简单线性迭代聚类的高分辨率遥感影像分割

影像分割是面向对象影像分析的基础和关键。针对传统影像分割方法地物边界依附性差、易受影像噪声影响等问题,提出一种简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)的高分辨率遥感影像分割方法。该方法首先用SLIC算法对影像过分割生成SLIC超像素,之后根据相似性规则对SLIC超像素进行合并实现影像分割;然后通过构造Lab颜色空间下的五维特征参数度量影像像素的局部特征差异,并通过SLIC算法把具有相似性特征的像素聚类生成超像素,克服影像噪声对分割结果的影响;最后根据相似性合并规则以超像素为基本单元进行区域合并,从而达到分割目的。实验结果表明,所提出方法具有良好的高分辨率遥感影像分割结果。     

一种新的高光谱遥感图像超像素分割方法

为了解决简单线性迭代聚类算法在高光谱遥感图像超像素分割任务中分割精度较低的问题,提出一种基于多级线性迭代聚类结合改进标签传播算法(LPA)的新的无监督高光谱遥感图像超像素分割方法。首先,扩充简单线性迭代聚类(SLIC)的适用范围至多通道对高光谱图像进行超像素初分割;然后,对色彩标准差较大的超像素进行多级迭代细致分割,引入基于局部二进制模式的高光谱遥感图像纹理特征提取方法计算高光谱图像纹理特征并融合多段光谱特征计算超像素间相似度以构建带权图网络;最后,改进LPA社区发现方法进行超像素合并,将改进的标签传播算法运用于超像素合并可以得到更加稳定准确的超像素合并效果,提高超像素分割精度。将该方法与多种方法进行比较,结果表明,该方法对高光谱遥感图像的超像素分割结果更准确,超像素边缘更贴合真实地物边界,能有效改善高光谱遥感图像超像素分割中精度较低的问题。     

NMI特征优化边界敏感的LSC遥感影像分割算法

针对线性谱聚类方法处理复杂场景的高分辨率遥感影像时存在地物边界丢失、过分割问题,提出基于归一化转动惯量特征优化边界敏感的线性谱聚类方法。首先,利用LOG算法提取影像边缘信息,将边缘信息与LSC算法融合,并将存在边缘信息的超像素块的区域质心替代原始聚类中心,改善地物边界信息丢失问题;然后,通过边缘敏感的LSC分割方法,对高分辨率影像进行分割,获取地物完整的初始超像素,并确定微小的超像素;最后,计算微小超像素与相邻超像素相似性度量值,并将其合并到相似性度量值最小的超像素,优化过分割结果。实验结果表明,该方法可以有效地解决地物边界丢失、过分割问题,获取较好的分割结果。     

融合超像素与Wasserstein距离的遥感影像分割方法北大核心CSCD

图像分割技术是图像处理和计算机视觉领域中的关键技术之一。随着近年来遥感成像技术的迅猛发展,传统基于像素的影像处理方法不再适用于高分辨率遥感影像。针对传统图像分割方法在分割准确性以及分割效率等问题上存在的不足,提出了一种融合超像素与Wasserstein距离的遥感影像分割方法。首先,对遥感影像进行SLIC(simple linear iterative clustering)算法预分割,生成超像素;然后,将超像素作为K-means算法的聚类中心,利用Wasserstein距离替代传统欧氏距离计算超像素之间的距离,完成聚类。理论和实验结果表明,新方法具有收敛性,在一定程度上提高了超像素预分割后的完整性,并且Wasserstein距离能够准确计算分布之间的差异性,在超像素距离计算上表现突出。     

一种融合光谱差异的空间约束模糊聚类的熵率超像素分割方法

针对高分辨率遥感影像中传统超像素分割方法存在过分割和边缘分割一致性的问题,选取五景高分辨率遥感影像,提出了一种融合光谱差异的空间约束模糊聚类的熵率超像素分割方法。首先,采用熵率超像素进行过分割,生成超像素过分割区域;然后,分析影像地物的空间信息,对比区域相似性;最后,采用空间约束模糊聚类和光谱差异进行区域合并,获取最终分割影像。定性和定量分析结果表明,该方法改善了过分割问题,能有效提高分割精度,使得分割影像的地物边缘一致性较优。     

