1}^{768} \sqrt {{\rm{HIST}}_P^u \bullet {\rm{HIST}}_Q^u} $$ (2) 式中, u的范围为1~768, 默认影像波段数为3, 灰度级为8, 根据波段数和灰度级的不同调整参数u的范围; HISTPu与HISTQu分别表示区域P和Q的颜色直方图, ρ(P, Q)越大, 则表明直方图的相似度越高。当统计完当前区域与其所有邻接区域的相似度后, 选择相似度最大的区域进行合并。
-
本文以超像素的光谱与纹理特征对影像超像素进行描述, 用fic与fit分别表示第i个超像素的光谱特征和纹理特征。
1) 光谱特征。
本文中光谱特征为对象内所有像素各通道灰度平均的归一化值。对于可见光三波段影像有:
$$ f_i^c = {({\vec R_i}/255, {\bar G_i}/255, {\bar B_i}/255)^T} $$ (3) 2) 纹理特征。
局部二值模式(local binary pattern, LBP)是一种用来描述图像局部纹理特征的算子[7], 它具有旋转不变和灰度不变性等特点, 并且计算简单、效率高, 能够很好描述结构, 在纹理分析中得到了广泛的应用。本文采用中心对称局部二值模式(center-symmetric LBP, CS-LBP)。与LBP比较邻域像素和中心像素的大小不同, CS-LBP比较的是以中心像素为对称中心的一对像素的大小[11], 计算式为:
$$ \begin{array}{l} \begin{array}{*{20}{l}} {{\rm{CS}} - {\rm{LB}}{{\rm{P}}_{R, N, T}}\left( {x, y} \right) = }\\ {{\rm{}}\mathop \sum \limits_{i = 0}^{\left( {N/2} \right) - 1} S\left( {{I_i} - {I_{i + \left( {N/2} \right)}}} \right){2^i}{\rm{}}s\left( x \right) = } \end{array}\\ \left\{ {\begin{array}{*{20}{l}} {1, {\rm{}}x > T}\\ {0, {\rm{}}} \end{array}} \right. \end{array} $$ (4) 式中, Ii和Ii+(N/2)是以中心像素为对称中心的两个像素的灰度值; T是反映平坦区域灰度值波动的阈值, 通常取灰度值取值范围的1%。
本文提取CS-LBP直方图后进行主分量变换, 并取前5~10维, 根据最大、最小值进行归一化, 得到纹理特征向量fit。
-
CRF模型建立在隐马尔可夫模型和最大熵模型的基础上, 是一种判别式概率无向图学习模型。由于标准CRF的二元势函数通常建立在相邻节点的基础上, 因此CRF很难描述具有远距离空间关系的像素。全连接CRF[12]的二元势函数是建立在所有节点的基础上, 模型的大小是全连接CRF的最大挑战, 使用全连接CRF对一张小影像建模, 模型中也会包含成千上万个节点和边, 故利用传统的模型推断方法并不现实, Krähenbühl等提出将全连接CRF中的二元势函数定义为高斯核函数的线性组合, 利用均值场估计可高效地实现全连接CRF的模型推断。本文利用特征空间的高斯滤波实现全连接CRF中均值场的更新。采用二阶全连接CRF模型进行自然地物交互式提取。该模型及其计算过程如下:其能量函数为:
$$ E\left( x \right) = \mathop \sum \limits_i {\psi _u}\left( {{x_i}} \right) + \beta \mathop \sum \limits_{i < j} {\psi _p}\left( {{x_i}, {x_j}} \right) $$ (5) 式中, i, j∈[1, N]; ${\psi _u}\left( {{x_i}} \right)$是预先训练好的分类器, 根据节点特征计算该节点附某个标记的代价; ${\psi _p}\left( {{x_i}, {x_j}} \right)$定义成高斯函数的加权和, 有:
$$ \left\{ {\begin{array}{*{20}{l}} {{\psi _p}\left( {{x_i}, {x_j}} \right) = \delta \left( {{x_i}, {x_j}} \right)k\left( {{f_i}, {f_j}} \right)}\\ {k\left( {{f_i}, {f_j}} \right) = \mathop \sum \limits_{m = 1}^K {w_m}{k_m}\left( {{f_i}, {f_j}} \right)} \end{array}} \right. $$ (6) 式中, 向量fi和fj是像素或超像素节点i和j在任意特征空间的特征向量; wm代表相应高斯核函数的权值; δ是二阶Potts函数; km是第m个高斯核函数; k表示核函数的数目。高斯函数的表达形式为:
