利用背景进行多尺度融合的多分辨率图像分割

提出了一种基于背景的小波域多分辨率图像分割新方法—CLTVWseg。与常见的多分辨率分割方法不同,该方法采用背景信息来实现尺度间的交互;同时采用可变的权重参数连接小波分解的多尺度特征场和标记场。每一尺度上,通过权重参数的调整使得该尺度的特征场和标记场在分割过程中依次起主导作用,获得该尺度更为准确的分割结果。最细尺度上的分割结果作为该方法的分割结果。实验表明,该算法的分割结果,在保持边界的同时,区域一致性也比较好。     

基于MRF模型的NSCT域SAR图像分割

针对复杂背景下的合成孔径雷达（SAR）图像的分割问题,提出一种基于非降采样Contourlet变换（NSCT）域马尔可夫（MRF）模型的算法。该算法综合利用了MRF模型在影像分割中的优势和图像的多分辨率描述的信息,采用高斯混合模型建模各个尺度的特征场,Potts模型建模各个尺度的标记场,大尺度的分割结果直接投影到小尺度上,作为分割的初始结果。实验部分与经典的阈值分割算法和马尔可夫分割算法进行比较、分析,结果表明该算法可准确地分割目标,同时保留目标的细节信息。     

MR脑图分割算法研究

在图像处理精确分割有用图像的研究中,目前MR脑图分割中边缘定位不准和分割精度不高.为了解决上述问题,提出将标记分水岭算法和小波变换相结合的MR脑图分割算法.方法首先利用小波变换的多尺度思想对图像进行多分辨率分解和去噪,然后在低分辨率图上应用标记分水岭算法,并对标记好的低分辨率图像进行中值滤波,最后利用小波逆变换将低分辨率图像反建为高分辨率图像.对方法和现有的方法进行仿真,结果表明可以准确地定位图像边缘,有效地提高了分割精度,效果明显优于传统的分割算法.     

基于特征空间的人脸超分辨率重构

超分辨率图像重构是利用关于同一场景的多帧低分辨率图像重构出一幅具有更高分辨率图像的过程.传统的超分辨率图像重构算法是基于像素空间,通过利用高、低分辨率像素空间之间的映射关系来求解,具有计算复杂性高等缺点. 针对低分辨率人脸放大问题,提出了一个基于特征空间的人脸超分辨率图像重构算法.与传统算法相比,该算法不仅降低了计算复杂性,还具有更好的鲁棒性.     

跨尺度混合注意力的遥感图像超分辨率重建

为了解决现有遥感图像超分辨率重建模型对长期特征相似性和多尺度特征相关性关注不足的问题, 提出了一种基于跨尺度混合注意力机制的遥感图像超分辨率重建算法. 首先提出了一个全局层注意力机制(global layer attention, GLA), 利用层注意力机制加权融合不同层级的全局特征, 建模低分辨率与高分辨率图像特征间的长期依赖关系. 同时, 设计了跨尺度局部注意力机制(cross-scale local attention, CSLA), 在多尺度的低分辨率特征图中寻找与高分辨率图像匹配的局部信息补丁, 并融合不同尺度的补丁特征, 以优化模型对图像细节信息的恢复能力. 最后, 提出一种局部信息感知损失函数来指导图像的重建过程, 进一步提高了重建图像的视觉质量和细节保留能力. 在UC-Merced数据集上的实验结果表明, 本文方法在3种放大倍数下的平均PSNR/SSIM优于大多数主流方法, 并在视觉效果方面展现出更高的质量和更好的细节保留能力.     

融合参考图像的人脸超分辨率重构方法

基于深度学习的图像超分辨率重构方法对低分辨率人脸图像进行超分辨率重构时,通常存在重构图像模糊和重构图像与真实图像差异较大等问题.基于此问题,文中提出融合参考图像的人脸超分辨率重构方法,可以实现对低分辨率人脸图像的有效重构.参考图像特征提取子网提取参考图像的多尺度特征,保留人脸神态和重点部位的细节特征信息,去除人脸轮廓和面部表情等冗余信息.基于提取的参考图像多尺度特征,逐级超分主网络对低分辨率人脸图像特征进行逐次填充,最终重构生成高分辨率的人脸图像.在数据集上的实验表明,文中方法可以实现对低分辨率人脸图像的有效重构,具有良好的鲁棒性.     

