基于高斯马尔可夫随机场混合模型的纹理图像分割

针对以高斯马尔可夫随机场中的邻域像素互作用参数为特征、以高斯混合模型为分类器的二步纹理图像分割方法,提出一个两者相互结合的一步模型———高斯马尔可夫随机场混合模型,并给出其EM算法的迭代计算公式。利用该模型进行纹理图像的分割实验,发现该算法在纹理图像分割的精度上比前者有较大程度的提高。     

一种新的基于高斯混合模型的纹理图像分割方法

提出了一种新的结合了小波变换的高斯混合模型纹理分割方法。该方法包括预处理、小波变换、模型训练、计算后验概率和标记图像等5个阶段,并分析了将高斯混合模型引入纹理分割需要注意的几个方面。试验结果表明,该算法具有较好的分割性能。     

利用非线性扩散的半自动纹理图像分割

介绍了一种非线性扩散过滤器法从包含纹理的图像中获取灰度、尺度和方向信息,并形成经过耦合保边平滑的5通道向量值图像,对纹理图像的分割变为对此向量值图像的分割。针对半自动操作的特点,在合理的假设前提下,采用了多通道统计区域分割法。试验结果表明,本文的纹理分割方法能有效地利用重要纹理特征与灰度的混合信息,是一种半自动的无监督纹理图像分割方法。     

一种基于马尔科夫随机场模型的彩色纹理图像分割

提出了一种基于Gabor滤波和马尔科夫随机场的彩色纹理特征图像的分割算法。首先对色彩和纹理特征进行了分析,将RGB色彩空间非线性变换到CIE-LUV空间,构造颜色的特征向量;然后对原始彩色图像进行Gabor滤波和高斯平滑处理,得到恰当表示原图像的灰度纹理图像;再对原图像建立MRF分割模型,结合色彩和纹理信息,运用贝叶斯理论和迭代优化算法估计最大后验概率(MAP)。实验表明,本文方法可以有效地实现图像分割。     

用于遥感图像纹理分析的子空间法与纹理变换法

本文着重探讨了纹理特征引入遥感图像分析所面临的二个问题—冗余特征压缩与纹理分割。针对第一个问题,本文利用了与传统方法迥然不同的子空间法,该法与马氏距离法比较得出,无论是效率还是精度,子空间法均优于马氏最小距离法。针对第二个问题,本文在前人工作的基础上,提出了纹理能量变换法,实验结果表明,该法用于纹理分割是可行的。     

基于非线性扩散的纹理分割

A texture image segmentation based on nonlinear diffusion is presented. The scale of texture can be measured during the process of nonlinear diffusion. A smooth 5-channel vector image with edge preserved, which is composed of intensity, scale and orientation of texture image, can be achieved by coupled nonlinear diffusion. A multi-channel statistical region active contour is employed to segment this vector image. The method can be seen as a kind of unsupervised segmentation because parameters are not sensitive to different texture images. Experimental results show its high efficiency in the semiautomatic extraction of texture image.     

遥感图像分割的低维纹理特征算子与双变异蝴蝶优化算法

针对光学遥感影像受天气影响导致部分地物间形成弱边缘问题,提出一种低维纹理特征算子与双变异蝴蝶优化算法。首先提出一种适用于遥感影像的低维完备局部三值模式的纹理特征提取算子,并将其引入简单线性迭代聚类算法,对遥感影像进行初始分割,减小了噪音影响,同时增强算法对弱边缘的敏感度和分割准确性;然后采用双变异蝴蝶优化的支持向量机合并同质超像素块,以简单线性迭代聚类算法和低维纹理特征算子得到的综合特征作为输入,得到最终分割图像。利用2组高分辨率遥感影像进行分割实验,并与当下流行的卷积神经网络进行对比,实验结果表明,所提算法相较于传统算法对弱边缘有更好的分割效果,数据一的边界回归率(boundary recall,BR)值较对比算法平均提高了1.9%,Kappa系数平均提高了0.036;数据二的BR值较对比算法平均提高了2.33%,Kappa系数平均提高了0.027。对比实验证明了所提算法相较于卷积神经网络有更好的泛化性。     

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。     

基于小波域分层Markov模型的纹理分割

提出了一种新的小波域分层Markov模型。该模型使用高斯马尔可夫随机场(Gauss Markov randomfield,GMRF)模型描述每一尺度小波系数向量的分布,考虑了同一尺度特征之间的相互作用;利用尺度间的因果马尔可夫随机场(Markov random field,MRF)模型和尺度内的非因果MRF模型来描述标记场的局部作用关系,以此确定标记场的先验信息。根据贝叶斯准则,利用多目标问题优化技术,给出了此模型相应的纹理分割算法。最后,与经典模型的分割算法进行了对比实验,验证了所提出算法的有效性。     

