基于图上随机游走过程的SAR图像图谱分割方法

基于图上的随机游走过程,提出了一种新的合成孔径雷达(SAR)图像图谱分割方法。首先根据SAR图像的统计性质,构造了适合于SAR图像的相似度度量函数;然后在正交谱分解和矩阵逼近理论的基础上,建立了SAR图像图谱分割方法中分类数目的确定准则。最后实现了基于谱聚类的SAR图像分割,并通过实验证明了所提方法的有效性和应用潜力。     

基于分水岭-谱聚类的SAR图像分割

由于谱聚类是基于图论的、以相似性为基础的聚类方法,需要计算图像中每对像素点之间的相似性.当图像很大时,计算相似性矩阵和求解相应的特征值、特征向量是很困难和耗时的.为此,针对合成孔径雷达(SAR)图像的特点,提出了一个两阶段的图像分割方法,首先采用分水岭算法对图像进行过分割,然后再用改进的谱聚类算法进行聚类.新方法不仅可以减少噪声对分割结果的影响,很好地保持图像边缘,而且对时间要求较高的应用也具有一定的参考价值.为了验证新方法的有效性,将其用于SAR图像分割,取得了较优的分割结果.     

基于区域谱聚类的极化合成孔径雷达图像分割

极化合成孔径雷达(Synthetic Aperture Radar,SAR)经常用于地物图像的分割和分类.实际中监测范围广,需要算法快速有效;地物复杂,需要算法能够处理不均匀地物.针对上述问题,提出了基于区域合并和谱聚类的极化SAR图像分割方法.先对图像进行一个区域合并步骤完成粗分割,产生许多具有相似统计特性的区域块,再对过分割的区域块进行谱聚类.多个场景下的实验表明:所提方法相对于传统针对像素点的谱聚类,运算复杂度低;相对于完全进行区域融合的方法,更能适应不均匀地物和大场景分割.     

结合特征选择和大尺度谱聚类的极化SAR图像非监督分类

非监督分类是极化SAR图像解译的重要手段,但其分类结果易受到高维特征的影响。针对此问题,本文提出一种结合特征选择和大尺度谱聚类的极化SAR图像非监督分类方法。该方法首先深入分析并提取了极化SAR图像分类中常用的特征参数,包括基于测量数据及其简单线性变换的特征和极化目标分解的特征。然后通过聚类森林特征选择算法进行特征降维处理,去除冗余信息。最后利用过分割产生代表点并构建原始数据与代表点间的二分图,通过大尺度谱聚类算法完成图像的非监督分类。实验结果表明,该方法能够选取有效的特征组合,并得到较为满意的分类效果。      

基于马尔科夫判别谱聚类的极化SAR图像分类方法

该文针对现有的谱聚类方法用于极化SAR图像分类时精度较低的问题,提出一种基于马尔科夫的判别谱聚类方法(MDSC),具有低秩和稀疏分解的特点。该方法首先恢复一个真实的低秩概率转移矩阵,将其作为标准马尔科夫谱聚类方法的输入,以减少噪声对分类结果的影响;然后在目标函数中引入判别信息,使极化SAR图像的数据信息能够得到更加充分地利用;最后采用增广拉格朗日乘子法来解决低秩和概率单纯形约束下的目标函数优化问题。在荷兰小农田、德国、西安和荷兰大农田4个不同数据集上的实验证明,该方法具有较好的准确率,且参数敏感性较低,表现出了良好的分类性能。      

半监督谱聚类比较研究

半监督谱聚类是当前模式聚类领域研究的一个重要方向.本文在分析三种传统半监督谱聚类方法的基础上,提出一种新的多二类谱聚类方法.考虑到拉普拉斯矩阵的第二特征向量具有最强的聚类能力,该方法使用多个拉普拉斯矩阵的第二特征向量实现聚类,不同于传统方法只使用一个拉普拉斯矩阵的多个特征向量.在Iris等标准数据集和图像分割上的实验结果表明本文方法的有效性.     

