生物地理学优化(BBO)在图像分割中的应用

引用生物地理学优化的思想解决了图像分割的问题,该方法简称BBOIS。它采用图像像元的分形维、能量和灰度特征进行图像的初始分割,将一幅图像划分为3幅二值图像,作为初始分割图像("住地"),经像元的迁出、迁入的交换实现初始分割图像的优化。在优化过程中,还引用反向学习技术(OBL)提高分割图像的质量。3幅航空影像(100像元×100像元)的实验表明,BBOIS算法有一定的优越性,是有一定潜力的分割方法。     

应用模糊逻辑图像分割方法的分析与研究

将模糊逻辑中隶属度函数的概念应用到图像分割中,改变现有分割方法中由一个分割阈值决定一个像元属于哪个类别的问题,而由在一定范围内的隶属度函数值来决定像元的类别,这种方法称为模糊逻辑图像分割方法(FLIS)。通过对真实航空影像的图像分割实验,同时将实验结果与现有方法作了对比,结果表明FLIS方法具有明显的优势。     

地球空间信息相关论文摘要

080501 Cognitive Agent在图像分割中应用的研究/郑肇葆(武汉大学)//武汉大学学报·信息科学版.-2008,33(7).-665～668 介绍了Cognitive Agent的来源和特点,阐述了Cogni-tive Agent图像分割的原理和方法,在其搜索的数字图像环境中,采用了局部平均灰度、局部标准差、局部能量和局部分形维四个特征信息,提供了思考、推理、决策选择的同质像元.     

Tsallis熵和改进CV模型的海面溢油SAR图像分割

为了解决海洋表面溢油监测中合成孔径雷达(SAR)图像分割精度不高的难题,提出一种基于Tsallis熵多阈值分割与改进CV(ChanVese)模型相结合的海面溢油图像分割方法。首先采用基于Tsallis熵的多阈值选取算法对海面溢油图像进行粗分割;然后分别将得到的溢油区域和溢油粗略轮廓作为CV模型的局部区域和初始轮廓,以降低CV模型的场景复杂度及其对初始条件的敏感性。CV模型仅考虑了图像各区域的均值信息而没有考虑图像的局部信息,尽管能够得到渐进型边界图像,但其分割结果存在误差。本文采用了加入移动因子的改进CV模型降低分割误差,提高收敛速度。实验结果表明,提出的海面溢油SAR图像分割方法具有分割边界定位准确、运行高效和无需设置初始条件等优点。     

一种基于证据理论的多极化SAR图像分割方法

本文提出了一种基于证据理论的融合像素信息和上下文信息的多极化合成孔径雷达(SAR)图像分割方法.D-S证据理论是一种不确定性推理方法.基于D-S的SAR影像分割方法将像素信息和上下文信息看作两类证据,先对高度平滑后的影像作初始的过分割,然后基于D-S理论对初始分割图斑的边界进行迭代修正,最后再融合两类证据对初始分割的图...     

联合NSCT与多重分形的高噪声侧扫声呐图像分割

针对现有分割算法对高噪声侧扫声呐图像分割准确率低的问题,提出了一种综合利用NSCT(non-subsampled contourlet transform)分解图像、局部标准差和均值组合增强图像和多重分形判断图像奇异性的侧扫声呐图像分割方法。首先,借助NSCT分解图像,获得滤除高频噪声且保留轮廓信息的低频图像和一系列高频方向子带图像。然后,基于侧扫声呐图像中目标及其阴影伴随出现的特点,计算低频图像的局部标准差与均值的组合特征,获得分别突显目标及其阴影的特征图,使用多重分形分割方法分割特征图,获得低频图像分割结果;利用图像差分和非极大值抑制方法分割高频方向子带图像,获得高频分割结果;融合高低频分割结果获得目标及其阴影的精细边缘。最后通过试验验证了本文方法的有效性。     

基于蚁群行为仿真的影像分割

提出以像元的灰度值、能量值和分形维作为信息素的蚁群行为仿真的图像分割原理和方法。由该方法对3幅航空影像进行图像分割试验,得到图像的粗分割。利用本文提出的精处理方法,得到图像分割的最终结果。采用标记点量测的方法,对分割图像作出质量评价,结果表明,该方法很有应用前景。     

超像元尺度下的多光谱图像超分辨率洪水淹没制图

超分辨率制图SRM (Super-resolution Mapping)技术可以有效地处理遥感图像中的混合像元,获得准确的地物类别分布信息。目前,SRM技术已经成功地应用于多光谱图像洪水淹没定位中,称为超分辨率洪水淹没制图SRFIM (Super-resolution Flood Inundation Mapping)。然而,现有的SRFIM方法往往基于像元尺度空间相关性,这种空间相关性考虑设定的矩形窗内的像元之间的空间关系,但实际情况下淹没区域与非淹没区域的形状是不规则的,因此这种像元尺度空间相关性不够准确,影响最终的洪水淹没制图精度。为了解决这一问题,提出了超像元尺度空间相关性下的多光谱图像超分辨率洪水淹没制图SSSC-SRFIM (Super-resolution Flood Inundation Mapping for Multispectral Image Based on Super-pixel Scale Spatial Correlation)。在SSSC-SRFIM中,首先利用双立方插值改善原始粗糙多光谱图像,获得改善后的图像,并利用光谱解混方法对改善后的图像进行光谱解混,获得具有每个亚像元属于淹没类别概率值的丰度图像;然后利用主成分分析法提取改善后图像的第一主成分,并利用基于多分辨率的图像分割算法分割第一主成分,获得不规则形状的超像元;再者将丰度图像与超像元进行整合计算,并引入随机游走算法计算各个超像元之间的空间相关性;最后,依据超像元空间相关性,利用基于类别单元的类别方法将淹没区域或非淹没区域标签分配给每个亚像元中,得到最终的洪水淹没制图结果。利用两个Landsat 8 OLI多光谱图像对该方法进行了评价。结果表明,与传统的SRFIM方法相比,本文提出的SSSC-SRFIM方法具有更好的效果。     

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.     

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。