针对深度卷积网络在遥感图像上存在小目标漏分、被遮挡目标无法提取、细节缺失等问题,在深度卷积编码-解码网络的基础上提出一种基于多级通道注意力的遥感图像分割方法(SISM-MLCA)。首先在网络编码阶段加入通道注意力机制,通过自我学习的方式获取更为有效的特征,解决遥感图像中目标遮挡问题;其次,在不同尺度上施加通道注意力的特征图融合,使网络提取到丰富的上下文信息,能应对目标尺度的变化,改善小目标难分割的问题。在两个数据集实验上的结果表明:SISM-MLCA具有更高的目标分割准确性,对小目标与被遮挡目标能取得更好的分割结果;在训练数据有限、背景复杂多样、尺度变化较大的遥感图像目标分割中取得了较好的结果,表明SISM-MLCA可应用于复杂的遥感图像目标分割中。

在遥感图像的众多分割方法中，高斯混合模型(GMM)是一种常用的图像建模方法。提出了高斯-瑞利混合模型(GRMM)可能更适合对遥感图像建模。介绍了传统高斯混合模型和高斯-瑞利混合模型的区别。比较了这两种混合模型对图像建模的结果，并用数据说明高斯-瑞利混合模型拟合图像的像素分布误差更小。采用最大熵方法确定图像的最佳分类数，采用马尔可夫随机场(MRF)方法及新的势能函数完成图像的分割，采用迭代条件模型(ICM)完成分割过程中的最大后验概率计算问题。在实验中采用了3幅遥感图像，实验过程中比较了各个图像运用高斯混合模型和高斯-瑞利混合模型的分割和拟合结果，分别通过数据和分割结果体现了该分割方法的效果。

针对二维Otsu及其改进算法分割直方图非高斯分布的遥感图像效果较差等问题，提出了一种基于最小类平均绝对偏差的遥感图像分割算法（MCMAD）。利用对角线投影法把遥感图像的二维直方图转化为一维直方图，从而降低计算复杂度；在不同阈值下计算一维直方图相应类中像素出现的概率和类中像素灰度的期望值；遍历一维直方图的所有阈值，得到不同阈值对应的类平均绝对偏差，将最小类平均绝对偏差对应的阈值作为最佳阈值分割点。实验结果表明，与二维Otsu及其改进算法相比，MCMAD算法不仅能够很好的分割直方图为高斯分布的遥感图像，而且改善了直方图为拉普拉斯分布的遥感图像分割效果。此外，新算法的时间消耗也很低。

针对高分辨率遥感图像分割过程中区域合并复杂性问题，提出了一种基于边界引导的多尺度遥感图像分割算法.一方面应用SUSAN算子提取高分辨率遥感图像中地物的边界用于限制区域增长过程；另一方面进行两阶段增长，首先应用基于图的分割算法进行基于像素的区域生长，然后进行考虑对象特征信息的区域合并.对宜昌城区某处融合后的QuickBird彩色图像进行了实验，并分别与无边界引导分割以及eCognition平台下图像分割效果进行了对比.结果表明，该方法可以有效抑制传统图像分割算法在低对比度区的区域融合问题，突破了分割尺度参数不能在全图取得合理分割的局限性.