基于改进谱聚类与粒子群优化的图像分割算法

本文提出了一种基于改进谱聚类与粒子群优化的图像分割算法。该算法利用双树复小波变换系数,求得能量均值构造相似性矩阵,充分利用了待聚类数据所包含的空间邻近信息和特征相似性信息。在谱映射的过程中,采用了Nystr迸m逼近策略,降低了谱聚类算法的复杂度和内存消耗,然后在进行K均值聚类时使用粒子群优化算法。最后,通过对医学图像和遥感图像分割验证了新算法的有效性。     

结合模糊聚类与区域合并的彩色图像分割方法

提出了一种结合模糊聚类与区域合并的无监督彩色图像分割方法.首先,根据彩色图像建立对应的三维直方图,运用爬山法得到初始聚类中心和聚类数;然后,运用基于空间邻域像素的模糊均值聚类算法对图像在颜色空间进行聚类,得到初始分割结果;最后,应用提出的区域合并算法合并图像初始分割结果得到最终分割图像.仿真结果表明,算法的分割结果与人的主观视觉也有较好的一致性.     

基于梯度的极化SAR图像超像素分割

超像素分割在图像分割领域以其优异的性能表现被广泛应用,准确性和高效性是评价分割性能的重要指标.简单线性迭代聚类（simple linear iterative clustering,SLIC）方法在光学图像上表现出了优异的性能,在极化合成孔径雷达（synthetic aperture radar,SAR）图像中也被广泛应用,然而SLIC方法中的初始化步骤不能准确地定位类中心,需要多次的迭代纠正误差.改进的分水岭方法（spatial constrained watershed,SCoW）是一种基于梯度阈值区分的简单且高效的分割方法,但是不能直接用于极化SAR图像.本文受SCoW的启发,提出一种对SLIC进行预处理的分割方法,通过横虚警（constant false alarm rate,CFAR）边缘检测器计算得到极化SAR图像的梯度信息,并将梯度信息用于初始化分割.基于两幅实测极化SAR图像,将本文提出方法与其他三种方法对比.实验表明本文方法可以减少整个算法的迭代次数,得到更加符合图像信息、贴合图像边界的分割结果.     

空间一致性约束谱聚类算法用于图像分割

近来出现的谱聚类算法在模式识别和图像分割中得到了广泛应用.与传统的聚类算法相比,谱聚类算法能在任意形状的样本空间上聚类且收敛于全局最优解.本研究从谱聚类和权核K-均值的等价性出发,基于图像的空间一致特性,提出了一种基于空间约束特性的谱聚类算法.该算法通过对加权核K-均值的目标函数加上空间一致约束项,利用近似逼近将目标函数最小化与谱聚类算法等价起来.仿真实验表明,此算法在图像分割中取得了比原始谱聚类算法更好的分割效果.     

基于改进自调整图谱方法的SAR图像分割

谱聚类是在给定数据集上用基于图论的方法进行分类,并已广泛地应用于SAR图像分割.自调整谱聚类（self-tuning spectral clustering,简称STSC）方法是一种可以自动确定尺度因子和分类数的方法.本文给出了一种改进的STSC方法,使用熵函数作为自动求分类数的代价函数,使得分类数的计算更加准确和有效,提高了方法的分类精度.实验表明,改进的STSC方法对自然图像、SAR图像的分割精度高于原STSC方法.     

基于ICA优化空间信息PCM的SAR图像分割

可能性C-均值(PCM)聚类算法提高了数据聚类的抗噪性能,但由于这种算法没有考虑数据的空间依赖特性,应用于合成孔径雷达(SAR)图像分割时,受SAR图像中斑点噪声的影响,通常不能得到正确的分割结果。该文在PCM目标函数中引入空间相对位置信息和多尺度空间像素强度信息,这些空间信息取值由前次迭代优化的聚类结果确定,空间信息影响程度(影响因子)由免疫克隆算法(ICA)优化,实现了空间信息影响因子的自适应调整,优化了PCM聚类结果。实验将这种算法应用于人工合成图像和实际SAR图像的分割,结果表明该文所提出的算法对初始分割不敏感,具有强的抗噪性能,改善了SAR图像的分割效果。     

