基于Contourlet域图谱聚类和多尺度Markov模型的多光谱遥感图像分割

针对多光谱遥感图像的特点,结合图谱聚类、Co ntourlet系数分布的统计特性和多尺度Markov模型, 提出了一种基于Contourlet域图谱聚类和多尺度Markov模型的分割(CSCMMS)方法。首先对 待分割图像进行Contourlet变换,利用图谱聚类对最粗尺度低频图像聚类得到可靠的初始分 割结果;然后 利用互信息构造Contourlet域的多尺度Markov模型,结合多尺度、多方向的图像信息将低频 图像的初始分 割结果逐尺度传递到最细尺度,得到原始图像的分割。对合成图像和多光谱遥感图像的实验 结果表明,提 出方法在边缘信息保持和噪声敏感性上具有明显改进,错分率和运算时间进一步降低。     

基于形态学尺度空间和梯度修正的分水岭分割

分水岭是一种有效的图像分割方法,但存在过分割现象,为此提出了一种基于形态学尺度空间和梯度修正的分水岭图像分割方法,该方法利用形态学混合开闭重建尺度空间和梯度修正技术,在平滑原始图像的同时保留了重要的区域轮廓而去除了易造成过分割的区域细节和噪声,克服了传统的形态学开闭尺度空间在平滑细节和噪声时,部分重要区域轮廓也被平滑及不满足尺度因果性的问题。对平滑后的图像采用梯度修正分水岭变换,保持了尺度和分割区域数目间的因果性,进一步消除了标准分水岭的过分割现象。仿真实验表明,该方法能有效地消除过分割现象,分割的区域数目满足尺度因果性,且具有较高的区域轮廓定位能力。     

基于模糊增强的医学图像分割分水岭算法研究

医学图像存在病变区域和背景区域,病变区域是分割的重点。针对传统分水岭算法对噪声敏感和易于产生过分割的问题,提出了一种将多尺度形态学边缘检测、模糊增强和控制标记符分水岭相结合的分割策略。该方法首先结合大结构元素和小结构元素各自的优点,用多尺度形态学边缘检测降弱过分割;其次用模糊增强算法使原始医学图像中粗细的边缘都能够得到增强;最后采用基于前景和背景标记的分水岭分割算法进行分割。仿真实验表明,该算法不仅可以有效的克服分水岭变换严重的过分割问题,得到有意义的区域分割,而且还具有较强的区域轮廓定位能力,不需要再进行后续的合并处理,算法简单,同时具有多尺度的特点,能够适应医学图像分类与信息提取的需求。     

于形态学梯度重建的分水岭分割

提出一种基于形态学梯度重建的分水岭图像分割方法.该方法在形态学梯度图像的基础上,利用形态学开闭重建运算对梯度图像进行重建,在保留重要区域轮廓的同时去除了细节和噪声.避免了标准分水岭存在的过分割现象及传统形态学开闭运算先平滑原始图像,后进行分水岭变换而造成的区域轮廓位置偏移.仿真实验证明,无论从消除过分割还是区域轮廓定位等性能方面,该方法均具有较好的分割效果.整个分割过程无需进行分割后的区域合并处理,降低了分割的复杂性;且分割过程只需选择合适的结构元素大小,增强了算法的灵活性.     

基于区域特征合并的分水岭图像分割

传统分水岭变换图像分割方法容易造成过度分割,不利于后期的图像分析与处理。采用一种分水岭变换结合区域特征合并的方法,首先将原始图像进行形态学变换,获取梯度图像;再进行分水岭变换,并将运算后的结果进行基于区域纹理、灰度一致性及区域平滑性等特征的区域合并;最终获取分割结果。实验结果表明,与传统分水岭变换方法相比,该方法能够有效降低因噪声、明暗纹理产生的过分割现象,方法可行、有效。     

基于形态学梯度重建的分水岭分割

提出一种基于形态学梯度重建的分水岭图像分割方法。该方法存形态学梯度图像的基础上，利用形态学开闭重建运算对梯度图像进行重建，在保留重要区域轮廓的同时去除了细节和噪声。避免了标准分水岭仔在的过分割现象及传统形态学开闭运算先平滑原始图像．后进行分水岭变换而造成的区域轮廓位置偏移。仿真实验证明．无论从消除过分割还是区域轮廓定位等性能方面，该方法均具有较好的分割效果。整个分割过程无需进行分割后的区域合并处理，降低了分割的复杂性；且分割过程只需选择合活的结构元素大小，增强了算法的灵活性。     

基于U-net卷积神经网络的多尺度遥感图像分割算法

多尺度遥感图像的非本质特征量较大，不仅易导致图像噪声较大，也增加了图像分割的难度。为充分保留分割后多尺度遥感图像的边缘特征，在U-net卷积神经网络下提出新的图像分割算法。以U-net卷积神经网络为基网，提取被分割图像特征，获得被分割图像细节信息；计算相邻像素和原始像素特征向量的欧氏距离，结合去噪算法，通过归一化参数处理，建立相似性函数，实现对多尺度遥感图像分割特征增强处理；计算分割框候选偏差值；根据U-net卷积神经网络结构确定局部最优合并区域对；计算度量区域的距离，使用全局最优区域合并方法更新分割时间复杂度，实现多尺度遥感图像整体分割。由实验结果可知，该算法能够精准确定指定建筑物位置，并保留建筑物完整边缘细节信息。     

