边缘走向自适应的多尺度分水岭分割算法

针对图像分割存在过分割、欠分割以及分割边界具有不确定性等问题,提出一种边缘走向自适应的多尺度分水岭遥感图像分割算法.此算法根据梯度变化的最大方向来确定单个波段的梯度值,通过各像元邻域内波段间的相关性合成多个波段的梯度,对梯度图像进行形态学重建之后,采用多尺度标记算法进行标记分水岭分割.选取QuickBird,SPOT,Landsat TM 3种不同空间分辨率的遥感影像对此算法进行试验分析;同时,将该算法与eCognition软件中多尺度分割方法、多波段组合的传统分水岭分割方法、形态学分水岭分割方法进行比较.结果表明:该算法分割结果的边界和真实的地物边界非常接近,分割结果精度优于eCognition软件中多尺度分割方法、多波段组合的传统分水岭分割方法和形态学分水岭分割方法.     

基于分水岭变换的高分辨率遥感图像分割

提出一种基于高分辨率遥感图像的分水岭分割方法。首先,利用Canny算法进行边缘检测,得到边缘梯度图。其次,利用数学形态学对梯度图像进行后处理。然后,根据自动标记分水岭变换方法实现高分辨率遥感图像分割。最后,利用基于信息熵评价方法,对遥感图像的分割结果进行非监督评价。结果表明:所提方法可以有效地抑制遥感图像的过分割现象,并取得较好的分割效果。     

基于改进的分水岭算法的图像分割

考虑到分水岭算法存在过分割问题,本文提出一种有效解决方法。在图像预处理过程中首先对图像进行中值滤波来消除部分噪声;然后采用形态学求梯度的方法得到原始图像的梯度图并对梯度图像进行开闭重建,在保留区域重要轮廓的同时去除了噪声和图像细节。在此基础上对重建后的梯度图像进行基于标记约束的分水岭分割。实验结果表明该方法能够较好地抑制过分割,同时通过结构元素的选择而具备一定的灵活性,整个过程无需进行合并处理,降低了分割的复杂性。     

基于超像素和最近邻图合并的彩色图像分割

针对传统的分水岭算法在分割图像时存在过分割的问题,提出了一种基于多尺度形态学梯度重建与最近邻图合并准则的分水岭图像分割方法.该方法首先使用基于标记符控制的多尺度形态学梯度重建进行图像预处理,消除冗余的区域极值和噪声;然后通过构建最近邻图合并准则进一步对分水岭变换产生的超像素区域进行合并,提高了对目标特征的描述能力,使得算法在分割前景目标的同时也能获得背景目标的特征信息.实验结果表明,该方法能够较好地将相似的区域进行合并,与传统分水岭分割方法相比,可以有效弱化过分割问题,大幅提升目标的分割精度.     

一种基于分水岭变换的图像分割方案

针对传统分水岭分割算法对噪声敏感和易于产生过分割问题，提出了一种基于开闭二次重建和非线性处理的分水岭图像分割方案.该方案根据噪声与信号在尺度与幅度分布上的差异，结合形态学开闭运算的特点，对原始图像进行形态开闭预重建，在计算形态梯度之后采用开闭后重建，对梯度进行给定的阈值变换，引入给定尺度等级的非线性分类，在像素连通关系的基础上，研究了一种改进的分水岭标记算法进行分割，并给出了具体实现流程,.仿真实验结果说明，该方案能够抑制传统算法中的过分割，且边缘定位准确.     

多尺度变换与标记符分水岭相结合的图像分割

针对传统分水岭算法对噪声敏感和易于产生过分割的问题,提出一种将多尺度变换与控制标记符分水岭算法相结合的分割策略。首先对原始图像进行高斯金字塔尺度变换,抑制部分噪声,降低细节干扰;再用Sobel梯度算子计算尺度变换后的图像梯度;然后对梯度图像进行重建,再采用基于控制标记符的分水岭变换算法对重建后的梯度图进行分割,最后将分割结果变换回原始尺度。实验结果表明,该方法能够抑制传统算法中的过分割问题,且分割效果较好。     

基于数学形态学的细胞图像分割

该文提出了一种基于数学形态学理论的方法,用于分割细胞图像。首先利用灰度形态学中的重构运算对输入图像进行滤波来削弱或去除噪声的影响,然后取其形态学梯度并结合Top-Hat和Bottom-Hat两个变换来增强梯度图像的对比度,最终由分水岭算法完成分割。关于过分割的改进,该文引出一个特殊的Otsu阈值来标记图像,得到的结果无需进一步的后处理。     

基于形态学分水岭算法的骨料分割及建模

为了解决混凝土图像处理中产生新的骨料边缘和边缘移动问题,提出了一种基于灰度图像形态学重构和标记的分水岭分割新算法.该算法结合多尺度理论,采用不同尺寸的结构元素对灰度图像进行形态学重构,然后对重构后的灰度图像进行内部和外部标记,采用形态学极小值标定技术修改梯度图像,最后进行分水岭变换,准确实现了混凝土图像的骨料分割,可用于真实骨料分形几何特性及力学性能研究.运用该方法生成的数值模型进行混凝土单轴受拉数值模拟,验证了该方法的有效性.     

