空间权重自适应的MRF高光谱图像模糊聚类方法

传统模糊聚类方法以像元光谱信息为基础,通过相似性准则在特征空间内进行自动聚集。高光谱图像聚类过程往往受到混合像元和"同物异谱"现象的影响,造成结果噪声和破碎严重,导致算法难以适应于高光谱图像地物识别。针对传统聚类算法的不足,考虑邻域像元间相关性和连续性即上下文特征,文章提出了一种新的基于空间权重自适应马尔科夫随机场模型(markov random field,MRF)的高光谱图像模糊聚类算法,在模糊C-均值聚类目标函数中引入空间项,并采用自适应权重系数控制其在聚类中的影响程度,将空间信息自适应地引入聚类过程中。通过模拟及真实高光谱数据实验证明,较仅使用光谱及分类后处理滤波算法,该算法有效提高了高光谱图像聚类的精度和抗噪能力。     

基于变权马尔可夫随机场的遥感图像变化检测

遥感图像变化检测通过分析比较不同时相所获得的遥感图像来获取变化信息,目前已经成为对地监测最有效的手段.针对传统马尔可夫随机场遥感图像变化检测算法的不足,提出一种基于变权马尔可夫随机场的遥感图像变化检测算法.该算法重新定义了马尔可夫能量函数的计算过程.实验结果表明该算法是一种有效、精确的变化检测算法.     

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。     

结合自适应空间与CRF的遥感影像变化检测

提出了一种结合自适应空间与条件随机场（CRF）的新框架用于高分辨率遥感影像变化检测,解决了两幅影像配准误差造成的噪声和条件随机场产生的过平滑问题。通过加权自适应空间（WAS）获取差异图像消除了因配准误差造成的部分噪声,采用基于形态学重构的FCM聚类方法（MFCM）构建CRF一阶势减少了斑点噪声;引入带光谱—空间约束的模型改进CRF二阶势,进一步提高了算法的抗噪性能并可防止过平滑现象。与现有方法相比,该算法的检测精度、虚检率和漏检率都得到明显改进,同时较好地保留了边缘信息。     

基于聚类和MRF模型的场景文字提取方法

提出一种从自然场景中提取文本区域的方法。该方法包括候选文本区域的提取,以及候选区域是否为文字区域的判定。候选文字区域的提取,主要利用图像的纹理特征和HSL颜色空间信息,通过改进的模糊C均值聚类函数,结合拉普拉斯掩膜与计算最大梯度差来实现。由连通域边缘密度信息、形状信息的马尔科夫随机场模型,判定候选文字区域是否为文字区域。经ICDAR2003数据库测试结果表明,该方法具有较高的精确度。     

变权重MRF算法在图像自动无监督分割中的应用

为了实现图像的自动无监督分割,本文提出类自适应变权重马尔可夫随机场分割算法。首先结合最小描述长度准则,自适应计算马尔可夫随机场框架下的图像分类数;然后引入变权重的马尔可夫随机场算法,扩大势函数的选择范围,消除势函数的复杂计算;最后用迭代条件模式进行优化,获得最大后验概率准则下的分割图像。在Matlab环境中的测试结果表明,该算法具有实效性,能正确计算分类数,同时有效减少了分割错误。     

融合灰度和梯度的MRF模型的立体匹配

基于立体匹配的马尔科夫随机场（MRF）模型,构建MRF的全局能量函数的数据项和平滑项,提出一种融合灰度和梯度特征的数据项建立,利用改进的置信度传播方法得到视差图,通过MRF因果系统对其校正。通过Middlebury大学的立体视觉测试平台获得性能指标。实验表明,该方法提高了立体匹配的正确率。     

Ghost引导UNet++的高分遥感影像变化检测

目的 随着遥感观测技术的飞速发展,遥感影像的分辨率越来越高,如何从高分遥感影像中有效提取具有鉴别性的特征进行地物变化检测成为一个具有挑战性的问题。卷积神经网络广泛应用于计算机视觉领域,但面向遥感影像变化检测时仍存在图像语义或位置信息的丢失及网络参数量过大等缺陷,导致检测性能受限。为此,提出一种新型GUNet++（Ghost-UNet++）网络,用于遥感影像的精准变化检测。方法 首先,为了提取双时相遥感影像更具判别性的深度特征,设计具有多分支架构的高分辨率网络HRNet替换传统UNet++的主干网;其次,采用UNet++解码结构进行差异判别时,引入鬼影（Ghost）模块代替传统卷积模块以降低网络参量,并设计密集跳跃连接进一步加强信息传输,以减少深层位置信息的丢失;最后,设计一个集成注意力模块,将网络的多个语义层次特征进行聚合和细化,抑制语义和位置信息的丢失,进一步增强特征表征能力用于最终的精准变化检测。结果 在LEVIR-CD（LEVIR change detection data set）和Google Data Set两个公开数据集上进行实验,结果表明本文算法变化检测精度高达99.62%和99.16%,且网络参数量仅为1.93 M,与现有主流变化检测方法相比优势明显。结论 提出方法综合考虑了遥感图像中语义和位置信息对变化检测性能的影响,具有良好的特征抽取和表征能力,因此变化检测的精度和效率比现有同类方法更高。     