一种基于形态学的红外目标分割方法

研究自然背景下红外图像中目标分割的问题,提出了一种基于形态学的红外目标分割方法．该方法先利用形态学滤波,对红外目标图像中的噪声和微小的干扰区域进行滤除,接着根据提出的计算图像形态梯度的多尺度算法提取图像梯度,而后用改进的分水岭算法对图像进行分割,最后针对过分割问题提出了一种新的区域融合方法．实验结果表明,该算法能较好地解决红外图像中的目标分割问题．     

基于能量梯度场映射关系的红外图像分割方法

为了解决红外图像在图像配准中对比度低、背景复杂、红外目标受噪声干扰严重、传统分割方法易产生过分割或欠分割的问题,提出了一种基于改进的脉冲耦合神经网络(PCNN)和形态学方法的红外图像分割算法。首先根据图像能量分布情况提取纹理图像,将纹理图像通过PCNN进行分割,PCNN的链接强度根据区域能量在梯度场的变化自适应设定;由于PCNN的点火位置集中于红外目标部分,通过点火映射图可以得到连贯清晰的红外目标轮廓;再通过形态学方法滤除背景干扰。结果表明,该方法能够精确分割红外图像,分割结果优于传统方法。     

结合光谱相似性与相位一致模型的高分辨率遥感图像分割方法

提出一种结合高分辨率遥感图像的光谱相似性与相位一致边缘检测模型的分水岭分割方法。分水岭分割算法的性能依赖于图像边缘梯度图。利用同类地物的光谱相似性特点,可有效抑制相位一致模型边缘检测中产生的伪边缘和噪声信息,从而获得更好的遥感图像分割结果。本文首先基于目标像元与其邻域像元之间的光谱曲线距离之和定义光谱相似性模型,结合相位一致模型获得边缘响应强度;然后利用自动标记分水岭变换方法实现高分辨率遥感图像分割。使用本文方法和其它方法对遥感图像进行了分割实验,并利用基于多光谱信息熵方法对分割结果进行了非监督评价和比较,同时对计算耗时进行了对比分析。结果表明本文所提方法可以有效地抑制遥感图像的过分割现象,并取得较好的分割结果。     

结合自适应TV模型和分水岭变换的图像分割算法

针对传统分水岭算法对噪声敏感,易出现过分割的现象,提出一种自适应全变分模型和标记分水岭算法相结合的图像分割算法。采用自适应全变分模型对原始图像进行滤波处理,平滑去噪的同时保留图像的边缘信息;求解其多尺度形态学梯度图像,并用基于最大熵的扩展极小值技术获得的前景和背景标记并对其多尺度梯度图像修改;对修改后的梯度图像进行分水岭变换,实现准确的分割。对比常用和相似的图像分割算法,实验结果表明,该算法在抗噪性、运行时间和分割交并比上有一定的优势。尤其是在噪声强、灰度值接近的医学图像上能够获得合理有意义的分割区域,效果良好。     

基于多源遥感影像的多尺度城市植被覆盖度估算

以Landsat 7 ETM+、SPOT 5和IKONOS遥感影像数据为数据源,利用格网法从1∶500地形图提取的不同空间分辨率的植被覆盖度为参考依据,通过对不同辐射校正水平的遥感影像获得的植被覆盖度进行精度比较分析,对多源多尺度和多源同尺度城市植被覆盖度估算的相关问题进行研究.研究表明,在城市区域进行植被覆盖度估算时,ICM模型为较佳辐射校正模型;对于高分辨遥感影像,NDVI为植被覆盖度估算的较佳植被指数;对于中分辨率影像,植被覆盖度估算的较佳植被指数则为RVI和MSAVI;就研究区而言GI模型比CR模型估算的植被覆盖度更准确.     

一种基于形态学的脑肿瘤分割

由于脑部结构复杂,存在精密纹理并且由于成像技术的限制,传统分水岭算法分割脑肿瘤很容易产生过分割问题。本文提出一种改进的分水岭算法解决此过分割现象。在应用分水岭算法之前对图像进行一些预处理:首先,应用形态学开闭重建重构原图像,滤除噪声和复杂细小的纹理;其次,对重建后的图像做多尺度形态学梯度,并对修改了标识符的梯度图像进行分水岭算法分割。实验结果表明:结构元素半径大小取17~22,肿瘤能够完全地分割出来。与传统的分水岭分割算法相比,本文所采用的算法很好地抑制了过分割问题,可以很容易地分割出肿瘤。     

