基于多尺度Markov模型的SAR图像上下文融合分割方法

在多尺度Markov模型的基础上,提出了一种新的用于SAR图像无监督分割的上下文融合分割方法。该方法充分考虑了SAR图像分布的统计特性,用基于混合Rayleigh分布的多尺度Markov模型对待分割图像建模,并直接根据待分割图像用迭代条件估计算法来训练模型的参数。然后以上下文向量的形式提出了四种不同的上下文模型,并用这四种上下文模型分别对待分割图像的多尺度图像信息进行自上而下的融合,最终得到四种不同的分割结果。实验表明,该方法进一步提高了SAR图像分割结果的精度。     

一种新的基于多尺度似然比检验的SAR图像分割方法*

提出的图像分割新算法利用当图像分辨率改变时,不同目标斑点模式变化方式的不同以及相邻图像尺度间的Markov性,推导得出了多尺度似然比的表达式;该方法同时考虑了多尺度自回归（MAR）模型产生的残差信息和较粗尺度图像的灰度信息,增强了区分度,分割结果更精确;考虑了被分类像素的邻域特性,使其对噪声不敏感,具有稳健性。实验结果表明分割效果是显著的。     

基于多尺度图像块的SAR图像无监督分割

提出了一种基于多尺度图像块的SAR图像无监督分割方法。在利用高斯混合模型进行图像分割时,大多采用的是基于单个像素的分割方法,这种方法由于未考虑像素周围邻域结点的信息,分割精度往往不高。论文考虑到SAR图像具有很强的斑点噪声,为了更好地抑制斑点噪声对分割结果的影响,在多分辨分析的基础上提出了一种基于多尺度图像块的图像分割新方法。实验表明,这种基于多尺度图像块的分割较在单个像素下多尺度Markov模型的MPM分割好,分割精度有了较大的提高。     

双树复小波域马尔科夫的遥感图像分割方法

针对多尺度高分辨率遥感图像像素分割在降噪时丢失大量高频信息及单一像素孤立性问题,提出了一种双树复小波变换(dual-G tree complex wavelet transform,DT-CWT)和模糊马尔科夫随机场(fuzzy markov random field,FMRF)模型相结合的无监督遥感图像分割算法。首先通过DT-CWT 遥感图像进行多尺度分解,并采用Bayesian阈值法对分解后的高频分量进行去噪,以增强图像的细节和边缘的表达能力并有效保留图像的主要高频信息;然后采用FMRF分割算法分别对重构后各层分量进行分割,以充分考虑像素分割的模糊性和像素邻域间的相关性;最后根据相似度融合规则融合各层分割结果。对比试验结果表明,该方法在有效去除杂点和噪声的同时能够较好地保留图像细节信息,并且边缘分割更加平滑,具有较高的分割精度和很好的鲁棒性。     

双树复小波域马尔科夫的遥感图像分割方法

针对多尺度高分辨率遥感图像像素分割在降噪时丢失大量高频信息及单一像素孤立性问题,提出了一种双树复小波变换(dual-tree complex wavelet transform,DT-CWT)和模糊马尔科夫随机场(fuzzy markov random field,FMRF)模型相结合的无监督遥感图像分割算法。首先通过DT-CWT遥感图像进行多尺度分解,并采用Bayesian阈值法对分解后的高频分量进行去噪,以增强图像的细节和边缘的表达能力并有效保留图像的主要高频信息;然后采用FMRF分割算法分别对重构后各层分量进行分割,以充分考虑像素分割的模糊性和像素邻域间的相关性;最后根据相似度融合规则融合各层分割结果。对比试验结果表明,该方法在有效去除杂点和噪声的同时能够较好地保留图像细节信息,并且边缘分割更加平滑,具有较高的分割精度和很好的鲁棒性。     