$$ {k_m}\left( {{f_i}, {f_j}} \right) = {\rm{exp}}( - \frac{1}{2}\left( {{f_i}, {f_j}{)^{\rm{T}}}\mathit{\boldsymbol{ \boldsymbol{\varLambda} }}_m^{ - 1}\left( {{f_i}, {f_j}} \right)} \right) $$ (7) 其中, km为第m个高斯函数中特征向量的协方差阵, 以单个对象(超像素)为节点, 按式(5)建立全连接CRF, 将目标提取问题转换为二值标记问题, 0表示背景, 1表示前景。
-
一元项表示对象被标记为前景或背景的代价, 计算式为:
$$ \left\{ {\begin{array}{*{20}{l}} {{\psi _u}\left( {{x_i} = 0} \right) = \frac{{ - {P_{\rm{B}}}\left( {{f_i}} \right)}}{{{P_{\rm{F}}}\left( {{f_i}} \right) + {P_{\rm{B}}}\left( {{f_i}} \right)}}}\\ {{\psi _u}\left( {{x_i} = 1} \right) = \frac{{ - {P_{\rm{F}}}\left( {{f_i}} \right)}}{{{P_{\rm{F}}}\left( {{f_i}} \right) + {P_{\rm{B}}}\left( {{f_i}} \right)}}} \end{array}} \right. $$ (8) 式中, fi表示对象的特征向量, 如颜色、纹理特征等; ${P_{\rm{F}}}{P_{\rm{B}}}$分别为前景与背景模型。
采用高斯混合模型(Gaussian mixture models, GMM)来估算对象属于前景或背景的概率密度。GMM是单个高斯模型的加权和[8], 基本思想是把样本特征呈现的分布用多个高斯函数来描述, 即:
$$ P\left( {{f_i}} \right) = \mathop \sum \limits_{j = 1}^M {\alpha _j}{N_j}({f_i}|{\mu _j}, {\mathit{\Lambda }_j}) $$ (9) 利用交互标记的前景样本可直接估算前景模型, 将交互标记对象的特征向量作为样本, 并给每个样本赋权值1, 然后利用EM(expectation maximization)算法估计GMM的参数, 从而得到前景模型PF, PF中单高斯模型个数取3~5。
在上述对超像素对象提取了光谱和纹理特征的基础上, 为得到更好的提取结果, 分别为各个特征建立GMM, 一元项为各GMM权值的加权值, 表达式为:
$$ {\psi _u}\left( {{X_i}} \right) = {W_{{\rm{clr}}}}\psi _u^{{\rm{clr}}}\left( {{X_i}} \right) + {W_{{\rm{tex}}}}\psi _u^{{\rm{tex}}}\left( {{X_i}} \right) $$ (10) -
二元项亦称作平滑项, 鼓励特征相似、距离较近的对象取相同的标记, 从而保证提取结果的连续性。采用了两个高斯核函数, 表达式为:
$$ \begin{array}{*{20}{l}} {{\rm{}}{W_1}{\rm{exp}}\left( { - \frac{{\left| {{{\left. {{p_i} - {p_j}} \right|}^2}} \right.}}{{2{\theta _\alpha }}} - \frac{{\left| {{{\left. {{I_i} - {I_j}} \right|}^2}} \right.}}{{2{\theta _\beta }}}} \right) + }\\ {{\rm{}}{W_2}{\rm{exp}}\left( { - \frac{{\left| {{{\left. {{p_i} - {p_j}} \right|}^2}} \right.}}{{2{\theta _\lambda }}}} \right)} \end{array} $$ (11) 标准CRF通常利用某种方式获取准确的全局范围内前景和背景模型, 从而确定一元项, 其中一元项的估计依赖于用户提供的种子线, 背景模型可能有偏差, 通常需通过迭代重新优化前景和背景模型。全连接CRF对全局信息的利用可以看作是对全局范围内前背景模型的估计, 因而利用全连接CRF可以减少甚至不需要迭代, 本文正是基于这种想法来实现目标的快速交互式提取。
在全连接CRF各项参数确定后, 利用基于高维高斯快速滤波的均值场估计方法实现模型的推断, 提取目标的轮廓, 如图 3(a)所示。
-
Snake模型作为一种参数活动轮廓模型将轮廓优化问题定义为一个能量优化问题, 该模型结合了高层知识和底层特征, 并统一到一个框架下, 通过迭代求取最佳轮廓位置。将Snake模型定义为目标边界附近的闭合曲线上的能量函数, 曲线表示为$v\left( s \right) = \left( {x\left( s \right), y\left( s \right)} \right), s\left[ {0, 1} \right]$, 能量函数形式为:
