基于区域的MRF模型用于SAR图像分割

本文提出了一种建立在流域算法过分割结果区域图上的马尔可夫随机场模型的SAR图像分割算法.由于将马尔可夫场随机场(MRF)模型建立在预分割的基础上,极大减少了计算复杂度,并利用SAR图像的分布模型建立多层MRF模型,采用模拟退火优化得到MAP估计的分割结果.实验证明较传统的基于像素的马尔可夫随机场分割算法,该方法极大提高了运算速度,并能取得较为满意的分割结果.     

用于SAR图像分割的第二代Bandelet域HMT-3S模型

针对传统的基于变换域隐马尔可夫树(Hidden Markov Tree,HMT)模型的SAR图像分割方法不能得到较满意的区域一致性结果和较准确的分割边缘的问题,提出了一种基于第二代Bandelet域HMT-3S模型的SAR图像分割方法(BHMT-3Sseg).HMT-3S模型是一种融合了子带间相关性的HMT模型,在描述图像纹理特征时,更具合理性.BHMT-3Sseg方法采用HMT-3S模型对图像的第二代Bandelet系数建模,通过HMT-3S模型参数的训练、各尺度似然值的计算和基于邻域背景的多尺度融合,实现对SAR图像的分割,既能得到较为准确和连续的边缘,也增强了分割结果的区域一致性.实验表明,本文方法BHMT-3Sseg对SAR图像分割是可行有效的.     

一种全自动的MSTAR SAR目标图像分割方法

狄利克雷过程混合模型(Dirichlet Process Mixture,DPM)作为一种非参数概率统计模型,可以有效应用于SAR图像的非监督分类。文中提出一种全自动的MSTAR坦克SAR图像分割方法。该方法首先基于DPM确定出图像中的类别数目,接着使用马尔科夫随机场(Markov Random Field,MRF)对所得图像类别概率的空间邻域关系进行描述,然后结合标号代价能量优化算法获取最终的分割结果。该方法在不需要人为指定待分割图像类别个数的同时,能较好地保证分割结果的合理性与连贯性。在MSTAR SAR数据上的实验表明了其有效性。     

一种基于马尔可夫随机场的SAR图像分割新方法

该文提出了一种基于马尔可夫随机场(MRF)的合成孔径雷达(SAR)图像分割新方法。在传统MRF的邻域基团势函数基础上,引入了图像邻域中各个像素的强度差值以及像素之间的距离因子,使SAR图像中空间上下文信息得到了更加充分的利用。根据贝叶斯定理将图像分割问题转化为最大后验概率的求取问题,运用迭代条件模型(ICM)算法求得最大后验概率的解。在实验中,将该文提出的方法、传统上使用ICM以及模拟退火(SA)优化方法的MRF分割运用于模拟的SAR图像以及真实SAR图像。比较结果证明,该文的方法在误分率以及抗噪性上更具优势。     

基于Markov随机场K-Means图像分割算法

 传统的K-Means算法在图像分割中只与特征向量有关,从而忽略了像素间的空间位置关系,因而分割模型是不完整的.本文利用Markov随机场描述图像像素间的邻域关系,引入拒绝度的概念到聚类目标函数中的同时,提出了初始类别及初始中心点的确定方法,提出了较为完备的基于Markov随机场图像分割算法.并通过实验验证该分割方法在效果及效率上的有效性.     

基于EM参数“软”估计的SAR图像分割

借助EM算法和模糊理论,提出了一种基于参数"软"估计和Markov随机场的SAR图像无监督分割方法。首先利用多维空间的EM算法估计随机场的模型参数,并根据随机场模型参数分别计算观测数据的条件概率和标记图像的先验概率,继而根据最大后验概率准则将图像分成具有相似统计特性的同质区域,重复以上步骤直至收敛。通过与传统的参数"硬"估计分割算法的实验比较,该算法能更好保持图像边缘细节,区域连通性更好。     

结合高斯回归模型和隐马尔可夫随机场的模糊聚类图像分割

为了克服经典模糊聚类图像分割算法对图像噪声的敏感性,该文提出结合高斯回归模型(GRM)和隐马尔科夫随机场(HMRF)的模糊聚类图像分割算法。该算法用信息熵正则化模糊C均值(FCM)的目标函数,再用KL(Kullback-Leibler)信息加以改进,并将HMRF和GRM模型应用到该目标函数中,其中HMRF模型通过先验概率建立标号场邻域关系,而GRM模型则在中心像素标号与其邻域像素标号一致的基础上建立特征场邻域关系。利用提出的算法和其它经典算法分别对模拟图像、真实SAR图像以及纹理图像进行了分割实验,并对分割结果进行精度评价。实验结果表明,该文提出的算法具有更高的分割精度。     

基于视觉感知和MARMA-MRF模型的SAR图像分割

模拟人类视觉感知机制,提出了一种基于多尺度 自回归滑动平均(MARMA,multiscale auto-regressive and moving average model)模型 和Markov随机场(MRF,markov random field)的合成孔径雷达(SAR)图像分割新方法。首先 ,分析人类视觉感知系统的工作机制 和特点,利用SAR的成像机理,构建了SAR图像的金字塔结构和MARMA模型, 以此模拟视觉过程中的空间尺度和朝向感知机制;然后,通过不同尺度上的MRF模型和改 进的模拟退火(SA)算法实现更有效的多尺度分割策略。实验结果表明,本文提出的方法在SA R图像分割任务中有非常良好的表现。     

基于MRF模型和形态学运算的SAR图像分割

针对目标监测分析中的SAR图像分割问题,构造了一种基于马尔可夫随机场(MRF)模型和形态学运算的处理方法.首先利用SAR图像邻域空间上的马尔可夫性以及像素灰度的高斯分布模型,以较少的迭代次数实现了SAR图像的初分割;然后通过形态学运算进行处理,抑制干扰性分割,同时填充目标区域内部空洞,改善分割效果.实验结果显示,该方法...     

