一种基于人工免疫的图像分割算法

图像二维熵分割,一直因耗时长而限制了实际应用。本文借鉴生物免疫思想,提出二维熵图像分割的人工免疫算法。在克隆选择算法中引入疫苗的免疫接种,用于优化最优分割阈值对的搜索过程。在遥感高分辨率图像上的实验显示,该算法不仅能准确搜索到最优阈值对,而且计算时间只有传统算法的1.8%。该算法也验证了人工免疫思想用于图像分割的可行性和有效性。     

基于人工免疫系统的遥感图像检索

为了提高遥感图像检索的准确性,提出了一种基于人工免疫系统(artificial immune system)的遥感图像检索算法。该算法根据相关反馈技术及免疫机理,利用克隆选择算法对用户反馈的图像特征进行泛化学习,从而提高了系统对用户语义的理解能力。实验结果表明,该算法能有效理解用户的反馈信息,能提高检索的准确性。     

标记分水岭算法及区域合并的遥感图像分割

传统的分水岭算法通常对梯度图像进行无标记分割，其结果是容易造成过度分割。本文采用了一种基于标记的分水岭算法，首先,利用Sobel边缘算子对原遥感图像进行梯度重建，获得梯度幅值图像，同时计算待分割区域的周长、面积和形态因子，并对其进行标记； 然后,利用距离函数图标定种子法和等值线跟踪法获得初始分割图像； 最后，利用改进的区域合并方法获得最终的分割结果。实验结果表明了该方法的有效性。     

利用改进的FCM方法分割高分辨率遥感影像

传统的模糊C均值聚类算法进行图像分割时只考虑了图像的灰度特征,而忽略了图像中丰富的空间邻域信息,从而导致该算法对噪声很敏感,并得到错误的分割结果。提出两种利用空间信息改进的模糊C均值聚类算法分割高分辨率遥感影像,并通过大量试验验证其有效性,该算法可减少错误分类像素的数目,降低噪声的影响,提高分割结果的精度。     

基于粒子群优化算法的最大类间方差多阈值图像分割

最大类间方差法是图像分割中一种常用的阈值分割方法,对于单阈值分割具有显著的效果,但是对于多阈值分割,计算复杂度大、耗时较多。本文将粒子群优化算法与最大类间方差法结合,提出了一种新的图像分割方法,该方法利用粒子群优化算法的寻优高效性,并由灰度图像的最大类间方差值作为适应值,搜索最优分割阈值,实现图像的多阈值分割。实验结果显示,新方法大大缩短了寻找最优阈值的时间,降低了运算复杂度,提高了图像分割速度,说明基于粒子群优化算法的图像分割算法是可行的、有效的。     

基于Grab Cut和二维熵的SAR图像目标分割方法

传统的Grab cut算法需要人工交互操作,无法实现SAR图像的自动分割;且SAR图像的斑点噪声干扰容易降低图像的分割质量。针对以上问题,文中以Grab Cut图像分割算法为基础,首先利用FCM算法对SAR图像进行预分割,根据预分割结果标记SAR图像中的前景与背景集合,得到两组较为准确的GMM初始化参数,迭代求得能量函数的最小化,实现SAR图像前景区域与背景区域的自动分割;并结合二维熵算法滤除SAR图像中的阴影,分割出目标区域。实验表明,利用该方法可自动分割出SAR图像中的目标,且分割质量良好。     

遥感图像分割的迭代上下文融合小波域HMT模型

由于已有小波域HMT(hidden Markov tree)图像分割算法在上下文融合阶段直接对数据块大小不等的相邻两尺度进行信息融合,导致细节信息分割不充分。为此,提出一种基于迭代上下文融合的小波域HMT模型图像分割算法。该算法在上下文融合阶段采用迭代融合方法,将每一尺度的融合结果作为该尺度的上下文信息再次融合,并设置变化阈值作为迭代终止条件。利用Brodatz纹理组合图像和Formosat-2遥感图像进行分割试验。定性和定量分析表明本文算法能改善图像分割的细节效果,进一步提高图像分割精度。     

