一种基于马尔可夫随机场的影像纹理分类方法

针对纹理影像先估计出其马尔可夫随机场参数，后运用多元统计分析中模糊了在分析的数学方法进行定量分类，从而为解决划分上的不确定性现象找出描述方法，获得客观的分类结果。     

马尔柯夫随机场的参数估计与影像纹理分类

本文提出马尔柯夫随机场参数估计的算法，通过人工纹理和从航空像片上提取的自然纹理的试验表明参数估计的算法是正确的。除此之外，本文还讨论了不受图像边界形状影响的ＭＦＲ参数估计和利用ＭＲＦ参数进行纹理分类的问题。这些研究表明ＭＲＦ参数在航空像片纹理分类中具有很好的应用前景。     

纹理模型法用于影像纹理分类

在分析分形维和马尔可夫随机场两种主要纹理模型法的基础上,提出了先用马尔可夫随机场方法进行纹理分类,再用分形维方法对那些具有相同马尔可夫随机场模型及参数值相近的纹理影像进行分类的方法。     

广义马尔可夫随机场及其在多光谱纹理影像分类中的应用

在二维马尔可夫随机场模型的基础上，提出顾及波段间的空间相关性，发展了一种适用于多光谱纹理影像分类的广义马尔可夫随机场模型。鉴于广义马尔可夫随机场模型的复杂性，利用最大伪似然法建立了求解模型参数的简化方程式，实现了纹理特征的快速提取。结合提取的纹理特征影像和光谱特征影像，采用概率松弛算法实现影像的分类。实验证明，提出的基于广义马尔可夫随机场的多光谱纹理影像分类算法克服了传统的基于光谱特征的分类算法的局限性，提高了纹理影像的分类精度。     

基于遗传算法的影像纹理分类

阐述了遗传算法的基本原理,提出与马尔柯夫随机场相结合的遗传算法在影像纹理分类中的应用。通过对４种纹理取样的实验,表明这种影像纹理分类方法可以提高分类的正确率。     

基于马尔可夫随机场的模糊c-均值遥感影像分类

针对模糊c-均值聚类方法对初始值敏感,且在聚类时忽略空间相关信息的不足提出一种基于马尔可夫随机场的模糊c-均值聚类方法,该方法用马尔可夫随机场来描述像元的空间相关性,形成顾及空间相关的模糊c-均值分类方法。初始值依据第一主成分的密度函数确定,既克服对初始值的依赖性,又在聚类的时候考虑空间相关信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊c-均值模型。     

区域多尺度马尔可夫随机场的遥感影像分类

多尺度分析技术广泛应用于高分辨率遥感影像的特征提取和建模。分解层数受制于影像的大小,下采样小波变换实现的影像多尺度表达难以描述大范围的空间模式,导致分类结果出现"胡椒盐"现象;面向对象的影像分析技术虽避免了"胡椒盐"现象,但由于仅利用了单尺度的的特征,也难以描述影像多层次的空间模式,导致分类精度较低。为改善分类结果中的"胡椒盐"现象和提高分类精度,提出了一种结合区域多尺度遥感影像分割和马尔可夫随机场的分类方法。首先,获得原始影像过分割区域,依据区域内亮度均值以及区域间的共享边界长度信息,提取影像低频和高频特征,采用该低频特征波段代替原始影像,重复分割与特征波段提取过程,形成影像的区域多尺度表达。然后,以原始图像为初始尺度,以分割区域为处理单元,以更细尺度分类结果为标记场先验,以当前高频特征建立特征场,逐层分类、投影,获得最终尺度分类结果。合成纹理影像和多光谱遥感影像的实验表明:相比于小波域多尺度建模方法和单尺度区域建模方法,本文提出的方法可以有效提高分类精度,并避免"胡椒盐"现象的产生。     

纹理模型法用于影像纹理分类

在分析分形维和马尔可夫随机场两种主要纹理模型法的基础上,提出了先用马尔可夫随机场方法进行纹理分类,再用分形维方法对那些具有相同马尔可夫随机场模型及参数值相近的纹理影像进行分类的方法。该方法不仅能提供出影像纹理的纹理基元,还能给出影像粗糙性、自相似程度,减少了纳伪误差。     

图像纹理基元分类的马尔柯夫随机场方法

提出基于马尔柯夫随机场（MRF）的图像纹理基元分类新方法。利用MRF里中心像元特征值与邻近像元特征值之间的约束关系,反映图像纹理基元的特征以及不同的MRF参数。根据由同一类别的图像求得的MRF参数计算出的标准差最小这一性质来进行图像纹理的分类。通过不同实验方案的对比,以及与不同分类方法的比较,证实提出的图像纹理基元分类方法具有一定的优势。     

