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。     

一种用于SAR图像分割的几何活动轮廓模型

基于SAR图像边缘检测算子和变分水平集方法,依据能量最小化准则,提出了一种新颖的几何活动轮廓模型.其基本思想是,直接定义关于水平集函数的能量泛函,并将经典模型中基于梯度算子的边缘指示函数,替换为基于ROEWA算子的边缘指示函数,提高了模型对于SAR图像的边缘检测能力;同时在新模型中加入水平集函数惩罚项,确保水平集函数逼近符号距离函数.由于该项的作用,模型的数值求解可采用简单的显式差分格式迭代,并保持较快的收敛速度.针对仿真图像、Radarsat和华东电子研究所实测数据的实验结果表明,该模型具有实现简单、分割边界定位准确和收敛速度较快等优点.     

一种快速有效的MSTAR SAR目标图像分割算法

提出了一种快速有效的SAR目标图像分割算法。该算法基于混合Gamma分布,利用改进的Potts模型引入先验信息,通过结合期望最大化和图切割优化算法(GC)对混合分布模型参数进行快速稳健的估计,从而获得最终的分割结果。在MSTAR SAR数据集上的实验表明了该算法的有效性和灵活性。     

一种高分辨率SAR图像快速目标检测算法

目标检测是自动目标识别(ATR)的第一个阶段。研究合成孔径雷达(SAR)图像目标检测问题,提出了一种基于Rayleigh分布的CFAR快速检测算法,将CFAR检测分成水平和垂直CFAR检测两步进行。利用相邻点参考窗口的重合及图像的分布特性,提高了参数估计的效率。算法同时利用目标方差特性以减少虚警率。对MSTAR数据进行实验,结果表明该算法具有较好的性能。     

基于特征注意力金字塔的遥感图像目标检测方法

遥感图像场景复杂、目标大小不一、分布不均衡等特点增加了目标检测的难度,而适于检测不同尺度目标的特征金字塔融合不同深度的特征图时,没有考虑特征图各自的重要性,没有强调目标区域的特征,为此本文提出基于特征注意力金字塔的遥感图像目标检测方法 FAPNet(Feature Attention Pyramid Network)。首先,使用通道拼接方式融合不同深度的特征图,给用于检测的特征图提供不同大小感受野的特征,并基于通道注意力对融合的特征图在通道维度重标定,根据特征图所负责检测目标的尺度自适应地调整不同大小感受野特征的权重,强化感受野大小与待检测目标尺度匹配度较高的特征,弱化匹配度较低的特征。其次,使用叠加的扩张空间金字塔池化结构,结合弱监督分割网络建模位置注意力,强化目标区域特征,弱化背景区域特征,进一步提升目标检测方法的性能。实验结果表明,相较于RetinaNet,针对汽车目标,所提方法在UCAS-AOD数据集和RSOD数据集上检测精度AP分别提升了3.41%和2.26%,针对多类目标所提方法在各目标上取得了较优的AP结果,且mAP结果优于其他比较方法。     

SAR图像河流分割的加权指数区域能量模型

传统主动轮廓模型很难实现精确的SAR图像河流分割。针对这一问题,本文提出了一种加权指数区域能量主动轮廓模型,以精确地提取SAR图像中的河流。该模型在Chan-Vese(CV)模型能量泛函中引入了指数区域能量,能更好地衡量分割图像和原始图像的差异程度,提高模型的分割准确性。此外,利用目标区域和背景区域内像素灰度的最大绝对差取代模型中常值区域能量权重,自适应地调节目标区域和背景区域的能量比重,加速曲线运动到目标区域的边缘,获得更高的分割效率。针对实际河流SAR图像进行了分割试验,结果表明:与传统主动轮廓模型相比,本文提出的模型能更快速、精确地分割SAR图像中的河流,在分割结果和分割效率两方面具有优势。     

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。     

SAR图像点目标检测新方法

分析了2L-IHP目标检测算法,提出了一种基于幅度和相位信息的SAR图像目标检测方法,实现了SAR图像中人工目标的有效检测.     

先验形状约束的水平集分割模型

传统C-V模型只利用了图像的灰度信息,分割精度不高。本文凭借水平集理论在拓扑结构优化及形状建模方面的优势,以普遍类型的规则建筑物为例,研究如何将人的先验知识融合至水平集框架中,并提出先验形状约束的建筑物目标分割模型,以改善高分辨率遥感影像中建筑物受干扰情况下分割的完整性及准确性。试验证明,该模型分割结果较C-V模型有很大提高,基本能保持与eCognition多尺度分割相近的精度。     