$$ {E_{{\rm{snake}}}} = \mathop \smallint \limits_0^1 {E_{{\rm{Int}}}}\left( {v\left( s \right)} \right) + {E_{{\rm{Ext}}}}\left( {v\left( s \right)} \right){\rm{d}}s $$ (12) 内部能量EInt取决于曲线自身, 通常要求曲线连续光滑; 外部能量EExt取决于影像特征, 它将曲线推向目标边界, 用I表示一幅影像, 则EExt通常被定义为:
$$ {E_{{\rm{Ext}}}}\left( {v\left( s \right)} \right) = - \gamma \left( s \right){\left| {\tilde N\left[ {{G_\sigma } \cdot I} \right]} \right|^2} $$ (13) 式中, γ(s)表示外部能量的权值; ${\tilde N}$表示影像梯度算子; Gσ是标准差为σ的二维高斯滤波器。从式(13)可以看出, 影像梯度越大, 外部能量越小, 即在目标边界上外部能量越小。Snake模型就是通过这种方式把轮廓吸引到实际边界上的。
将全连接CRF提取的目标地物轮廓作为Snake模型的初始值, 首先沿着提取结果建立缓冲区, 然后在缓冲区内建立Snake模型, 利用贪婪算法优化计算得到最优结果, 如图 3(b)所示。
-
算法采用C++进行编程实现, 实验平台为:Microsoft Visual Studio 2015, CPU为Inter Core i5-4590, RAM为8 GB。以分辨率为0.2 m的高分遥感影像为实验数据, 该影像包含丰富的光谱、纹理等信息, 且地物类别复杂多样, 影像上道路、建筑物等人工地物较少, 图 4为实验影像的部分区域, 实验针对水域、林地、梯田、裸露地4类自然地物进行提取, 并从目视效果和定量评价两方面对实验结果进行比较。
-
本文基于种子线局部影像提取, 要求种子线及"一笔画"的长度应尽量从图斑的一端到另一端, 以保证提取的完整性。由于基于人工交互提取面状地物轮廓, 用户的交互往往与提取目标和经验相关, 因此用户交互获取的前景样本应当具有代表性。
结果定性评价是通过将提取的不同地物轮廓线叠加到原始影像上, 通过目视解译进行定性分析。图 5为实验影像上部分水域提取结果, 由实验结果可看出, 对于光谱、纹理等分布较为单一的地物, 能够获取较好的提取结果。图 6为部分林地提取结果, 可以看出, 分布均匀的林地提取结果相对较好。图 7为部分梯田提取结果, 可以看出, 对于光谱、纹理单一的梯田, 提取结果也较好。图 8为实验区域中部分裸露地的提取结果, 其中光谱、纹理单一处提取结果较好, 对部分裸露地中含有植被等地物, 提取结果相对较差。图 5~图 8中还给出了部分样本地物的提取时间, 均在1 s以内, 这对交互式提取来说是可以接受的。
图 5 水域提取结果(红色线为种子线, 湖蓝色线为提取轮廓)
Figure 5. Results of Water Extraction (Red Line is Seed Line, Lake Blue Line is Extracted Contour)
图 6 林地提取结果(红色线为种子线, 湖蓝色线为提取轮廓)
Figure 6. Results of Woodland Extraction (Red Line is Seed Line, Lake Blue Line is Extracted
-
本文以准确率(precision)、召回率(recall)和F1值作为定量评价指标。准确率是指提取出的目标物中有多少是准确的; 召回率是指所有准确目标物中有多少被提取出来; F1是准确率和召回率的加权调和平均, F1计算数值越大, 表明算法性能越好。各评价指标计算式为:
$$ \left\{ {\begin{array}{*{20}{l}} {{\rm{Precision}} = \frac{{{S_{{\rm{auto}} \cap {\rm{manual}}}}}}{{{S_{{\rm{auto}}}}}}}\\ {{\rm{Recall}} = \frac{{{S_{{\rm{auto}} \cap {\rm{manual}}}}}}{{{S_{{\rm{manual}}}}}}}\\ {F1 = \frac{{2 \times {\rm{Precision}} \times {\rm{Recall}}}}{{{\rm{Precision}} + {\rm{Recall}}}}} \end{array}} \right. $$ (14) 式中, Sauto为算法提取结果总像素; Smanual为人工勾选目标物真值像素总数; Sauto∩manual为Sauto与Smanual匹配的总像素。