基于模糊C均值聚类和邻域分析的无监督多通道遥感图像变化检测

提出一种基于模糊C均值聚类(Fuzzy C-means,FCM)和邻域分析的多通道遥感图像变化检测方法.通常的多通道遥感图像变化检测方法将变化信息从多个波段压缩到一个波段,损失了遥感图像的波段信息.本文将多波段变化信息用FCM方法来实现多通道遥感图像的变化检测.但由于FCM有对孤立点敏感的特点,该方法容易受噪声的影响....     

遥感图像的有向空间高斯混合模型分割方法

针对传统高斯混合模型没有考虑像素间的空间关系,使得遥感图像分割算法对噪声不具备健壮性的问题,提出了一种基于有向空间关系高斯混合模型的遥感图像分割方法。首先,根据图像区域特征,利用像素之间的空间信息对高斯混合模型的先验概率和后验概率进行约束,定义的空间约束能够确保图像空间更新时算法结构的稳定;其次,根据像素区域分类信息,通过能量函数中灰度信息的分量控制,确保图像灰度和空间信息的自适应分配;最后,利用K均值算法初始化分割模型参数,通过交替进行评估像素与类别之间的对应关系和空间约束变换,实现图像的精准分割。利用遥感样本图像对该算法进行性能测试实验,与当前流行的3种算法相比,该算法展现出卓越的分割性能。     

基于模糊分类的MRF图像恢复方法

运用马尔科夫随机场(MRF)进行图像处理时,对图像平滑区域与边缘区域所采用的处理方法不加区别,会导致大量冗余程序且运行时间过长。针对该问题,提出基于模糊分类的MRF图像恢复方法,根据图像子块内服从不同分布的像素统计特征,对图像子块进行模糊分类,在分类基础上应用MRF进行图像恢复。对退化的二值图像进行恢复实验,结果表明,与MRF方法相比,基于模糊分类的MRF方法能减少程序运行时间,改善去噪效果。     

基于MRF的模糊聚类的二维直方图医学图像分割

针对医学图像分割,由于核磁共振成像的热/电噪声影响,采用马尔可夫随机场(MRF)作为先验模型提取出医学图像的后验能量场,然后采用模糊C-均值聚类法找到医学图像的不同组织和背景的聚类中心,再利用二维直方图的方法,找到多阈值分割的各个阈值点进行分割.实验结果表明,此算法能够充分考虑图像中像素的空间相关性,并且可以很好地抑制噪声,针对医学图像分割具有很好的稳健性.     

基于改进MRF的遥感影像建筑物精提取

随着遥感图像的快速发展与广泛应用,基于遥感影像的建筑物提取能够及时、准确地提取建筑物信息,在地图快速更新、城市管理等应用中具有重要的研究意义。目前经神经网络进行特征分析提取的建筑物灰度图存在图像模糊、错分建筑物等情况,并且需要经过二值化处理才能为后续工作所利用。为了提高分类精度,本文在神经网络初提取的基础上,首先采取大津法分割,形态学处理灰度图。并改进马尔可夫随机场方法,提出根据图像局部邻域特征动态估计先验参数β的新方法,且将原始图像特征引入马尔可夫随机场,对大津法分割的结果进行进一步的分割,并对建筑物边缘的锯齿边界进行修正,以提高分类精度。实验表明,所用方法能够有效减少神经网络提取出的灰度图中的错分建筑物。     

基于胶囊网络及其权重剪枝的SAR图像变化检测方法

基于深度神经网络的SAR图像变化检测算法由于精确率高等优点,已被广泛应用在农业检测、城市规划以及森林预警等多个领域。设计了基于胶囊网络的SAR图像变化检测算法,针对其模型复杂度高、参数量大等问题,提出了基于权重剪枝的模型压缩方法。该方法对其胶囊网络参数进行逐层分析,针对不同类型的层采取不同的剪枝策略,对网络中冗余的参数进行剪枝,随后对剪枝后的网络进行微调,从而提高了剪枝后模型的检测性能。最后,通过对模型中保留下来的参数进行压缩存储,显著降低了模型所占用的存储空间。在4组真实SAR图像上的实验结果证明了所提出的模型压缩方法的有效性。     