侧扫声呐图像分割的中性集合与量子粒子群算法

针对现有的侧扫声呐图像分割方法存在分割准确率不高和效率偏低的问题,提出了一种基于中性集合和量子粒子群算法的侧扫声呐图像阈值分割方法。通过基于中性集合计算图像灰度共生矩阵,实现了侧扫声呐图像精细纹理的表达,提高了分割精度;基于二维最大熵理论,采用量子粒子群算法计算二维最优分割阈值向量,实现了分割阈值向量的快速准确获取,提高了分割效率和精度。最终实现了高噪声侧扫声呐图像目标的准确、高效分割。通过对含有不同目标的侧扫声呐图像的分割试验,验证了该算法的有效性。     

基于数学形态学的IKONOS多光谱图像分割方法研究

利用数学形态学方法,研究与探讨了IKONOS多光谱图像的分割技术.提出一种结合图像边缘特征和纹理特征的混合分割新算法.在高分辨率多光谱遥感图像K-L变换的基础上,采用多尺度多方向形态学梯度算子提取边缘特征.应用数学形态学滤波及局部方差统计特征对图像对象进行标记,最后采用强制最小过程,进行标记控制的分水岭分割.研究结果表明,提出的分割算法优于仅利用边缘特征的分水岭分割算法,同时,该算法能较好地解决分割过程中存在的过分割与欠分割问题,是一种适合高分辨率多光谱遥感图像的分割算法.     

改进的自适应遗传算法在遥感图像分割中的应用

为了自动确定遥感图像分割的最佳阈值,本文提出了一种改进的自适应遗传算法,并利用该算法对二维Otsu图像阈值分割函数进行了全局优化,提高了分割闻值的求解速度。该算法能够根据个体适应度大小和群体的分散程度自动调整遗传控制参数,从而能够在保持群体多样性的同时加快收敛速度,克服基本遗传算法的收敛性差、易早熟问题。实验结果表明,该算法具有良好的收敛速度和稳定性,达到较好的图像分割效果,大大缩短了计算时间。     

云模型图像分割系统的设计与分析

分析了基于云模型的图像分割方法,设计了图像分割软件系统,实现了云变换分割模块、云层次分割模块和二维云变换分割模块。     

高分辨率遥感影像分割方法研究

在遥感应用分析中,遥感影像分割是低层影像处理和中高层影像分析和理解的桥梁,是实现遥感影像信息自动提取的关键步骤,具有重要的意义。随着大量高分辨率遥感影像的出现,传统基于像素的影像处理方法已不能适应高分辨率遥感影像。近年来,国内外研究者们提出了面向对象影像的分析方法,而面向对象影像分析方法的关键就是影像分割,影像分割精度直接影响着高分辨率遥感信息提取和目标识别的精度。首先给出一般图像分割方法的综述;然后分析和总结了当前主要的高分辨率遥感影像分割方法,着重阐述了均值漂移、分形网络进化、马尔科夫随机场等分割方法的特点和研究现状;最后,对高分辨率遥感应用分析中影像分割方法的发展趋势进行了讨论与展望。     

高分辨率遥感影像并行分割结果缝合算法

采用基于数据并行的遥感影像分割实现过程,提出了一种新的数据缝合算法解决分割结果合并问题。分割效果对比和运算效率分析等实验结果表明,此算法保持了分割结果合并后的边界正确性,使并行化分割在提高运算效率的同时保证了分割结果的可信度。     