图 9为本文方法提取的4种面状地物轮廓, 对于光谱、纹理等分布较为单一的地物(水域、梯田)来说, 能够获取较好的提取结果, 与实际面积相差不大。对于林地来说, 分布均匀的林地提取结果相对分布不均匀的林地提取结果较好。对于光谱、纹理单一的裸露地提取结果较好, 当裸露地中含有植被等地物时, 提取结果相对较差。图 10为对实验区影像中的水域、林地、梯田、裸露地等地物最终整体提取的结果及部分区域的放大显示。表 1为分别选取30个水域样本、397个林地样本、441个梯田样本、154个裸露样本, 对上述4种面状地物采用本文方法提取结果的精度统计, 水域、林地、梯田、裸露地提取精度分别为96.7%、91.9%、92.5%、95.7%, 结果表明, 本文方法能以较高的精度对上述4种面状地物进行快速交互提取。
图 10 实验区各类地物语义信息最终整体提取结果
Figure 10. Final Extraction Result of Various Kinds of Semantic Information in Test Area
表 1 4种面状地物提取精度比较/%
Table 1. Comparison of Extraction Accuracy of Four Kinds of Planar Features/%
地物类别 准确率 召回率 F1值 水域 96.4 97.2 96.7 林地 91.2 92.8 91.9 梯田 92.8 92.3 92.5 裸露地 95.1 96.5 95.7 -
针对高分辨率遥感影像上含有丰富的光谱、纹理信息的特点, 本文采取遥感影像语义分割的方法, 在分割的同时确定分割区域的语义类别, 结合交互式"一笔画", 建立全连接条件随机场描述影像的全局信息, 在保持精度的前提下, 实现了面状地物语义信息的半自动提取。通过对高分辨率遥感影像上水域、林地、梯田、裸露地等地物的提取验证了该方法的有效性。但由于遥感影像上地物复杂多样, 对于光谱与纹理不均匀的面状地物, 还需进一步改进。同时, 仅用本文方法完全自动生成符合测绘标准/规范的数据还有许多工作要做, 需要进一步的研究讨论。
Interactive Extraction of High-Resolution Remote Sensing Image Surface Feature Based on Full-Connected Conditional Random Field
-
摘要: 提出一种基于全连接条件随机场高分辨率遥感影像面状地物交互式提取方法。通过人工交互标记估计前景模型, 结合光谱与纹理特征, 在利用简单线性迭代聚类算法对输入影像进行过分割的基础上, 通过基于区域的最大相似融合对前景区域进行扩充, 建立全连接条件随机场描述影像的全局信息。以均值场估计为基础, 利用高维高斯滤波方法实现模型推断, 进而获取面状地物轮廓。通过对高分遥感影像上水域、林地、梯田等面状地物的实验提取, 证明了该方法的有效性。Abstract: An interactive extraction method of high-resolution remote sensing image surface features based on full-connected conditional random field is presented. Through human interaction tag estimation foreground model, combined with color and texture features, and using the simple linear iterative clustering(SLIC) algorithm to over segment the input image, the maximal similarity based on region merging (MSRM) is used to expand the foreground region and establish the global information of the full-connected conditional random field to describe image. The model inference is realized by the high-dimensional Gauss filtering method which is based on the mean-field estimation. The contours of the area features are obtained. The method is proved to be effective by experimental extraction of surface features such as water, woodland and terraced fields in high-resolution remote sensing images.