改进的简单非迭代聚类的遥感影像分割研究

简单线性迭代聚类（Simple Linear Iterative Clustering,SLIC）超像素算法依赖超像素设置数目的大小,容易产生欠分割或者过分割的现象,且运行速度不高。提出一种改进的简单非迭代聚类（Simple Non-Iterative Clustering,SNIC）超像素算法对遥感影像进行分割。采用SNIC超像素获取初始分割结果;利用动态阈值对原始影像进行分割;对影像进行两次作差,从而对SNIC分割结果进行修正;选取满足一定条件的分割线即为最终的分割结果。实验结果表明,该算法在分割精度、召回率和运行时间上都获得了令人满意的结果。     

结合SLIC和模糊聚类的遥感图像分割方法

超像素分割是目前用于遥感影像分割的研究热点,但它易产生过度分割的问题。为解决过度分割问题,提出一种简单线性迭代聚类(SLIC)结合快速FCM聚类算法(Fast fuzzy C-means,FFCM)的遥感图像分割方法。该方法首先用SLIC算法对初始影像进行预分割;然后使用FFCM对获取的超像素进行合并。本文将分形网络演化方法(FNEA)作为对比实验方法。实验结果表明,本文提出方法的分割结果与实际地物的相似度更高,抗噪性更好。提出分割方法的精度较FNEA算法相比均有所提高。研究成果可为遥感影像分割提供有效借鉴。     

基于模糊连接度的近邻传播聚类图像分割方法

针对现有近邻传播聚类图像分割方法分割精度低的问题,提出一种基于模糊连接度的邻近传播聚类(FCAP)图像分割算法。针对传统模糊连接度算法不能得出任意点对间模糊连接度的不足,结合最大生成树提出了全模糊连接度算法。FCAP算法先使用Normalized Cut超像素技术进行超像素分割,这些超像素可以看作数据点以及它们之间的模糊连接度;然后使用所提出的全模糊连接度算法计算超像素间的模糊连接度,根据模糊连接度和空间信息计算超像素的相似度;最后使用近邻传播(AP)聚类算法完成分割。实验结果表明,FCAP算法明显优于超像素处理后直接使用AP聚类算法进行分割的方法,并且优于无监督图像分割方法。     

熵率超像素分割一致性检验视差细化算法

针对传统分割一致性检验视差细化算法处理低纹理图片时优化效果较差的问题,提出一种基于熵率超像素分割的改进方法,使用基于熵率的超像素分割算法代替均值漂移(Mean-shift)分割算法.针对参考图像进行超像素分割处理;将每一个分割块进行统计分析,根据集中趋势值筛选可信值与不可信值;进行视差填充处理获得最终优化后的视差图.选...     

基于超像素的高分遥感影像分割算法

针对高分遥感影像中存在地物数目多,特征信息复杂导致分割边缘不清晰、对象细节丢失等问题,提出一种改进的超像素分割和多特征结合的遥感影像分割合并算法。在对图像进行分割前的预处理阶段,使用超像素分割技术得到初始分割图像;区域合并过程中,基于对象间的异质性和对象内部的同质性,结合光谱、纹理和形状特征,对对象进行合并;通过调整全局分割参数来调整合并尺度,得到最终的影像分割结果。实验结果表明,所提方法能得到较好的影像分割效果。     

基于改进的相似度度量的谱聚类图像分割方法

针对传统谱聚类图像分割方法存在分割准确度不够高的缺点,提出一种基于改进的相似度度量的谱聚类图像分割方法。该方法首先使用超像素分割算法将图像预分割为一定数目的超像素集合,并构建以超像素为节点的图;然后融合超像素的协方差描述子、颜色信息、纹理信息、梯度信息以及边缘信息作为超像素的特征来度量超像素间的相似性,进而得到超像素的相似度矩阵;最后使用NJW算法对超像素图进行分割。大量的实验结果验证表明,改进的分割方法在分割精度上优于目前存在的无监督分割方法,并且在交互式分割的模式下,该方法可以准确分割出用户指定的目标。     