遥感图像纹理分析方法

本文针对遥感图像纹理特征,定义纹理是“图像像元亮度值空间变化率的一种量度”.据此定义,提出纹理强度和纹理密度两个新参量,定量地描述遥感图像的纹理特性。这两个参量反映了图像中相邻象元亮度值的差别及图象中象元亮度值变化的频数。所设计的相应提取方法包括:强度和法、绝对差法与最大、最小值法等三种纹理强度提取方法,以及两种纹理密度提取方法:一阶纹理密度法与二阶纹理密度法。同时,讨论了局部移动窗口大小的选择原则。本文不仅设计了从遥感图像亮度值的绝对变化提取纹理特征的方法,并进而提出相对梯度概念,从象元亮度值的相对变化描述图象的纹理特征;由相对梯度法生成的纹理图像,不仅可突出遥感图像的空间信息特征,并保留了原图像的部份波谱信息,原图像中的甚亮区和暗区、甚暗区（如山地背阴坡）的纹理结构得以清晰地显现,效果独特。     

一个快速Kalman滤波方法及其在GPS动态数据处理中的应用

本文首先建立起利用Ｋａｌｍａｎ滤波进行动态ＧＰＳ数据处理的数学模型。然后，基于矩阵外积概念设计了一个很有实用价值的Ｋａｌｍａｎ滤波算法，并应用于动态ＧＰＳ数据处理问题。理论分析和计算结果表明：该方法不仅数值稳定性高，而且快速高效，所用ＣＰＵ时间仅为标准Ｋａｌｍａｎ滤波的八分之一。     

基于云模型的图像分割方法研究

分析了图像信息的不确定性、云模型的理论和方法,提出了一种基于云模型的图像分割新方法,实现了图像分割,取得了良好效果。     

马尔柯夫场在影像纹理模拟中的应用

本文介绍了马尔柯夫随机场（简称ＭＲＦ）模拟影像纹理的原理和算法，用本文提出的算法，作了模拟分形纹理的许多实验：模拟纹理的自相似性试验；ＭＲＦ模型参数对影像纹理的控制作用等试验。试验结果表明算法正确，ＭＲＦ是模拟影像纹理的一个好模型。     

基于粗糙集的K-均值聚类算法在图像分割中的应用

结合粗糙集理论和K-均值聚类算法,提出了一种图像的粗糙聚类分割方法,试验结果表明,其比随机选取聚类的中心点和个数减少了运算量,提高了分类精度和准确性。     

与旋转、尺度无关的影像纹理的MRF参数估计

本文提出纹理图像尺度、旋转参数估计的数学模型，通过航空影像纹理图像分类试验，表明所提出的数学模型是正确的。对方向性强的纹理，在进行旋转变换后，可以提高纹理分类的正确率。     

航空影像纹理分类的最小二乘法和问题的分析

本文介绍航空影像理分类的最小二乘法原理和算法，该方法是建立在影像纹理ＭＲＦ参数测定的基础上，七种航空影像纹理的试验表明这种分类是有效的。通过对影像纹理的分形维以及影像分辨力对纹理分类的影响分析，表明采用了多重信息可以提高分类的正确率。     

图象分割中随机噪音的影响

该文在生成的灰度图象上加上随机噪音，用最大后验（ＭＡＰ）估计方法、模糊Ｃ－均值方法和Ｏｔｓｕ阈值方法进行了分割计算，对结果进行了对比分析，绘出了分割随噪音的标准差变化曲线，对噪音图象使用了不同的滤波方法处理之后，并进行计算。     

利用改进图割的彩色图像分割算法

针对基于多标签图割的分割算法因标签过多造成计算量大的问题,提出一种基于多组件图割的彩色图像分割算法。首先根据彩色梯度信息融合所提取的四元数cut-off窗口特征和ClE Lab颜色特征进行特征提取;然后使用多组件图割算法结合最大似然(ML)估计自动分割图像,在迭代过程中,每一个分割内不相邻的区域将作为该分割的多个组件以减少标签数;最后去除一些弱边界得到分割结果。理论和实验结果表明,新算法不仅具有收敛性,而且分割性能优于原始算法。     

Adaptive MAP sub-pixel mapping model based on regularization curve for multiple shifted hyperspectral imagery

Sub-pixel mapping is a promising technique for producing a spatial distribution map of different categories at the sub-pixel scale by using the fractional abundance image as the input. The traditional sub-pixel mapping algorithms based on single images often have uncertainty due to insufficient constraint of the sub-pixel land-cover patterns within the low-resolution pixels. To improve the sub-pixel mapping accuracy, sub-pixel mapping algorithms based on auxiliary datasets, e.g., multiple shifted images, have been designed, and the maximum a posteriori (MAP) model has been successfully applied to solve the ill-posed sub-pixel mapping problem. However, the regularization parameter is difficult to set properly. In this paper, to avoid a manually defined regularization parameter, and to utilize the complementary information, a novel adaptive MAP sub-pixel mapping model based on regularization curve, namely AMMSSM, is proposed for hyperspectral remote sensing imagery. In AMMSSM, a regularization curve which includes an L-curve or U-curve method is utilized to adaptively select the regularization parameter. In addition, to take the influence of the sub-pixel spatial information into account, three class determination strategies based on a spatial attraction model, a class determination strategy, and a winner-takes-all method are utilized to obtain the final sub-pixel mapping result. The proposed method was applied to three synthetic images and one real hyperspectral image. The experimental results confirm that the AMMSSM algorithm is an effective option for sub-pixel mapping, compared with the traditional sub-pixel mapping method based on a single image and the latest sub-pixel mapping methods based on multiple shifted images.