基于自适应结构元素的改进分水岭图像分割方法

图像分割是按照一定的规则,将图像中具有特殊意义的区域划分为若干个互不相交的子区域,是从图像处理到图像分析的关键环节,传统分水岭图像分割方法是一种应用较为广泛的技术,具有快速、简单的优点,但该方法易受噪声干扰,分割结果易丢失边缘重要信息,出现过分割现象。为改善传统分水岭图像分割方法存在的过分割问题,提出了一种基于自适应结构元素的改进分水岭图像分割方法。首先,利用图像像素点邻域的局部密度、对称度及边缘特征构造形状可变的自适应结构元素,确保其与图像目标几何结构具有较强的一致性;其次,利用该结构元素获取图像形态学梯度,提高目标边缘的定位精度;将L₀范数梯度最小化和形态学开闭混合重建相结合修正梯度图像,减少梯度图像中的局部无效最小值点,抑制过分割现象的产生;最后对修正后的梯度图像进行分水岭分割,实现图像目标区域的精确分割。实验结果表明,该方法能够有效抑制过分割现象,提高目标边缘定位的准确性,具有较高的分割精度。     

分水岭分割中的粘性形态学梯度修正

分水岭变换是一种有效的图像分割方法，但存在过分割现象，尽管应用预平滑处理可以减轻或消除过分割，但却容易使分割后的区域轮廓发生位置偏移，为此，文中首先对图像进行形态学梯度变换，然后运用粘性形态学运算对梯度图像进行地貌修正，在消除产生过分割的非规则局部极小值的同时，保持区域轮廓的位置不变，最后在梯度修正图像的基础上，运用标准分水岭变换实现图像分割。仿真实验表明，该方法不仅能有效地消除过分割，而且具有较强的区域轮廓定位能力。     

基于提升算法的超谱遥感图像融合分类研究

超谱遥感技术的发展对遥感图像处理算法提出了新的挑战,超谱遥感图像所特有的高光谱维数,使适用于多光谱图像的算法不适合直接用于超谱图像.利用数据融合技术可以将超谱图像从高维降到低维,因而有利于图像的分析和处理.提升算法是构造第2代小波的关键技术,该文研究了其用于超谱遥感图像融合分类的可行性,利用提升算法将第1代小波改造成第2代小波,并对标准的AVIRIS超谱遥感图像实现图像融合,在融合的同时,提取图像的光谱特征用于分类,在相同的实验标准下在像素层和特征层上分别对图像进行了第2代小波融合分类,并用分类精度对实验结果进行了客观的评价.实验结果表明,以提升算法构造的特征层小波融合分类比像素层分类精度提高了7.78%.     

基于提升格式的高光谱遥感图像压缩算法

高光谱遥感的特点是谱分辨力的提高,但其高数据维给图像进一步处理带来了困难,因此有必要对其进行有效压缩处理.该文以提升格式为基础对高光谱图像压缩算法进行了研究,充分考虑了高光谱图像的空间相关性和谱间相关性,采用自适应波段选择的谱间压缩方法,通过自适应选择信息量大并且与其他波段相关性小的波段来降低高光谱数据量,然后采用梅花形网格分解方法构造出第二代小波变换,从而对二维图像进行空间压缩,可实现提升格式的分解和完全重构.实验结果表明,谱间压缩能够保留信息丰富的波段,同时计算复杂度大大降低,以提升格式为基础的第二代小波变换比第一代小波变换取得更好的空间压缩效果.     