基于GA-EM算法的GMM遥感影像变化检测方法*

提出了一种基于GA-EM算法的高斯混合模型(GMM)遥感影像变化检测方法。该方法采用主成分分析(PCA)与传统差值法相结合的方式构造差异影像;然后使用N个成分的GMM对差异影像分布进行建模;再利用进化的迭代方法对模型进行自适应参数估计;最后利用贝叶斯准则实现变化和未变化像元分布的变化检测结果。仿真结果表明,该方法对变化目标的检测有效而可靠,具有较大的实用价值。     

结合深度学习和超像元的高分遥感影像变化检测

目的 随着遥感影像空间分辨率的提升,相同地物的空间纹理表现形式差异变大,地物特征更加复杂多样,传统的变化检测方法已很难满足需求。为提高高分辨率遥感影像的变化检测精度,尤其对相同地物中纹理差异较大的区域做出有效判别,提出结合深度学习和超像元分割的高分辨率遥感影像变化检测方法。方法 将有限带标签数据分割成切片作训练样本,按照样本形式设计一个多切片尺度特征融合网络并对其训练,获得测试图像的初步变化检测结果;利用超像元分割算法将测试图像分割成许多无重叠的同质性区域,并将分割结果与前述检测结果叠合,得到带分割标记的变化检测结果;用举手表决算法统计带分割标记的变化检测结果中超像元的变化状况,得到最终变化检测结果。结果 在变化检测实验结果中,本文提出的多切片尺度特征融合卷积网络模型在广东数据集和香港数据集上,优于单一切片尺度下卷积神经网络模型,并且结合超像元的多切片尺度特征融合卷积网络模型得到的Kappa系数分别达到80%和82%,比相应的非超像元算法分别提高了6%和8%,在两个测试集上表现均优于长短时记忆网络、深度置信网络等对比算法。结论 本文提出的卷积神经网络变化检测方法可以充分学习切片的空间信息和其他有效特征,避免过拟合现象;多层尺度切片特征融合的方法优于单一切片尺度训练神经网络的方法;结合深度学习和超像元分割算法,检测单元实现了由切片到超像元的转变,能对同物异谱的区域做出有效判决,有利于提升变化检测精度。     

基于元学习和K均值聚类的高分遥感影像变化检测

为解决现有主流遥感影像变化检测方法在检测精度、自动化程度方面存在的局限性,提出一种基于元学习同/异质混合集成和K-means聚类的高分影像变化检测方法,可在较高检测精度下大幅缩减同/异质混合集成算法的运行时间。该方法首先以元学习为基础框架,选择同质集成的梯度提升树、随机森林和极端随机树作为元学习的初级学习器,快速重构原始样本的特征空间;然后利用K-means算法处理重构样本集,拟合多个逻辑回归次级学习器进行变化区域初检;最后采用超像元分割算法和空间邻域信息双重约束,滤除细小的“椒盐”碎斑。为验证该方法的有效性,选用两组不同地区的高空间分辨率遥感影像作为实验数据源。实验结果中,两组数据集上的Kappa系数分别为0.849 2和0.813 9,漏检率分别为0.132 1和0.215 2,误检率分别为0.148 2和0.101 7,处理耗时分别为65.217 s和700.441 s。结果表明,元学习算法结合K-means聚类的方法可有效提升变化检测精度,在算法效率方面也有良好的表现。     

基于主题模型的高分辨率遥感影像变化检测

提出一种基于主题模型的高分辨率遥感影像变化检测方法。将前后两期遥感影像对应的像素点对作为基本单位,提取其邻域亮度相关度、均值、标准差以及邻域回归直线的斜率、截距等低层次特征,在此基础上映射得到像素点对的高层次视觉单词特征,并通过潜在狄利克雷分配模型进行分析,挖掘其潜在的主题信息,即变化与不变,从而实现变化检测。实验结果表明,该方法能够有效检测高分辨率遥感影像的变化。     

结合空间邻域信息的SAR图像变化检测

SAR图像变化检测可以通过对差异图的分类来实现,由于SAR图像容易受到相干斑噪声的干扰,从而影响变化检测效果。提出了一种基于空间邻域信息模糊聚类的SAR图像变化检测方法,根据对数比法和均值比法的各自特点,构造了一种新的差异图生成方法,并通过对传统的模糊聚类算法结合像素的空间邻域信息进行改进,来实现SAR图像的变化检测。实验结果表明,与传统的阈值法、模糊聚类算法以及局部邻域信息模糊C均值算法相比,提出的算法具有较高的检测精度,不但能有效地抑制噪声影响,同时能较好地保留图像细节信息。