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。     

一种基于特征分类辨识的SAR图像目标检测方法

该文给出了一种基于特征分类辨识的合成孔径雷达（Synthetic Aperture Radar,SAR）图像目标检测方法。用恒虚警（Constant False Alarm Rate,CFAR）和扩展分形（Extended Fractal,EF）方法对SAR图像进行目标检测后用面积和峰值能量比算子辨识目标和背景杂波,去除一部分虚警,用小波域主成分分析（Principal Component Analysis,PCA）对每个检测窗口内的图像提取特征向量,用支持向量机（Support Vector Machine,SVM）对提取得到的特征向量进行分类,辨识目标和背景杂波,完成目标检测。使用ADTS数据对该方法进行验证和分析,实验结果表明,经过特征分类辨识后,在检测率不变的情况下,虚警数目显著降低。因此,该方法是一种有效的SAR图像目标检测方法。     

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。     

基于压缩感知的SAR图像CFAR目标检测算法

在球不变随机向量的非高斯背景下,针对估计协方差矩阵可能奇异的情况,研究了距离扩展目标的自适应检测方法。首先,推导了非高斯背景下未知协方差矩阵和目标散射点幅度的修正最大似然(maximum likelihood,ML)估计;然后,基于纹理分量的近似ML估计,建立了自适应检测器(adaptively modified generalized likelihood ratio test,AMGLRT)。仿真结果表明,AMGLRT在目标散射点能量均匀分布时检测性能最佳,随着杂波尖峰的减小或阵元数的增加,AMGLRT的检测性能有所改善;且其对不同杂波相关性表现出很好的鲁棒性。另外,AMGLRT的检测性能优于已有的M/K检测器,且这种性能优势随着散射点个数的增加而增大。     

基于神经网络的无人机影像多目标检测方法

针对现有方法检测无人机目标时精度与泛化能力不足,提出一种基于回归的多目标检测方法.使用密集连接增强层间信息传递,添加批量再规范化(Batch Renormalization,BRN)层加速模型训练,降低样本分布不均而导致的精度偏低,使用密集连接结构聚合上采样层不同层信息.以开源数据集Vision Drone为基础建立优化数据集训练模型.结果表明,提出模型检测精度达89.57％平均精度均值,相比(You Only Look Once v3,YOLOv3)模型和(Region Full Convolutional Network,R-FCN)分别提高6.53％和3.11％,检测速度达27每秒传输帧数,在不同场景表现稳定.     

利用方向性粗糙度特征对SAR图像目标检测的研究

从反映纹理信息的粗糙度特征出发,深入研究利用方向性粗糙度特征对SAR图像进行目标检测的方法.方向性粗糙度特征是用指数小波在一个尺度上对检测图像滤波,对特定大小目标用能量关系函数求得各像素点在一个方向上的分形特征.针对MSTAR数据和ADTS数据的SAR图像,确定了用该方法检测目标时的最优参数.分别用方向性粗糙度特征和恒虚警率(CFAR)方法对上述两种不同波段的SAR图像进行目标检测,检测结果表明:方向性粗糙度特征能以更低虚警率检测出全部特定大小的目标,而且目标空间可分辨性好、位置指示准确.     

一种在长时间序列SAR影像上提取稳定目标点的多级探测法

基于长时间序列上的差分雷达地表形变检测技术是近年来形变监测领域中一项重要的关键技术,而在长时间序列上稳定目标点的准确提取则是其中的一项重要环节,在此本文提出了一个有效的提取稳定目标点的多级探测方法.该方法以传统的振幅探测法为基础提取稳定目标点,同时针对振幅探测中稳定目标点的分布密度低、不均匀等问题,建立时间相干性计算模型,并利用目标点时间相干信息提取更多满足要求的稳定点目标.本文选用上海地区的26幅ERS-1/2 C波段SAR图像(1992-2000年获取)进行了目标点的提取实验,证实了该方法的有效性和可靠性.     

一种多孔径SAR图像目标检测方法

提出了一种多孔径SAR图像目标检测方法,充分利用SAR图像幅度和相位信息来区分人造目标和杂波。由于人造目标的回波能量往往集中在部分方位角范围内,当该部分方位角范围所对应的多个子孔径图像中存在目标时,其局部相关性较强,因此,该方法利用多个子孔径图像之间的相干系数检测目标。实验结果表明,该方法有效地提高了目标检测概率,同时降低了虚警概率。     

一种快速的SAR图像目标检测方法

针对SAR图像检测方法效率低等问题,提出了一种联合灰度和纹理特征的快速检测算法,通过利用全局检测算法与垂直方向纹理边缘的并行检测来提高检测速度,并给出了一个实例,验证了所提方法的有效性。     

基于静态模型的多视角SAR图像目标识别方法

传统的多视角SAR图像集合对于目标姿态角具有高度敏感性,因此在用于目标识别时存在一些不足之处。针对该问题提出一种多视角SAR图像的静态建模方法,它将来自一个目标多个视角下的图像信息集成到一个综合的数据结构中,并且该数据结构与目标散射中心有关而与角度无关。然后利用静态模型对不完全姿态角的目标数据进行静态建模,利用模板匹配法对输入多视角图像进行目标识别。理论分析和仿真结果表明,本方法在每个目标只有少量姿态角模板数据可用的情形下比传统模型具有优势。