基于超像素及贝叶斯合并的图像分割算法

针对超像素分割算法中普遍存在的过分割问题,结合Mean Shift算法和非参数贝叶斯聚类模型,提出了一种新的图像分割算法MS-BRM（Mean Shift based Bayesian Region Merging）。首先,利用Mean Shift算法对图像进行超像素分割,然后根据非参数贝叶斯聚类模型,融合超像素的空间信息,提出一种区域合并策略对超像素进行合并,得到了最终的分割结果。实验结果表明,MS-BRM算法改善了超像素的过分割问题,对图像进行分割的结果保留了图像的边界信息,更加符合人类视觉的判断结果。     

基于测地线的超像素谱聚类彩色图像分割

在图像分割中谱聚类算法得到了广泛的应用,但传统谱聚类算法易受到彩色图像大小和相似性测度的影响,导致计算量大和分割精度低的问题。为了解决这两个问题,提出一种新的基于超像素集测地线特征的谱聚类分割算法。该方法通过对彩色图像进行预分割得到超像素集,并以超像素集为基础构造加权图,利用测地线距离特征和颜色特征构造权值矩阵,最后应用NJW（Ng-Jordan-Weiss）算法得到最终的分割结果。对比实验结果表明该算法在分割精度和计算复杂度上都有较大改善。     

基于SLIC和区域生长的目标分割算法

传统区域生长算法的分割结果依赖于种子点的选取,且图像自身的噪声以及灰度值不均匀等问题易在分割目标过程中形成分割空洞,针对以上问题提出了基于超像素的改进区域生长算法。采用拉普拉斯锐化,增强待分割目标边界,之后根据像素灰度相似的特征采用SLIC（简单线性迭代聚类算法）超像素分割将原始图像分割成若干不规则区域,建立不规则区域间的无向加权图,选取种子区域,根据无向加权图以分割好的不规则区域为单位进行区域生长,最后在分割目标边缘处以像素为单位做区域生长,细化边界。对比于传统区域生长算法,改进后的算法在分割结果上受种子点选取影响较小,且能有效地解决分割空洞等问题。对比于聚类分割,Otsu（最大类间方差）阈值分割法等典型算法,该算法在分割精度上具有明显优势。     

融合多特征表示和超像素优化的双目立体匹配

针对目前许多局部双目立体匹配方法在缺乏纹理区域、遮挡区域、深度不连续区域匹配精度低的问题,提出了基于多特征表示和超像素优化的立体匹配算法。通过在代价计算步骤中加入边缘信息特征,与图像局部信息代价相融合,增加了在视差计算时边缘区域的辨识度;在代价聚合步骤,基于超像素分割形成的超像素区域,利用米字骨架自适应搜索,得到聚合区域,对初始代价进行聚合;在视差精化步骤利用超像素分割信息,对匹配错误视差进行修正,提高匹配精度。基于Middlebury立体视觉数据集测试平台,与自适应权重AD-Census、FA等方法得出的视差图进行比较,该算法在深度不连续区域和缺乏纹理区域的匹配效果显著改善,提高了立体匹配精度。     

基于超像素和随机游走的交互式分割算法

交互式图像分割通过先验信息指导获取图像中人们感兴趣的部分,但是现有算法无法在效率和精度上实现平衡。为了解决此问题,提出了一种基于超像素和随机游走的快速交互式分割算法(random walk on superpixel, SPRW)。首先,将图像预分割为具有局部相似性的超像素区域,使用像素颜色均值对超像素区域表示;其次,根据人工标记的先验信息建立F-B图结构,扩展随机游走的范围,并使用随机游走的方法求解,获得硬分割结果;最后,针对分割结果的边界不光滑问题,提出改进的抠图算法(fast robust matting, FRB)进行二次处理,得到软分割结果。在BSD500和MSRC数据集上的实验证实,所提出的硬分割方法与其他算法在时间和平均交并比等指标上有较大优势;在Alpha Matting数据集上的实验充分证实所提出的软算法在提高效率的同时精度也有一定的提升;此外,在生活照更换背景的实验上展现了该算法的应用价值。     