基于卷积神经网络的岩心FIB-SEM图像分割算法

岩心聚焦离子束扫描电镜(FIB-SEM)图像存在灰度分布不均及孔隙内局部高亮等现象,采用传统图像分割算法所得孔隙分割精度较低,而基于轮廓的分割算法需对孔隙进行人工标记,操作繁琐且无法精确提取孔隙。提出一种利用卷积神经网络的端到端岩心FIB-SEM图像分割算法。结合光流法与分水岭分割图像标注法构建岩心FIB-SEM数据集,联合ResNet50残差网络、通道和空间注意力机制提取特征信息,采用改进的特征金字塔注意力模块提取多尺度特征,利用亚像素卷积模块经上采样获取更精细的孔隙边缘并恢复为原始分辨率。实验结果表明,与阈值分割算法和基于主动轮廓的岩心FIB-SEM分割算法相比,该算法分割精度更高且无需人工操作,其平均像素精度和平均交并比分别达到90.00%和85.81%。     

基于图像相似性和特征组合的超分辨图像重建

针对传统图像重建过程中易丢失细节信息,或在增强细节的同时易产生边缘失真和噪声等问题,提出一种基于图像跨尺度相似性和特征组合的图像超分辨率重建方法.首先利用图像的跨尺度相似性,采用KNN算法分别建立高、低分辨率图像之间的像素特征和梯度特征的映射关系;然后利用像素特征映射关系对输入图像重建包含高频信息的高分辨图像;利用奇异值阈值化获取输入图像的有效高频信息,并利用梯度特征映射关系将高频信息放大后分块叠加到高分辨率图像上,得到最终的图像重建结果.以加州大学图像分割数据库作为实验数据,在Windows7下的Matlab软件进行实验结果展示,实验结果表明,文中方法重建的图像纹理细节丰富、边缘清晰,图像细节显著增强,在视觉效果和客观指标上都有大幅度提升;且该方法无需依赖外部数据库.     

基于蚁群算法的多传感器图像融合方法

为了使融合后的多传感器图像获得更多的光谱信息、提高清晰度、降低数据冗余度,提出了一种基于蚁群算法的多传感器图像融合方法.对低分辨率图像上的蚁群以相位一致性作为启发信息,高分辨率图像中的蚁群以梯度强度作为启发信息,两个蚁群通过共享的信息素矩阵实现协作,根据信息素矩阵提取图像特征.算法采用区域能量的加权自适应融合规则确定低频系数,结合蚁群算法提取的边缘特征融合来指导高频系数融合.融合结果表明,该方法在不同分辨率上引入了多种启发信息,因而能够提取更加完整和有意义的图像特征,为多传感器图像融合提供了更智能、更细致、更全面的图像信息.     

多分辨率图像序列的超分辨率重建

针对不同焦距下拍摄的多分辨率尺度的图像序列,本文提出了一种基于尺度不变特征转换(Scale invariant feature transform, SIFT)和图像配准的超分辨率(Super resolution, SR)图像盲重建算法.首先提取图像SIFT特征点,然后用向量夹角余弦进行特征描述符向量的初匹配,并用随机抽样一致性 (Random sample consensus, RANSAC)算法消除误匹配提高配准精度.计算变换参数后,将低分辨率图像(Low-resolution, LR)像素点映射到高分辨率(How-resolution, HR)网格,最后利用像素可信度加权算法填充缺失像素值,重建更高分辨率的图像.实验表明, 本文算法能精确估计图像序列的缩放因子,可以有效处理仿射变换模型,对配准误差也具有一定的鲁棒性.算法从实质上提高了多分辨率尺度图像序列的分辨率,尤其在低分辨率帧数较少可用于重建的信息量严重不足时也能获得比较满意的重建效果.     