基于Contourlet域HMT模型的多尺度图像分割

基于Contourlet系数分布统计特性,结合隐马尔可夫树（HMT）模型和贝叶斯准则提出一种新的图像分割算法.为了更有效保持Contourlet域不同尺度间的信息,提出一种新的加权邻域背景模型,给出了基于高斯混合模型的象素级分割算法和基于新的背景模型的多尺度融合算法.分别选择合成纹理图像、航拍图像和SAR图像进行实验,并与小波域HMTseg方法进行比较以说明算法的有效性.对合成纹理图像给出错分概率作为评价参数.实验结果表明本文方法不但在边缘信息和方向信息保持上有明显改进,而且错分概率明显降低,对真实图像得到了理想的分割效果.     

多尺度马尔科夫随机场在基于高分辨率合成孔径雷达影像的城市地物分类中的应用

本文通过基于多尺度马尔科夫随机场模型的最大似然算法及基于传统马尔科夫随机场势函数的像素间Gabor相似方法,使用迭代条件模型对影像进行分割,使用K均值分类算法对分割后的影像进行分类,选择北京市通州区作为研究区,使用上述方法对多幅该区域的高分辨率合成孔径雷达影像进行了分类,新方法可以实现优于传统算法的分割精度,能够清晰区分建筑物之间的边界。     

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。     

基于上下文和隐类属的小波域马尔可夫随机场SAR图像分割

该文针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像含有大量的乘性斑点噪声的特点,提出了一种小波域隐类属的马尔可夫随机场(Markov Random Field, MRF)图像分割算法来抑制噪声的影响。考虑到小波的聚集性和持续性,该算法重新构造了待分图像小波域模型以类属为隐状态的混合长拖尾模型,将隐类属的马尔可夫随机场推广到小波域上,并用改进的上下文模型估计尺度间转移概率,最后推导出了新的最大后验(Maximum A Posteriori, MAP)分割公式。仿真结果证明,该算法具有鲁棒性能够有效地抑制噪声对图像的影响,得到准确的分割结果。     

一种基于简化马尔可夫随机场的红外图像快速分割方法

分析了传统的基于马尔可夫随机场图像分割算法收敛速度慢和固定加权等缺点,提出了一种基于简化马尔可夫随机场的红外图像快速分割算法。该算法首先对红外图像极大似然初始分割,并利用简化马尔可夫随机场对图像进行建模。在此基础上采用自适应的加权变化形式进行迭代,不但加速了分割算法的收敛速度,而且使得分割效果都大为改善。在真实的飞机和舰艇红外图像上,该算法都取得了较好的分割效果。     

并行MCMC算法的SAR影像分割

MCMC(Markov Chain Monte Carlo, MCMC)方法采用顺序改变表征像素类属性的标号变量值会导致算法运算时间长、收敛速度慢等问题。为此,本文提出并行化改变像素标号值的MCMC方案,在贝叶斯推理框架下,依据高斯分布及MRF(Markov Random Field, MRF)模型建立SAR(Synthetic Aperture Radar, SAR)影像分割模型,设计实现基于多线程的并行采样方案;为了解决MRF标号场中邻域像素标号相关性问题,提出独立的像素并行采样的准则;同时,限制并行线程的数量,以保证采样的随机性。运用传统的串行算法和提出的并行算法对模拟和真实SAR影像进行影像分割实验;定性和定量的时间和精度评价结果表明:该方案在不影响分割精度的前提下大幅缩短影像分割时间,提高了效率。      

适用于高分辨SAR图像的全局稳态最小水平集分割方法

该文针对高分辨率SAR图像的分割问题提出了一种新的快速的水平集方法。该方法基于G0分布能够同时描述高分辨率和中低分辨率条件下的SAR图像统计特性,通过水平集方法求解能量泛函最小化实现SAR图像的分割。由于能量泛函被设计为具有全局稳态最小值,使得该方法具有较好的全局分割能力和比较快的分割速度,从而增强了该方法的实用性。利用模拟和真实SAR图像上的分割实验验证了该方法的有效性。     

Unsupervised segmentation of synthetic aperture Radar sea ice imagery using a novel Markov random field model

Environmental and sensor challenges pose difficulties for the development of computer-assisted algorithms to segment synthetic aperture radar (SAR) sea ice imagery. In this research, in support of operational activities at the Canadian Ice Service, images containing visually separable classes of either ice and water or multiple ice classes are segmented. This work uses image intensity to discriminate ice from water and uses texture features to identify distinct ice types. In order to seamlessly combine image spatial relationships with various image features, a novel Bayesian segmentation approach is developed and applied. This new approach uses a function-based parameter to weight the two components in a Markov random field (MRF) model. The devised model allows for automatic estimation of MRF model parameters to produce accurate unsupervised segmentation results. Experiments demonstrate that the proposed algorithm is able to successfully segment various SAR sea ice images and achieve improvement over existing published methods including the standard MRF-based method, finite Gamma mixture model, and K-means clustering.