-
表 1 4种面状地物提取精度比较/%
Table 1. Comparison of Extraction Accuracy of Four Kinds of Planar Features/%
地物类别 准确率 召回率 F1值 水域 96.4 97.2 96.7 林地 91.2 92.8 91.9 梯田 92.8 92.3 92.5 裸露地 95.1 96.5 95.7 -
[1] Blaschke T. Object Based Image Analysis for Remote Sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1): 2-16 doi: 10.1016/j.isprsjprs.2009.06.004 [2] Li M, Zang S, Zhang B, et al. A Review of Remote Sensing Image Classification Techniques: The Role of Spatio-Contextual Information[J]. European Journal of Remote Sensing, 2014, 47(1): 389-411 doi: 10.5721/EuJRS20144723 [3] 闫利, 赵展, 聂倩, 等.利用规则进行高分辨率遥感影像地物提取[J].武汉大学学报·信息科学版, 2012, 37(6): 636-639 http://ch.whu.edu.cn/article/id/237 Yan Li, Zhao Zhan, Nie Qian, et al. Extraction of Feature Extraction from High Resolution Remote Sensing Images Using Rules[J]. Geomatics and Information Science of Wuhan University, 2012, 37(6): 636-639 http://ch.whu.edu.cn/article/id/237 [4] 邵鹏.基于多尺度分割的高分遥感影像主要地物信息提取技术研究[D].长春: 吉林大学, 2015 Shao Peng. Research on Main Feature Information Extraction Technology of High Score Remote Sensing Image Based on Multi-Scale Segmentation[D].Changchun: Jilin University, 2015 [5] 田力, 张晓盼, 袁艳斌.交互式遥感影像分割算法研究[J].武汉大学学报·信息科学版, 2014, 39(4): 406-410 doi: 10.13203/j.whugis20120362 Tian Li, Zhang Xiaopan, Yuan Yanbin. Interactive Remote Sensing Image Segmentation Algorithm[J]. Geomatics and Information Science of Wuhan University, 2014, 39(4):406-410 doi: 10.13203/j.whugis20120362 [6] Kruizinga P, Petkov N. Nonlinear Operator for Blob Texture Segmentation[J]. NSIP, 1999, 8(1): 881-885 http://www.cs.rug.nl/~petkov/publications/nsip99.pdf [7] Ojala T, Pietikäinen M, Harwood D. A Comparative Study of Texture Measures with Classification Based on Featured Distributions[J]. Pattern Recognition, 1996, 29(1): 51-59 https://www.sciencedirect.com/science/article/pii/0031320395000674 [8] Rother C, Kolmogorov V, Blake A. "GrabCut": Interactive Foreground Extraction Using Iterated Graph Cuts[C]. ACM Siggraph, California, USA, 2004 [9] 涂继辉, 眭海刚, 冯文卿, 等.利用词袋模型检测建筑物顶面损毁区域[J].武汉大学学报·信息科学版, 2018, 43(5): 691-696 doi: 10.13203/j.whugis20150665 Tu Jihui, Sui Haigang, Feng Wenqing, et al. Detection of Damaged Areas Based on Visual Bag-of-Words Model from Aerial Remote Sensing Images[J]. Geomatics and Information Science of Wuhan University, 2018, 43(5):691-696 doi: 10.13203/j.whugis20150665 [10] 文顺.基于层次条件随机场的图像对象分割[D].宁波: 宁波大学, 2014 Wen Shun. Image Object Segmentation Based on Hierarchical Condition Random Field[D]. Ningbo: Ningbo University, 2014 [11] Heikkilä M, Pietikäinen M, Schmid C. Description of Interest Regions with Center-Symmetric Local Binary Patterns[J]. Computer Vision, Graphics and Image Processing, 2006, 2: 58-69 http://www.ee.oulu.fi/mvg/files/pdf/pdf_750.pdf [12] 徐丽.面向图像标记的条件随机场模型研究[D].西安: 长安大学, 2013 Xu Li. Research on Conditional Random Field Model for Image Marking[D]. Xi'an: Chang'an University, 2013 -