Multispectral textured image segmentation using a multi-resolution fuzzy Markov random field model on variable scales in the wavelet domain

This article proposes a new multispectral image texture segmentation algorithm using a multi-resolution fuzzy Markov random field model for a variable scale in the wavelet domain. The algorithm considers multi-scalar information in both vertical and lateral directions. The feature field of the scalable wavelet coefficients is modelled, combining with the fuzzy label field describing the spatially constrained correlations between neighbourhood features to achieve a more accurate parameter estimation. The extended scalable label field models the label data from different scales to obtain more homogeneous areas; image segmentation results are finally obtained according to the Bayesian rule from a coarser to a finer scale. Multispectral texture images and remote-sensing images are used to test the effectiveness of the the proposed method. Segmentation results show that the new method simultaneously presents a better performance in achieving the homogeneity of the region and accuracy of detected boundaries compared with existing image segmentation algorithms.     

融合上下文信息的多尺度贝叶斯图像分割

提出了一种融合上下文信息的多尺度贝叶斯图像分割算法,基于多尺度MRF图像模型,将模型中各结点的邻域结点类别信息抽象为上下文,求得结点的后验边缘概率之后,在各尺度融合表征了同一尺度内及相邻尺度的邻域信息的上下文,结点在相邻结点信息的指导下,得到的分割结果在均匀区域内部及区域边界都大为改善,而且没有增加模型的复杂度,算法仍然是快速的、非迭代的．融合过程中的参数采用EM算法估计．分析和实验结果表明算法是有效的．     

基于深度特征融合的图像语义分割

在图像语义分割中使用卷积网络进行特征提取时,由于最大池化和下采样操作的重复组合引起了特征分辨率降低,从而导致上下文信息丢失,使得分割结果失去对目标位置的敏感性。虽然基于编码器-解码器架构的网络通过跳跃连接在恢复分辨率的过程中逐渐细化了输出精度,但其将相邻特征简单求和的操作忽略了特征之间的差异性,容易导致目标局部误识别等问题。为此,文中提出了基于深度特征融合的图像语义分割方法。该方法采用多组全卷积VGG16模型并联组合的网络结构,结合空洞卷积并行高效地处理金字塔中的多尺度图像,提取了多个层级的上下文特征,并通过自顶向下的方法逐层融合,最大限度地捕获上下文信息;同时,以改进损失函数而得到的逐层标签监督策略为辅助支撑,联合后端像素建模的全连接条件随机场,无论是在模型训练的难易程度还是预测输出的精度方面都有一定的优化。实验数据表明,通过对表征不同尺度上下文信息的各层深度特征进行逐层融合,图像语义分割算法在目标对象的分类和空间细节的定位方面都有所提升。在PASCAL VOC 2012和PASCAL CONTEXT两个数据集上获得的实验结果显示,所提方法分别取得了80.5%和45.93%的mIoU准确率。实验数据充分说明,并联框架中的深度特征提取、特征逐层融合和逐层标签监督策略能够联合优化算法架构。特征对比表明,该模型能够捕获丰富的上下文信息,得到更加精细的图像语义特征,较同类方法具有明显的优势。     

基于半监督的超像素谱聚类彩色图像分割算法

近年来谱聚类算法被广泛应用于图像分割领域,而相似性矩阵的构造是谱聚类算法的关键步骤。 针对传统谱聚类算法计算复杂度高难以应用到大规模图像分割处理的问题,提出了基于半监督的超像素谱聚类彩色图像分割算法。该算法利用超像素将彩色图像进行预分割,利用用户提供的少量标记信息构造预分割区域的基于半监督的模糊相似性测度,利用该相似性测度构造预分隔区域的相似性矩阵并通过规范切图谱划分准则对预分割区域进行划分得到最终的图像分割结果。由于少量标记信息和模糊理论的引入,提高了传统谱聚类的分割性能,对比实验也表明该算法在分割效果和计算复杂度上都有较大的改善。     

基于双随机场能量函数的区域化图像分割*

为了提高图像分割算法的抗噪性,并充分利用特征场和标号场在能量函数分割模型中的作用,提出基于双随机场能量函数的区域化图像分割方法.首先,利用几何划分将图像域划分为一系列子区域.在此基础上,采用多值高斯分布的负对数定义区域化特征场能量函数,用于描述同质区域内像素颜色的统计分布一致性.扩展传统建模邻域像素标号关系的Potts模型至邻域子区域,定义区域化标号场能量函数,用于表征各子区域标号之间的相关性.联合特征场和标号场,采用KL散度定义异质性能量函数,用于刻画同质区域间颜色统计分布异质性.利用非约束吉布斯表达式将定义的特征场和标号场能量函数转换为描述图像分割的概率分布函数.最后,在最大化上述概率分布函数准则下,设计合适的M-H采样算法,获得最优图像分割.在合成图像、遥感图像和自然纹理图像上进行分割实验,验证文中方法的有效性和准确性.     