结合上下文特征与CNN多层特征融合的语义分割

目的 针对基于区域的语义分割方法在进行语义分割时容易缺失细节信息,造成图像语义分割结果粗糙、准确度低的问题,提出结合上下文特征与卷积神经网络（CNN）多层特征融合的语义分割方法。方法 首先,采用选择搜索方法从图像中生成不同尺度的候选区域,得到区域特征掩膜;其次,采用卷积神经网络提取每个区域的特征,并行融合高层特征与低层特征。由于不同层提取的特征图大小不同,采用RefineNet模型将不同分辨率的特征图进行融合;最后将区域特征掩膜和融合后的特征图输入到自由形式感兴趣区域池化层,经过softmax分类层得到图像的像素级分类标签。结果 采用上下文特征与CNN多层特征融合作为算法的基本框架,得到了较好的性能,实验内容主要包括CNN多层特征融合、结合背景信息和融合特征以及dropout值对实验结果的影响分析,在Siftflow数据集上进行测试,像素准确率达到82.3%,平均准确率达到63.1%。与当前基于区域的端到端语义分割模型相比,像素准确率提高了10.6%,平均准确率提高了0.6%。结论 本文算法结合了区域的前景信息和上下文信息,充分利用了区域的语境信息,采用弃权原则降低网络的参数量,避免过拟合,同时利用RefineNet网络模型对CNN多层特征进行融合,有效地将图像的多层细节信息用于分割,增强了模型对于区域中小目标物体的判别能力,对于有遮挡和复杂背景的图像表现出较好的分割效果。     

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。     

基于多尺度局部特征的图像分割模型

为了解决图像分割中灰度不均匀和初始轮廓敏感的问题,提出一种基于多尺度局部特征的图像分割模型.与传统局部邻域定义在方形区域不同,该模型采用圆形区域来获取更多的局部信息;考虑到局部区域灰度的变化程度不一,提出利用多尺度结构与均值滤波器相结合的方法获得多尺度局部灰度信息;通过转换灰度不均匀模型得到一个逼近真实信息的图像,并将其融合进局部高斯分布拟合(LGDF)模型,构造出基于多尺度局部特征的能量泛函.从理论分析和实验结果表明:由于多尺度结构弱化了灰度不均匀的影响,该模型既能快速、准确地分割灰度不均匀图像,又表现出对初始轮廓具有较强的鲁棒性.     

基于二叉划分树的多尺度图像分割算法

图像分割作为从图像中提取感兴趣对象的必要步骤,通常需要其能够提供多尺度的分割结果.提出一种基于二叉划分树(BPT)的多尺度图像分割算法,用于系统地记录从图像的任意过分割结果上进行的区域合并过程;然后基于BPT中每个结点与其父亲结点的差异度量,提出一种包括自动确定候选结点和分裂合并策略的结点选择算法,来选出符合期望分割区域数目的结点,并生成相应尺度的分割结果.实验结果表明,文中算法能够在较粗分割尺度下获得更适合于对象提取的分割结果,有助于提高自动对象提取的效率以及减少交互式对象提取中的人工交互.     

融合多尺度上下文信息的实例分割

目的 实例分割通过像素级实例掩膜对图像中不同目标进行分类和定位。然而不同目标在图像中往往存在尺度差异,目标多尺度变化容易错检和漏检,导致实例分割精度提高受限。现有方法主要通过特征金字塔网络(feature pyramid network,FPN)提取多尺度信息,但是FPN采用插值和元素相加进行邻层特征融合的方式未能充分挖掘不同尺度特征的语义信息。因此,本文在Mask R-CNN(mask region-based convolutional neural network)的基础上,提出注意力引导的特征金字塔网络,并充分融合多尺度上下文信息进行实例分割。方法 首先,设计邻层特征自适应融合模块优化FPN邻层特征融合,通过内容感知重组对特征上采样,并在融合相邻特征前引入通道注意力机制对通道加权增强语义一致性,缓解邻层不同尺度目标间的语义混叠;其次,利用多尺度通道注意力设计注意力特征融合模块和全局上下文模块,对感兴趣区域(region of interest,RoI)特征和多尺度上下文信息进行融合,增强分类回归和掩膜预测分支的多尺度特征表示,进而提高对不同尺度目标的掩膜预测质量。结果 在MS ...     