梯度-纹理特征超像素分割的SAR图像阴影识别

为了克服基于像素的合成孔径雷达(synthetic aperture radar, SAR)图像阴影自动识别中图斑离散和精度低的问题，提出基于梯度-纹理特征超像素分割的SAR图像阴影自动识别方法。首先，提取SAR图像梯度和纹理特征；然后，综合SAR图像梯度和纹理特征进行主成分分析，再采用简单线性迭代聚类算法(SLIC)对前3个主成分合成的图像进行超像素分割；最后，以超像素为分析单元，采用恒虚警率(CFAR)检测算法识别SAR图像阴影。采用MSTAR图像数据集开展实验，并与“像素+CFAR”和“SAR图像超像素分割+CFAR”阴影识别方法进行定性和定量对比。对比实验显示，该方法识别阴影的MIoU值最高(0.882),Hausdorff距离最小(43.55)。实验结果表明，该方法不仅有效解决了SAR图像阴影识别图斑离散问题，而且识别阴影的准确度、识别的阴影边界与真实边界的符合程度均达到了较理想的效果。     

基于自适应SLIC的人体标准姿势图像分割

为了提高在复杂背景下人体图像分割的精度,提出了一种新的人体图像分割算法.该算法针对简单线性迭代算法（SLIC）在进行超像素块分割时需指定像素块个数的问题,借鉴CV能量模型,通过将图片极小化为多个区域进行水平集迭代分割,从而构造出自适应的超像素块,使得分割后的每个超像素块更贴合图像中的单个色块.然后结合人体平均模板,在图片上标记出感兴趣的人体标准姿势区域,提高了算法对复杂背景的抗干扰能力.最后利用k-means聚类算法将每个超像素块作为节点进行聚类,实现标准人体图像分割.在不同环境下采集多组图片进行实验,结果表明：该算法在保证了图像分割效率的情况下,提高了人体标准姿势的分割精度,对色度丰富的复杂背景抗干扰能力强.     

多尺度超像素分割和奇异谱分析的高光谱影像分类

目的 高光谱影像（hyperspectral image,HSI）中“同物异谱,异物同谱”的现象普遍存在,使分类结果存在严重的椒盐噪声问题。HSI中的空间地物结构复杂多样,单一尺度的空间特征提取方法无法有效地表达地物类间差异和区分地物边界。有效解决光谱混淆和空间尺度问题是提高分类精度的关键。方法 结合多尺度超像素和奇异谱分析,提出一种新的高光谱影像分类方法,从而充分挖掘地物的局部空间特征和光谱特征,解决空间尺度和光谱混淆的问题,提高分类精度。利用多尺度超像素对影像进行分割,获取不同尺度的分割影像,同时在分割区域内进行均值滤波,减少类内的光谱差异,增强类间的光谱差异;对每个区域计算平均光谱向量,并利用奇异谱分析方法获取光谱的主要鉴别特征,同时消除噪声的影响;利用支持向量机对不同尺度超像素分割影像进行分类,并进行决策融合,得到最终的分类结果。结果 实验选取了两个标准高光谱数据集和一个真实数据集,结果表明,利用本文算法提取的光谱—空间特征进行分类,比直接在原始数据上进行分类分别提高约26.8%、9.2%和13%的精度;与先进的深度学习SSRN （spectral-spatial residual network）算法相比,本文算法在精度上分别提升约5.2%、0.7%和4%,并且运行时间仅为前者的18.3%、45.4%和62.1%,处理效率更高。此外,在训练样本有限的情况下,两个标准数据集的样本分别为1%和0.2%时,本文算法均能取得87%以上的分类精度。结论 针对高光谱影像分类中的难题,提出一种新的融合光谱和多尺度空间特征的HSI分类方法。实验结果表明,本文方法优于对比方法,可以产生更精细的分类结果。     

自适应多维特征减少的模糊C-均值遥感图像分割算法

针对传统分割算法难以对遥感图像进行有效分割的问题,提出了一种自适应特征减少的图像分割算法。首先对源图像进行超像素分割,将获得的超像素作为算法的基本操作对象。其次,提取图像的颜色、纹理、边缘以及空间等多维特征,并使用加权像素值来表示超像素的特征。再者,将模糊分离度量加入到FRFCM(feature-reduction fuzzy C-means)模型中,构造特征减少分割算法。该算法可以自动选择有用特征。最后对分割算法进行优化,获取最终分割结果。通过遥感图像分割实验表明,提出算法能有效分割遥感图像,在分割准确度、运行时间、消除噪声影响等性能方面优于其他同类算法。