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。     

基于马尔柯夫随机场的多波段遥感影像纹理分割研究

利用马尔柯夫随机场（MRF），对光谱矢量在二维空间的映射模式予以描述，建立了基于马尔柯夫随机场的多波段纹理模型，提出了在多波段遥感影像中吉布斯（Gibbs）分布势函数和吉布斯参数的计算方法，并提出了一种迭代修正的多波段遥感影像纹理分割方法。     

模糊聚类分析用于基于分形的影像纹理分类

利用模糊数学中的模糊聚类分析方法,通过计算和比较不同影像纹理空隙数据的相似系数r_ij来达到分类的目的。试验表明,此方法是有效可行的。     

基于Markov随机场的彩色图像区域分析方法

提出了一种基于纹理的彩色图像区域分析方法, 彩色图像的纹理用Ｍａｒｋｏｖ 随机场表达; 为了提高纹理模型对纹理变化的敏感性, 随机场模型建立在Ｏｈｔａ 提出的３ 个正交彩色特征量上。用此彩色纹理模型对部分彩色航片进行区域分析效果明显     

基于马尔科夫随机场与模糊C均值的遥感影像分类

模糊C均值聚类是一种经典的非监督聚类模型,成功地应用于遥感影像分类。但是该方法对初始值敏感,容易陷入局部最优解;同时聚类时仅考虑光谱信息,忽略了空间信息。本文提出了一种新的基于马尔科夫随机场的模糊C均值聚类方法,该方法把马尔科夫随机场和模糊C均值结合在一起。初始值依据第一主成分的密度函数确定,这样克服了对初始值的依赖性,又在聚类的时候考虑了空间信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊C均值模型。     

基于遗传算法的影像纹理分类

阐述了遗传算法的基本原理,提出了与马尔柯夫随机场相结合的遗传算法在影像纹理分类中的应用。通过对4种纹理取样的实验,表明这种影像纹理分类方法可以提高分类的正确率。     

利用极化目标分解和WMRF的全极化SAR图像分类方法

提出了一种新的全极化SAR图像非监督分类方法,该方法将H/Alpha/A分解与马尔科夫随机场(Morkov rondom field,MRF)相结合。首先,根据地物的散射机制进行H/Alpha/A分解得到初始分类;然后,由基于Wishart分布的最大似然法迭代聚类更新分类结果;最后,结合WMRF(Wishart Markov randomfield)方法,由迭代条件模型法求取最大后验准则下的分割结果。NASA/JPL实验室的数据结果表明,该算法具有较好的分类效果,并获得了较高的分类精度。     

利用小波域多尺度模糊MRF模型进行纹理分割

针对小波域多尺度马尔科夫随机场模型(Markov random field,MRF)对信息利用不充分的特点,在模型中引入模糊理论,提出了一种新的小波域多尺度MRF模型。新模型定义了相应的模糊概率场,通过模糊概率场描述每个小波域各尺度上像素的类别隶属度;根据模糊概率场估计了对应的特征场模型参数,参数的估计考虑了同尺度所有位置的特征信息;根据特征场模型导出了对应的示性场模型,用其反映每个像素的类别能量。利用贝叶斯准则给出了3步交互迭代算法,获得了分割结果。     

视觉感受与Markov随机场相结合的高分辨率遥感影像分割法

鉴于视觉感受对外界强大的感知与识别能力,模拟视觉神经感知的工作机制,并结合Markov随机场模型,提出一种影像分割方法。首先,分析视觉感知系统的工作机制,将其特性归纳为等级层次性、学习能力、特征检测能力和稀疏编码特性,继而利用小波变换、非监督聚类、特征分析和Laplace分布模拟视觉工作机制,然后结合Markov随机场模型实现高分辨率遥感影像的分割。通过不同卫星的真实遥感影像进行了相关试验。试验结果表明本文提出的方法在高分辨率遥感影像分割任务中有非常良好的表现。     

利用MRF方法的高分辨率影像道路提取

高分辨率遥感影像提供了地物更丰富的信息,包括光谱信息、地物结构、形状、纹理以及地物之间的空间关系等多方面的信息。面向对象的影像分析方法以目标地物为研究对象,充分考虑目标地物的形状、结构及空间关系等信息进行目标的提取和分析,是当前高分辨率信息提取技术的主要方法。研究了采用面向对象目标的思想将MRF方法应用于高分辨率遥感影像的道路目标提取中,并进行了道路提取实验。