基于MRF模型的鲁棒FCM分割算法

FLICM算法是一种基于FCM框架的有效的分割方法。然而,它对于强噪声图像的分割仍然不够准确。本文使用MRF模型的局部先验概率,对FLICM算法从两方面进行了改进。首先,在计算模糊因子时,使用先验概率对距离函数进行加权。改进的模糊因子考虑了更大范围的邻域约束,从而使算法受噪声的影响程度减弱。其次,在分割阶段,进一步使用局部先验概率对FLICM算法的隶属度进行加权。使用改进后的隶属度进行标记判决,使得每一标记的确定需要考虑邻域标记的影响,使分割结果的区域性更好。利用新算法对模拟影像和真实影像进行了分割实验,并与几个考虑空间信息约束的FCM分割算法进行了对比分析,结果证明该算法具有更强的抗噪性能。     

折棍变分贝叶斯图像分割算法

为提高图像分割的抗噪鲁棒性并解决分割数目的自适应确定问题,通过在聚类标签先验概率的折棍构造过程中建立Markov随机场,将空间相关性约束引入Dirichlet过程混合模型的概率建模,使聚类的空间平滑性得以增强,并采用变分推断方法获得聚类标签的收敛解析解,提出一种基于折棍变分贝叶斯推断的图像分割算法,实现了对像素聚类标签和分割数目的同步自适应学习,避免了传统方法中因引入空间相关性约束而出现的计算复杂问题.基于Berkeley BSD500图像测试数据集的数值实验结果表明,该算法具有比现有的混合模型聚类图像分割算法更高的PRI值,且在低于0.1的噪声方差条件下表现出了更优的抗噪鲁棒性.     

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.     

Multiscale SAR image segmentation by combining curvelet transform and GMTRJ algorithms

To integrate multiscale analysis within region-based segmentation framework, this paper presents multiscale SAR image segmentation method. First, curvelet transform is used to obtain a collection of the decomposed SAR images on multiple scales. Their domain is partitioned into a set of blocks by a regular tessellation, in which the number of blocks is assumed to be a random variable with Poisson distribution. On the partitioned domain, the Bayesian paradigm is followed to build the region- and multiscale-based image segmentation model with unknown number of classes. Further, a Generalized Multiple-Try Reversible Jump (GMTRJ) algorithm is designed to simulate the segmentation model. During the procedure of iterative simulation for the segmentation model, the segmentation result on the current scale is regarded as the initial segmentation on next scale. The segmented results corresponding to the finest scale is considered as the optimal image segmentation. The proposed method is validated using SAR images. The Kappa coefficient of the test simulated SAR image is up to 0.998, and the Kappa coefficients of the test real SAR images are up or equal to 0.903. From the test results of the quantitative and qualitative evaluation, it can be found that the proposed method can not only determine the number of classes, but also segment homogeneous regions well.     

自动交互图像分割中的贝叶斯网络模型构建

由于贝叶斯模型和各种图像测量结果,置信传播会更新每个节点的相关概率,提出了在自动交互图像分割过程中应用的新型贝叶斯网络模型。从过度分割模型中的超级像素点区域、边区域、顶点和测量结果之间的统计相关性来构造多层贝叶斯网络模型。除了自动图像分割,贝叶斯网络模型也可用于交互式图像分割中,现有交互分割往往被动地依靠用户提供的准确调整,提出新型主动输入选择方式作为准确调整。实验采用Weizmann数据集和VOC 2006图像集来评估,实验结果表明贝叶斯网络模型可以进行效果更好的自动分割,主动输入选择可以提高整体分割精度。     