高斯Copula的多光谱遥感影像分割

为了充分利用多光谱影像波段间的相关性,提出高斯Copula的多光谱遥感影像分割方法.首先,建立基于马尔可夫随机场的标号场模型,使用Potts模型刻画该标号场.然后,建立表征像素光谱测度的特征场,利用高斯Copula建立像素光谱测度的多变量统计模型以刻画该特征场.结合标号场、特征场模型及各模型参数的先验概率,利用贝叶斯定理建立多光谱影像分割的后验概率模型.最后,设计适用于模拟后验概率模型的M-H算法,在最大后验概率策略下获取最优分割结果.对模拟和真实多光谱影像分割结果表明,文中方法描述波段间相关性的能力较强,准确性较高.     

基于双分支融合注意力机制的图像分割算法

针对DeepLabV3+在特征提取阶段忽略了不同尺度特征重要程度出现的部分细节信息损失导致图像分割不细致,提出一种融合双分支特征提取和注意力机制的改进算法. ResNet101骨干网络初步提取出的特征图作为注意力机制的输入特征,解决了网络退化及梯度消失的问题,也能够捕获到被DeepLabV3+忽略的图像细节信息;设计双分支特征提取机制扩大特征提取能力,细化图像边缘信息以优化网络对不同尺度特征关注不均的问题;同时,联合采用交叉熵损失和类别不平衡函数两种损失函数作为损失函数,通过聚焦于前景样本降低背景的影响,提高算法分割精度.实验结果表明,改进算法在PASCAL VOC 2012和CityScapes数据集上的平均交并比(MIoU)值分别达到了79.92%和68.59%,与经典算法和基于DeepLabV3+改进的算法相比,特征提取的准确性有所提高,分割效果更优.     

结合KL距离与图像域分块的SAR图像分割

提出一种结合KL(Kullback-Leibler)距离和图像域分块的SAR图像分割算法.首先,利用规则划分技术将图像域划分成若干规则子块,以子块为处理单元,假设子块内像素服从高斯分布,并构建特征场概率模型;其次,采用广义Potts模型定义刻画邻域子块相关性的标号场概率模型,根据贝叶斯定理,得到后验概率模型;再次,采用KL距离定义刻画同质区域间统计分布差异的异质性系数,并通过非约束吉布斯表达式构建概率分布函数,结合后验概率和吉布斯概率分布函数建立图像分割模型;然后,设计M-H(Metropolis-Hastings)采样方法,包括改变子块标号操作和分裂子块操作,模拟上述分割模型,从而获得最优分割结果;最后,通过对所提出算法和对比算法的SAR图像分割结果进行分析,充分验证了所提出算法的有效性和优越性.     

基于神经网络的遥感图像海陆语义分割方法

针对海陆语义分割中陆地、码头形状多样,背景目标复杂等情况造成的像素分类错误、边界分割模糊等问题,提出了一种新的基于深度卷积神经网络的遥感图像海陆语义分割方法。该方法以端对端的训练方式实现了对目标的逐像素分类,为了解决海陆分割中像素分类错误,设计以不同尺度图像为输入的三个并行的编码结构,通过融合不同尺度的特征图,丰富特征代表算子的语义信息,增大像素分类准确率。为了解决海陆分割中边界分割模糊,通过设计能够融合编码结构中低层精细位置信息的解码结构,对特征图进行更加精确的上采样,恢复像素的密集位置信息,提高海陆分割准确度。为有效验证所提网络框架的优势,构建了海陆分割数据集HRSC2016-SL进行算法性能比较。与最新的语义分割算法相比,所提算法取得了更好的分割结果。