利用倒数灰度熵和改进Chan-Vese模型进行SAR河流图像分割

为了进一步提高合成孔径雷达(SAR)图像中河流分割的精度和速度,提出了一种基于人工蜂群优化的倒数灰度熵多阈值选取与改进Chan-Vese(CV)模型相结合的分割方法。考虑SAR图像中河流目标和背景类内灰度的均匀性,提出了基于蜂群优化的倒数灰度熵多阈值选取方法,以此对河流图像进行粗分割;针对基本CV模型收敛速度低、对初始条件敏感的问题,利用图像边缘强度取代Dirac函数,将粗分割结果作为改进CV模型的初始条件,对河流图像进行细分割。大量试验结果表明,所提出的分割方法无须设置初始条件,运行速度快,分割精度高。     

面向地学应用的遥感影像分割评价

影像分割是面向地理对象影像分析(GEOBIA)中的一个关键环节。分割评价有助于为影像选择合适的分割方法和最佳分割尺度。本文提出一种以遥感地学应用面向的对象为依据的分割方法分类及评价体系。首先将影像分割方法分为面向局部特征监测的典型目标识别和面向全局特征监测的面向GEOBIA的分割方法两组,进而针对这两组分割方法提出了两套分割评价测度指标及相应的综合评价方法。在面向典型目标识别的分割方法评价中,使用区域内部非均质度、区域间灰度对比度、区域间散度对比度、边界点梯度和单位像素运行时间作为评价测度,并针对由于评价测度间的相关性而无法直接确定各测度权重分配的问题,提出利用熵权法为各个评价测度分配权重以获得综合评价结果的分割评价方法,该评价方法可用于选择合适的分割方法。用于面向GOEBIA的分割方法中使用分割区域内均质性和区域间异质性作为评价测度,这种评价方法适用于选择最优分割尺度参数。本文通过定量试验论证了这两种评价方法的有效性,试验结果表明其在遥感应用中具有实际意义。最后本文分析了影像分割评价方法的不足及未来的发展方向。     

一种改进的基于最小生成树的遥感影像多尺度分割方法

影像分割是遥感影像面向对象信息提取的基础步骤。基于多特征、多尺度及考虑空间关系的遥感图像分割是主流研究方向。本文基于eCognition软件的多尺度分割思想,引入基于图论的最优化理论,提出了基于最小生成树分割和最小异质性准则的多尺度分割方法。该方法采用相干增强各向异性扩散滤波和最小生成树分割得到初始分割结果,通过最小异质性合并准则同时考虑多波段光谱特性区域形状参数进行区域合并,实现多尺度的影像分割。本次研究选取两景试验影像,对本文方法和eCognition软件的多尺度分割方法开展了目视比较和定量指标评价,结果表明,本文提出的方法是一种有效的影像分割方法,在光谱差异较小区域的细分方面优于eCognition方法。     

一种融合超像素与最小生成树的高分辨率遥感影像分割方法

影像分割是面向对象高分辨率遥感影像分析的基础与关键。针对传统影像分割方法易受噪声影响,且难以确定合适的影像分割尺度的问题,本文提出了一种融合超像素与最小生成树的高分辨率遥感影像分割方法。首先用简单线性迭代聚类算法对影像进行过分割生成超像素;然后初始设定影像分割数,采用区域动态约束聚类算法对超像素进行合并,获得分割数-方差和、分割数-局部方差、分割数-局部方差变化率指标图,依据3个指标图确定合适的影像分割数;最后根据确定的合适影像分割数,采用区域动态约束聚类算法对超像素重新合并得到分割结果。定性对比试验和定量评价结果表明,本文方法可以有效地克服影像噪声对分割结果的影响,获得良好的影像分割结果。     

基于水平集的曲线演化在图像分割中的应用

图像分割是图像处理中的一项基础工作,一般有基于边界和基于区域的分割方法。随着水平集理论的提出,主动轮廓模型尤其是C-V模型,在图像分割中的应用得到迅速发展。多相C-V模型,融合形状先验、纹理等信息的模型也被提出并得到较好的应用。将C-V模型应用于图像分割中,对合成图像和真实图像的分割实验,以及与其他分割方法的对比实验证明了该模型在图像分割中的有效性。