Turbo segmentation of textured images

We consider the problem of semi-supervised segmentation of textured images. Existing model-based approaches model the intensity field of textured images as a Gauss-Markov random field to take into account the local spatial dependencies between the pixels. Classical Bayesian segmentation consists of also modeling the label field as a Markov random field to ensure that neighboring pixels correspond to the same texture class with high probability. Well-known relaxation techniques are available which find the optimal label field with respect to the maximum a posteriori or the maximum posterior mode criterion. But, these techniques are usually computationally intensive because they require a large number of iterations to converge. In this paper, we propose a new Bayesian framework by modeling two-dimensional textured images as the concatenation of two one-dimensional hidden Markov autoregressive models for the lines and the columns, respectively. A segmentation algorithm, which is similar to turbo decoding in the context of error-correcting codes, is obtained based on a factor graph approach. The proposed method estimates the unknown parameters using the Expectation-Maximization algorithm.     

基于层次Gamma混合模型的高分辨率SAR影像分割方法

为了准确地对高分辨率合成孔径雷达(SAR)影像内像素强度统计分布建模并得到高精度的分割结果,提出基于层次Gamma混合模型(HGaMM)的高分辨率SAR影像分割方法.HGaMM由多个Gamma混合模型构成,用于对非对称、重尾和多峰等复杂的像素强度统计分布建模.为了减少影像噪声对分割的影响,采用马尔科夫随机场建模像素标号场,将像素邻域位置关系引入HGaMM.根据贝叶斯理论,利用后验分布构建影像分割模型.马尔科夫链蒙特卡罗算法用于模拟影像分割模型.在模拟和真实SAR影像上的分割实验表明,文中方法可得到较高精度的分割结果.     

SAR image multiclass segmentation using a multiscale and multidirection triplet Markov fields model in nonsubsampled contourlet transform domain

Triplet Markov fields (TMFs) model recently proposed is to deal with nonstationary image segmentation and has achieved promising results. In this paper, we propose a multiscale and multidirection TMF model for nonstationary synthetic aperture radar (SAR) image multiclass segmentation in nonsubsampled contourlet transform (NSCT) domain, named as NSCT-TMF model. NSCT-TMF model is capable of capturing the contextual information of image content in the spatial and scale spaces effectively by the construction of multiscale energy functions. And the derived multiscale and multidirection likelihoods of NSCT-TMF model can capture the dependencies of NSCT coefficients across scale and directions. In this way, the proposed model is able to achieve multiscale information fusion in terms of image configuration and features in underlying labeling process. Experimental results demonstrate that due to the effective propagation of the contextual information, NSCT-TMF model turns out to be more robust against speckle noise and improves the performance of nonstationary SAR image segmentation.     

一种基于区域竞争的水平集快速图像分割算法

从曲线演化的角度提出一种基于Bayesian区域统计和区域竞争的自适应变分图像分割模型,该模型使用水平集描述曲线和区域,得到基于Bayesian区域统计信息的能量函数,利用区域竞争曲线演化模型推导出一种快速曲线演化偏微分方程,实现了图像分割。该方法可以同时提取出多类目标,算法具有快速、分割精度高的特点,且易于综合纹理,形状等多种信息对模型进行扩充。此外,能量函数和曲线演化方程是相对独立的,对于不同类型的图像可选用不同的概率模型。实验表明,所提方法是一种快速、有效、新颖的图像分割方法。     

基于多尺度马尔可夫随机场的图像分割

离散马尔可夫随机场(MRF)模型是贝叶斯图像分割中最常用的工具。一般采用双MRF,一个随机场对应于观测图像,另一个随机场对应于未知的分类标号,通过迭代的算法将图像的局部信息逐步传递到整个图像,以求得分割标号的最大后验概率(MAP)或最大后验边缘概率(MPM)估计。近年来提出的多尺度MRF模型(或称因果MRF、分层MRF模