基于超像素和密度峰值聚类的图像分割

图像分割是计算机视觉领域的一个重要组成部分。密度峰值聚类已应用于图像分割领域。但由于密度峰值聚类在聚类时只能考虑数据的全局空间信息,不能有效去除图像噪声,因此提出了一种超像素的图像预处理方法。该方法能充分考虑局部空间信息,具有较强的鲁棒性。通过改进的形态梯度重建和分水岭算法得到具有精确轮廓且去噪效果较好的超像素图像。在此基础上,加入密度峰值聚类完成后续分割。通过在光学图像数据集BSDS 500上进行实验,验证了超像素算法及图像分割算法的有效性。     

一种基于矢量量化的高光谱遥感图像压缩算法

压缩是高光谱遥感(hyperspectral remote sensing)图像的一个重要研究领域.文中充分考虑了高光谱遥感图像的谱间相关性较强而空间相关性相对较弱的特点,采用了自适应波段选择降维方法与基于神经网络的矢量量化方法相结合的方法对高光谱遥感图像进行压缩.首先采用自适应波段选择(Adaptive band selection)的谱间压缩方法,通过自适应地选择信息量大并且与其他波段相关性小的波段来降低高光谱数据量.然后对降维后图像在空间进行小波变换并进行矢量量化,最后对量化后数据进行自适应算术编码.实验结果表明,谱间压缩能够保留信息丰富的波段,同时计算复杂度大大降低;基于神经网络的SOFM算法及其改进算法取得较好的空间压缩效果,实现了对高光谱遥感图像的有效压缩.     

基于颜色模型极小值运算的细胞图像分割算法

为了能够快速准确地检测人类细胞形态及增殖分化等情况,提出一种高效自适应细胞图像的分割方法。首先提取图像六角锥体模型中特征明显的饱和度分量图像,并使用形态学重构、H-minima技术和图像增强技术对饱和度分量图像进行梯度修正;修正图像的梯度后,使用分水岭算法对图像进行分割;根据原图像灰度的一致性对分割结果进行区域合并,得到背景、细胞和细胞核3部分,最后使用形态学方法处理合并结果中的虚假噪点并平整区域边缘。实验结果表明,细胞与细胞核分割的准确度分别为0.978 8和0.967 7;Dice系数分别为0.938 8和0.937,实现了对医学显微细胞图像的精准分割。     

Research into a Feature Selection Method for Hyperspectral Imagery Using PSO and SVM

Classification and recognition of hyperspectral remote sensing images is not the same as that of conventional multi-spectral remote sensing images.We propose, a novel feature selection and classification method for hyperspectral images by combining the global optimization ability of particle swarm optimization (PSO) algorithm and the superior classification performance of a support vector machine (SVM).Global optimal search performance of PSO is improved by using a chaotic optimization search technique.Granularity based grid search strategy is used to optimize the SVM model parameters.Parameter optimization and classification of the SVM are addressed using the training date corresponding to the feature subset.A false classification rate is adopted as a fitness function.Tests of feature selection and classification are carried out on a hyperspectral data set.Classification performances are also compared among different feature extraction methods commonly used today.Results indicate that this hybrid method has a higher classification accuracy and can effectively extract optimal bands.A feasible approach is provided for feature selection and classification of hyperspectral image data.     

高噪声遥感图像稀疏去噪重建

高噪声遥感图像去噪一直是遥感领域研究的一个重要难题,为进一步提高高噪声遥感图像的重建质量,在经典的压缩感知迭代小波阈值算法的基础上,提出了一种改进迭代小波阈值算法.首先,提出一种自适应小波滤波算子在图像稀疏变换过程中对获取的遥感图像小波系数进行筛选,去除图像中的部分噪声信息;其次,使用提出的下降BayesShrink阈值在每次迭代过程中对获取的小波系数进行二次筛选过程;最后,使用改进的块稀疏全变差方法对获得的重建图像进行调整以进一步提高重建遥感图像的质量.试验结果表明,该算法的去噪重建性能优于经典的压缩感知迭代小波阈值算法,可以从高噪声图像中重建一幅高质量的遥感图像,验证了该算法的有效性.此外,该算法能够有效地保护遥感图像的边缘和纹理等重要特征信息.在低压缩采样比情况下,该算法也能够获得相对较高的峰值信噪比和视觉质量.在卫星地面接收站,该算法可直接使用获取的少量含噪遥感图像数据重建一幅清晰的遥感图像.     

超谱遥感图像的模糊最大似然分类研究

分类识别是超谱遥感图像的重要研究领域.由于超谱图像空间分辨率低,像元混合的概率大,因此采用单纯的聚类或者监督分类都不能取得好的效果.为了提高超谱图像分类的精度,提出了模糊最大似然分类算法.先用模糊C-均值法对图像进行聚类,再在聚类结果的基础上,参考真实地物图,选择训练样本,用最大似然法进行最终的分类.实验结果表明,提出的算法由于在聚类的基础上选择监督分类的样本,因而获得了关于图像的更准确的信息,最终分类结果比模糊C均值聚类高出34.38%,比最大似然分类高出10.46%.