基于局部平滑加权图割方法的SAR图像分割

针对合成孔径雷达(SAR)图像分割,提出了一种 局部平滑加权图割(LSWGC,local smoothing weighted graph cut)模型。首先,在加权图割(WGCut)的目标函数中加入局部平滑罚项,提高了基于谱 聚类的SAR 图像分割方法对斑点噪声的稳健性,抑制了SAR图像分割中孤立点的产生;其次,利用WGCut 与加权核 K均值(WKKM)的等价性,LSWGC以不同于参数核 图割(PKGC)方法的核化方式将核映射引入目标函数中,用图 割最优化算法求解标号函数,避免了基于谱聚类的SAR图像分割方法中图谱的求解问题,同 时改善了PKGC方法二类划分易丢失目标的不足。模拟和真实SAR图像的实验结果证实 了本文方案的有效性。     

SAR图像的自动分割方法研究

由于存在相干斑噪声的影响,给SAR图像分割造成很大的困难,该文提出了一种SAR图像的自动分割方法。首先在特征提取阶段,通过计算小波能量提取纹理信息,用邻域统计量提取灰度信息,用保边缘平均灰度提取边缘信息,以确保边缘准确。然后提出一种改进的完全无监督的聚类算法进行图像分割,该算法可以自动确定分割的类型数目。由于该方法充分考虑了SAR图像的纹理、灰度和边缘信息,因而极大地提高了其最终分割性能。实验结果证明了该方法的有效性。     

基于模糊C均值聚类的作物病害图像分割方法研究

图像分割是指将人们感兴趣的目标从背景中分割出来,分割结果的好坏直接影响后期的图像分析和识别.基于作物病害图像的分割技术就是将病斑从病害图像中分割出来,以便于后期病害的诊断和识别.模糊C均值聚类是一种重要数据分析和建模的无监督方法,为提高作物病害图像的分割效果,根据作物病害图像的特点,提出一种基于模糊C均值聚类算法的作物病害图像自适应分割方法,并与K均值聚类算法进行比较,结果显示本文算法在进行图像分割方面表现出明显优势.     

基于Contourlet域图谱聚类和多尺度Markov模型的多光谱遥感图像分割

针对多光谱遥感图像的特点,结合图谱聚类、Co ntourlet系数分布的统计特性和多尺度Markov模型, 提出了一种基于Contourlet域图谱聚类和多尺度Markov模型的分割(CSCMMS)方法。首先对 待分割图像进行Contourlet变换,利用图谱聚类对最粗尺度低频图像聚类得到可靠的初始分 割结果;然后 利用互信息构造Contourlet域的多尺度Markov模型,结合多尺度、多方向的图像信息将低频 图像的初始分 割结果逐尺度传递到最细尺度,得到原始图像的分割。对合成图像和多光谱遥感图像的实验 结果表明,提 出方法在边缘信息保持和噪声敏感性上具有明显改进,错分率和运算时间进一步降低。     

基于扩散方程和MRF的SAR图像分割

该文提出了一种基于图像扩散方程和马尔科夫随机场(MRF)的合成孔径雷达(SAR)图像分割方法。在传统MRF算法的基础之中,引入对图像的扩散,用来平滑SAR图像中的噪声,保护图像中的边缘部分,并且加快收敛的速度。首先对输入的SAR图像进行扩散,通过MRF进行统计,得到图像中各点的后验概率,再对得到的后验概率进行扩散。与传统的MRF算法进行比较,该文的方法较好地去除了误分割斑块,减少算法的运行时间。     

基于直方图的图像模糊聚类分割算法

针对传统模糊C-均值聚类算法对复杂的医学、遥感图像难以获得满意分割效果问题,将图像模糊C-均值聚类引入图像分割问题研究中,提出了基于直方图的图像模糊聚类快速分割算法。将越南学者Le提出的分布式图像模糊聚类算法目标函数进行简化,得到图像模糊聚类算法目标函数;采用拉格朗日乘子法获取其迭代求解所对应的隶属度、中立度、拒分度和聚类中心表达式,设计图像模糊聚类算法并对其收敛性进行了证明。通过复杂医学和遥感图像的分割测试结果表明,新的分割算法相比现有的模糊C-均值聚类分割算法和直觉模糊C-均值聚类分割算法具有更好的分割性能。