基于多特征融合的SAR图像输电走廊变化检测

传统SAR变化检测使用单一描述来提取多时相SAR图像间的变化信息,没有充分挖掘图像中的多特征信息,导致复杂变化场景下算法检测精度不高.针对这一问题,提出一种基于多种特征融合的SAR图像变化检测方法.该方法首先对多时相SAR图像输电走廊区域进行多种特征提取,并选取合适SAR变化检测的特征,然后在多时相SAR图像中计算每种特征对应的差异图,最后从图像融合的角度分别使用主成分分析法(PCA)和证据推理理论(DST)对这些多特征对应的差异图进行融合并提取最终的变化检测结果.实验结果表明该方法具有较为满意的变化检测效果.     

基于超像素的Graph-Based图像分割算法

针对EGBIS分割算法中的过分割问题,提出了一种基于超像素的graph-based图像分割算法SGBIS.首先,对图像进行基于简单线性迭代聚类（SLIC）的超像素预分割;然后以每个超像素作为节点构造带权无向图,以相邻超像素颜色平均值的欧式距离作为图中边的权值;最后利用基于图的算法合并超像素得到分割结果.用VI、PRI和F值3个指标分析了算法性能,结果表明,新算法可以得到更为理想的分割效果;引入交互分割区域合并,也可满足用户图像分割的需求.     

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.     

结合产生式模型和RCC方法的极化SAR图像分类算法

为了充分利用图像中的上下文信息对空间关系进行推理,提出了一种基于产生式模型和区域连接演算(Region Connection Calculus,RCC)的新模型——GM-RCC模型(Generative Model based on RCC),用于合成孔径雷达(SAR)图像的分类研究．首先,通过建立图像金字塔将一幅SAR图像过分割成多尺度的超像素,然后利用层次RCC模型对这些超像素的空间关系进行描述,其中RCC关系的学习和推理都是在产生式模型的框架下进行的．在模型的推理过程中采用了迭代策略以获得更加精细的分类结果．实验选用了极化特征及其他典型特征,并在SAR图像集上进行了实验,实验结果证明了该算法的有效性．     

基于局部相似性测度的SAR图像多层分割

针对谱聚类算法计算复杂度高,不适用于合成孔径雷达图像分割的问题,利用谱聚类算法与权核k均值之间的等价性,提出一种基于局部相似性测度的SAR图像多层分割算法．首先提取图像中每个像素的小波纹理特征,利用每个像素点的纹理特征计算各自的局部尺度参数,进而构造像素点之间的邻接关系,然后利用最近邻规则对此邻接关系进行逐层合并,进行基础聚类和逐层细化实现像素点聚类,最终得到图像的分割结果．对人工纹理图像和SAR图像的分割结果表明了新算法避免了传统谱聚类算法对尺度参数的敏感性,获得了更优的分割性能．     

基于随机区域移位和随机像素映射的图像加密

提出基于随机区域移位和随机像素映射的图像加密算法.该算法首先对待加密图像进行分割,然后将分割出来的图像单元顺序随机打乱,扰乱了图像的原始信息;然后再对每个图像单元进行像素映射扰乱,切断了各个单元像素值之间的联系.该算法结合了区域移位算法和像素映射算法的优点.计算机模拟表明该算法自由度大、保密性强,对二值图像和灰度图像加密都取得了很好的效果.     

基于超像素的协同分割变化检测方法

协同分割变化检测方法能够有效地克服椒盐现象,生成边界一致的多时相变化对象.但是对于大范围的实验区来说这种方法运算量大,耗时长.针对这一缺点,基于超像素的协同分割变化检测方法引入了超像素分割的思想,利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达图片特征.该方法将每个超像素块视为一个节点,减少最小割/最大流构建的网络流图中节点的数量,可以直接获得大范围变化检测的结果.以中国江西省南昌县高分一号影像以及Landsat TM影像为例进行试验,分割结果的总体精度在0.80～0.82之间,Kappa系数在0.65～0.61之间,计算时间从超过1 d提升至最长不超过4 h.试验表明,基于超像素的协同分割变化检测方法既能准确提取出变化图斑,又能极大地提升协同分割变化检测的运行速度.     

基于混合模型的多尺度水平集高分辨率SAR图像水体分割

针对高分辨率SAR图像水体分割,提出基于混合活动轮廓模型的多尺度水平集分割算法。首先利用ROEWA边缘指示函数加权的轮廓线长度能量项和区域信息项建立模型能量函数;然后引入距离正则项,避免水平集方法在演化求解时需要不断重新初始化的问题;最后采用多尺度处理策略,解决水平集分割算法收敛速度慢的缺点。实测高分辨率SAR图像实验结果表明,该算法可用于水体的精确分割。     

选择利用Wishart和K统计描述的极化SAR图像分割

为得到极化SAR图像中不同异质程度区域的准确分割,本文提出一种选择利用Wishart和K统计描述的极化SAR图像分割方法。该方法采用分形网络演化算法思想,将简单线性迭代聚类算法生成的超像素作为初始对象;再根据区域异质度指标,选择利用Wishart分布或K分布描述对象的统计相似性;最终实现综合利用Wishart和K统计描述的极化SAR图像分形网络演化分割。通过模拟数据和真实极化数据进行实验并与其它方法相比较,结果表明,本文方法在整体上能准确分割不同异质程度的地物,在局部细节上分割结果边界更精细。     

基于多尺度分析的归一化割图像分割算法

不同尺度的图像拥有不同的特性,针对单一尺度图像进行分割容易出现过分割或欠分割的问题,本文提出一种基于多尺度分析的归一化割的图像分割方法,首先利用方向能量模型得到不同尺度子图像的边缘方向能量,然后根据干涉轮廓的思想建立各个子图像像素之间的相似度,形成多个不同尺度的权值矩阵,并归一化为一个权值矩阵,最后运用归一化割算法对图像进行分割。实验表明,本文方法在融合了多个尺度图像不同特性的同时,能很好地处理含有纹理区域和弱边缘的图像,在一定程度上避免了过分割或欠分割的问题。