结合水平集与光流的序列影像运动分割技术研究

提出一种结合变分水平集分割与变分光流的运动分割方法。该方法将光流能量函数与水平集分割能量函数进行整合形成新的运动分割能量函数,并采用变分方法进行优化。采用无人机序列影像对该运动分割方法进行实验分析,实验结果表明该方法在目标运动位移过大时,既能准确地估计出运动矢量,又能精确地分割出目标区域。     

一种基于变分自编码器的高光谱图像分类方法

深度学习可以有效表达影像的深层特征,在遥感图像处理特别是在分类方面取得了良好的效果。提出了一种基于变分自编码网络的高光谱遥感影像深度学习分类方法,该方法利用变分自编码器进行无监督训练,用分类层替换解码层,输入训练样本进行分类网络的微调,最后在分类器预测的类别概率图基础上使用条件迭代模型求解马尔可夫随机场,对分类结果进行优化。在两幅通用高光谱数据集上进行分类实验,结果表明基于变分自编码器的高光谱遥感影像分类方法取得了优于其它方法的分类效果。     

一种新的SAR图像局部统计活动轮廓模型及算法

近年来变分水平集方法在图像分割中得到了广泛应用,但此类方法的能量泛函是非凸的,易陷入局部极小值解。本文基于AA(Aubert-Aujol)去噪模型和变分水平集方法,提出一个局部统计活动轮廓模型,通过凸松弛技术将提出的分割模型转换成全局优化模型,再加入一个迫近算子项,将提出的模型转化为ROF去噪模型,最后采用快速去噪算法,得到一个全局最优的快速分割算法。此算法不涉及差分或微分方程,只需要简单的差分运算,提高了数值运算速度。对实测SAR图像进行分割实验,结果表明,本文提出的全局分割模型不但能够快速、有效地分割SAR图像,取得全局最小值,而且可以更准确地得到图像分割边缘。     

融合颜色和纹理特征的彩色图像分割

根据高分辨率遥感影像中地物呈高斯分布的特性,文章将水平集与Bayesian统计理论相结合,提出一种统计理论框架下的广义水平集分割模型;并利用多元高斯分布融合图像的颜色和纹理信息,实现彩色图像的分割及建筑物目标提取.实验结果表明,该模型实现了与eCognition软件中多尺度分割相近的效果,且能够实现不同尺度目标的分割,易于向高维特征扩展,可扩展性强.     

一种改进的变权重MRF遥感图像变化检测方法

基于马尔科夫随机场(Markov Random Field,MRF)模型下的遥感图像变化检测因固定组合能量函数导致的边缘分割模糊问题,提出了一种改进的变权重MRF遥感图像变化检测方法。该方法首先通过模糊C均值(Fuzzy C-means,FCM)算法对差值图像进行聚类分割,并依此分割结果作为变权重MRF的初始分割条件进行最终的分割;最后对分割结果进行掩膜处理,得到最终的变化检测结果。采用真实遥感影像进行对比实验,结果表明所提方法变化检测精度更高,边缘检测更加平滑,区域一致性更好。     

融合颜色-纹理模型的均值漂移分割算法

针对常规的均值漂移算法在特征空间聚类时未考虑图像的纹理信息从而导致分割精度不高的问题,该文提出了一种融合颜色-纹理模型与均值漂移的改进分割算法。首先,对原始影像进行同等组滤波和颜色量化,得到颜色-纹理模型;其次,利用均值漂移算法对滤波影像进行初始分割,得到同质性较好的初始分割区域;最后,将颜色-纹理模型及初始分割对象轮廓信息应用于区域合并过程中,结合形状特征增强分割对象的紧密性。该算法充分结合了图像的颜色、纹理特征,通过对不同类别的遥感影像的分割实验进行分析,结果表明分割效率和分割质量均得到较大提升,且具有较好的适用性、可靠性及精确性,对遥感影像中纹理信息丰富的植被、密集建筑区等具有较好的分割效果。     

改进SegNet与迁移学习的遥感建筑物分割方法

针对传统SegNet应用于遥感影像建筑物分割出现分割不连续的问题,该文提出了一种改进的SegNet模型,并引入迁移学习方法,以提高遥感影像建筑物分割精度。以SegNet为基础,加入能够提取多尺度特征的改进空洞空间卷积池化金字塔模块,并引入跳层连接使分割结果更为精细。选取了FCN、SegNet、载入ImageNet预训练权重参数的SegNet作为对比算法,对遥感建筑物分割数据集Inria Aerial Image Labeling Dataset进行训练和测试。实验结果表明,在有限的迭代次数及实验区域内,该文算法拥有更好的分割效果和更强的泛化能力。     

视觉皮层振荡神经网络在遥感影像分割中的应用

对于具有复杂场景的遥感影像,提出了基于各向异性扩散特征保持平滑的简化LEGION算法,弥补传统LEGION图像分割算法对噪声敏感的不足。对于多（高）光谱影像,则采用马氏距离计算光谱向量间的连接权得到扩展LEGION算法进行分割。实验结果表明,LEGION算法较传统的图像分割方法对单波段灰度遥感影像目标及其重要细节部分的分割效果更显著;扩展LEGION算法适用于多光谱遥感影像分割。     

一种云模型和期望最大聚类的遥感影像分割算法

为解决遥感影像分割中存在的不确定性问题和传统层次聚类算法中存在的时间复杂度高、缺乏可再分性等缺陷,基于云模型和期望最大聚类提出了一种新的遥感影像分割算法。该算法首先使用峰值法云变换从影像中抽取底层概念,然后通过EM算法对底层概念进行聚类,最后通过极大判别法完成遥感影像分割。实验证明,EM算法进行概念聚类能够快速地将概念分类为指定个数,并估计出高阶云概念的数学特征,相比于传统的基于云模型的遥感影像分割算法具有更好的分割效果。     

矢量C-V模型的高光谱遥感影像分割

高光谱遥感影像除了包含普通2维影像所具有的空间信息还包含了1维光谱信息,传统的针对2维影像的分割方法不能很好地应用于高光谱遥感影像。为此,本文提出一种能够同时处理多波段影像的高光谱遥感影像矢量C-V模型分割方法。首先选出高光谱遥感影像中目标与背景对比度较大的波段,并通过计算波段相关系数,去除其中的冗余信息形成新的波段组合,进而根据所确定的波段组合构建高光谱遥感影像矢量矩阵;在此基础上,构造基于该矢量矩阵的矢量C-V分割模型。模型中通过引入基于梯度的边缘引导函数,在保留传统C-V模型基于区域信息进行影像分割的基础上,利用影像的边缘细节信息,增强了模型在异质区域和复杂背景情况下对目标边缘的捕捉能力,提高了对高光谱遥感影像的分割精度和速度。最后利用HYPERION数据进行仿真实验,并将实验结果和传统C-V模型和相关方法进行了对比,结果表明,本文方法能够在短时间内有效地分割高光谱遥感影像,与传统方法相比,具有分割精度更高运算速度更快的特点。