基于贝叶斯框架和Gamma分布的SAR图像分割

图像分割作为图像处理的关键步骤之一,一种高精度的SAR图像分割方法在图像分析与解译中显得尤为重要。根据SAR图像的统计特性,本文主要研究基于贝叶斯框架和Gamma分布的SAR图像分割方法,分别以单一Gamma分布概率模型和Gamma混合模型定义像素属于聚类的或然率;此外,基于马尔科夫随机场理论定义像素与其邻域像素标号间相互作用关系,并以此作为先验概率;然后,根据贝叶斯定理得到像素属于聚类的后验概率。最后,分别基于上述两种方法对模拟SAR图像及真实SAR图像进行分割实验。结果表明,Gamma混合模型较单一Gamma分布能够更加准确地描述SAR图像分布特征,得到高精度的分割结果。     

局部统计活动轮廓模型的SAR图像海岸线检测

首次将局部统计活动轮廓模型引入SAR图像海岸线检测问题中,提出了一种基于局部统计活动轮廓模型的SAR 图像海岸线检测方法。首先利用C-V模型进行粗分割,消除局部统计活动轮廓模型对初始轮廓线设置要求严格的限制,然后提出了一种基于G⁰分布的局部统计活动轮廓模型,进行精细分割。该模型采用G⁰分布对轮廓线上每一点的邻域进行统计建模,增强了模型数据拟合能力,提高了海岸线检测精度,加入水平集函数惩罚项,消除了重新初始化过程。实测SAR图像实验表明,本文方法可用于精确海岸线检测。     

一种有效的MSTAR SAR图像分割方法

提出了一种有效的MSTAR SAR图像分割方法。该方法首先对待处理图像进行过分割操作,得到过分割图像区域,然后对过分割后的图像进行图像区域级和像素级的特征提取,得到用于表示图像的特征向量,接着对MSTAR SAR图像使用空间隐含狄利克雷分配模型(sLDA)和马尔科夫随机场(MRF)建立本文所提出的模型,得到能量泛函,最后运用Graph-Cut算法和Branch-and-Bound算法对能量泛函进行优化,得到最终的分割结果。通过使用MSTAR SAR图像进行分割实验比较,仿真结果表明了方法的有效性。     

大幅场景高分辨率SAR图像机场自动检测

针对现有大场景高分辨率SAR图像机场检测方法中所采用的图像分割方法效果不佳、适应性不强,直线特征提取方法耗时长且易产生断裂的问题,提出一种在大幅场景SAR图像中自动检测机场的方法。首先,提出基于PPB滤波的模糊C均值算法进行图像分割,利用区域特征筛选出感兴趣区域(ROI);然后,采用启发式搜索快速有效地提取线基元,并提出新的共线性测度方法减少线基元连接中的误连接和欠连接;最后,利用平行线特征和灰度特征实现机场的检测。实验结果验证了该方法的有效性。     

一种新的MSTAR SAR图像分割方法

提出了一种新的MSTAR SAR图像分割方法。该方法首先根据地物的散射机制进行属性散射中心(attributed scattering centers,ASC)特征提取,构造属性散射中心特征向量;然后使用马尔科夫随机场(Markov random field,MRF)结合属性散射中心特征对MSTAR SAR图像进行空间邻域关系描述;最后运用标号代价能量优化算法得到最终的分割结果。MSTAR SAR数据上的实验结果证明了其有效性。     

基于Voronoi几何划分和EM/MPM算法的多视SAR图像分割

基于区域和统计的SAR分割方法,提出一种结合Voronoi划分技术、最大期望值EM(Expectation Maximization)和最大边缘概率MPM(Maximization of the Posterior Marginal)算法的多视SAR图像分割方法。首先利用Voronoi划分将图像域划分成不同的子区域,而每个子区域可以被看成待分割同质区域的一个组成部分,并假设每个子区域内的像素满足同一独立的Gamma分布,从而建立多视SAR图像模型,并在贝叶斯理论架构下建立图像分割模型,然后结合EM/MPM算法进行图像分割和模型参数估计。该方法将基于像元的马尔可夫随机场(Markov Random Field,MRF)模型扩展到基于区域的MRF模型,并且能同时有效地获取模型参数估计和基于区域的SAR图像最优分割。采用本文算法,分别对RADARSAT-Ⅰ/ⅡSAR强度图像和合成SAR强度图像进行了分割实验,定性和定量的测试结果验证了本文方法的有效性、可靠性和准确性。     

区域化模糊聚类SAR图像分割

将图像域规则划分与模糊聚类方法结合,提出了一种区域化模糊聚类算法,并将该算法用于合成孔径雷达(Synthetic Aperture Radar,SAR)图像分割,以解决分割过程中像素模糊聚类难以处理SAR图像中存在的大量固有斑点噪声问题。首先,利用规则划分技术将图像域划分成大小相等的规则子块;假设每一子块内像素对聚类的隶属度相同,并以此为基础定义区域模糊聚类目标函数;通过迭代最小化上述目标函数实现SAR图像初步分割;最后,采用中值滤波方法进行后处理操作,以消除规则划分对不同类别之间边界的影响,实现SAR图像精准分割。为了验证提出算法的有效性,用模拟及真实SAR图像实现了算法测试;对算法分割结果进行定性与定量评价。结果表明算法的分割精度较高,可以有效降低SAR图像中斑点噪声对分割结果的影响。     

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。     

结合规则划分和M-H算法的SAR图像分割

提出了一种结合规则划分和M-H(Metropolis-Hastings)算法的SAR图像分割方法。首先,利用规则划分将图像域划分成子块,并假设每个子块内像素服从同一独立的Gamma分布;根据贝叶斯定理,构建基于子块的图像分割模型;然后,利用M-H算法模拟该分割模型,实现SAR图像分割及模型参数估计。在MH算法中,设计了改变参数矢量、改变标号场及分裂或合并子块三个移动操作。为了验证提出的分割方法,分别对真实及模拟SAR图像进行分割实验。定性及定量评价结果表明了本文方法的可行性及有效性。     

基于可变形状参数Gamma分布的模糊聚类多视SAR图像分割

针对传统模糊聚类分割算法无法克服合成孔径雷达(synthetic aperture radar, SAR)图像中固有的斑点噪声问题, 提出了一种利用可变形状参数Gamma分布和邻域相关性的模糊聚类分割算法。可变形状参数Gamma分布用于建模多视SAR强度图像的斑点噪声, 并以其负对数作为特征场中像素与聚类间强度的相似性测度模型; 通过马尔可夫随机场(Markov random field, MRF)建立标号场中邻域像素的类属相关性模型; 在模糊聚类框架下, 以上述模型为基础构建模糊目标函数; 在目标函数最小化准则下, 求解最优结果。实验表明, 可变形状参数Gamma分布能够更加准确地拟合同质区域内像素强度的统计直方图。为有效求解包涵在Gamma函数内的形状参数, 采用牛顿迭代算法估计其数值解。对合成和真实多视SAR图像分别进行分割实验, 定性、定量分析的结果验证了本文算法的有效性。