基于改进模糊聚类算法的CT图像病变区域分割

针对CT图像病变区域存在的欠分割和过分割问题,提出基于融合空域滤波器的改进模糊聚类算法。对CT图像进行预处理,将CT图像变换成通用图像,使输入图像具有一致直方图灰度分布,用区域生长方法标记和过滤非目标病变区域,获取脑部CT图像目标病变区域。通过改进的空域滤波器对噪声图像进行滤波去噪,对模糊聚类算法的目标函数和迭代公式融入空域滤波数据项确定隶属度矩阵,完成CT图像病变区域的分割。实验结果表明,所提方法在人脑CT图像血块区域进行分割过程中,具有较高的分割效率和精度,对噪声具有较高的鲁棒性。     

基于面积约束和自适应梯度修正的分水岭图像分割

图像中的噪声或非规则细节干扰易导致形态学 分水岭产生较严重的过分割,为了在消除过分割的同时尽可能 保持图像目标边界的准确定位,提出了一种基于面积约束和自适应梯度修正的分水岭图像分 割方法。首先对图像进行梯 度变换,采用区域面积约束滤除狭小高梯度尖峰对应的噪声和非规则细节;然后建立梯度级 与结构元素大小之间的函数 关系,并以相对应的结构元素对梯度图像进行粘性形态学(VM)闭运算,消除低梯度噪声及非 规则细节,实现梯度图像的自适 应修正,由于VM闭运算对梯度图像进行修正时,对目标仅作轻度或不作修正,因 而能够最大限度的保持目标轮 廓的准确定位,而对噪声和非规则细节则采用较大尺寸的结构元素进行较大幅度修正,从而 消除产生过分割的因素;最 后对修正图像进行分水岭分割。实验结果表明,本文方法能够在消除过分割的同时,保持目 标轮廓的准确定位。     

基于形态学操作和模糊聚类技术的超声图像分割

针对医学超声图像对比度低和噪声强的特点,提出了多尺度形态学操作和模糊聚类技术相结合的图像分割方法.该方法利用多尺度形态变换提取图像的结构特征,通过对不同尺度结构特征数量的统计分析,估计图像中噪声尺度大小,并修改不同尺度结构特征的强度,从而实现对图像局部对比度的增强和噪声抑制.同时,使用新的模糊C均值聚类算法对增强后图像进行分割,从而进一步地减少图像中噪声对分割的影响,完成超声图像的有效分割.实验结果表明该方法对超声图像的分割是有效的.     

一种边界引导的多尺度高分辨率遥感图像分割方法

针对高分辨率遥感图像分割过程中区域合并复杂性问题,提出了一种基于边界引导的多尺度遥感图像分割算法.一方面应用SUSAN算子提取高分辨率遥感图像中地物的边界用于限制区域增长过程;另一方面进行两阶段增长,首先应用基于图的分割算法进行基于像素的区域生长,然后进行考虑对象特征信息的区域合并.对宜昌城区某处融合后的QuickBird彩色图像进行了实验,并分别与无边界引导分割以及eCognition平台下图像分割效果进行了对比.结果表明,该方法可以有效抑制传统图像分割算法在低对比度区的区域融合问题,突破了分割尺度参数不能在全图取得合理分割的局限性.     

基于深度学习的酒标分割研究

红酒图像中的酒标区域含有重要的红酒品类信息,而对酒标区域的定位与分割可以有效去除背景区域对图像匹配算法的干扰。传统图像分割算法大多基于局部图像特征和人工设计规则,对噪声较为敏感,并且难以应对大规模数据的处理。针对传统算法的不足,本文首先构造了一个大规模酒标分割数据集,然后提出了一种基于深度学习的酒标分割方法。我们构造了一个基于残差网络的语义分割模型,并且在模型中加入跨层连接,实现低层特征和高层特征的有效融合,使得分割的边缘细节更加清晰和准确。另外,我们采用了带孔卷积金字塔池化结构整合多尺度信息,在增大模型感受野的同时使得模型适应不同尺度的酒标区域。在我们构造的酒标数据集上的实验结果表明,本文提出的酒标分割网络能够进行实时的酒标图像分割,并且达到了相当高的分割准确率。      

基于空间信息的模糊C-均值噪声图像分割算法

针对传统模糊C-均值(Fuzzy C-means, FCM)聚类算法对噪声鲁棒性差的问题,提出一种基于空间信息的模糊C-均值噪声图像分割算法。将区域级信息加入FCM目标函数中,并用核度量方法代替传统欧氏距离,计算区域级空间信息与聚类中心的距离,提高算法对噪声的鲁棒性;用原始图像与区域级空间信息的绝对差的倒数和其本身约束原始图像和区域信息项,实现约束项参数的自适应选择;利用连通分量滤波,消除聚类结果中出现的过分割现象,提高分割精度。含噪合成图像和彩色图像实验表明,所提算法在模糊分割系数、模糊分割熵、分割精确度、平均交互比和归一化互信息等方面均优于其他几种聚类算法。     

基于形态学梯度的红外图像分割算法

提出了一种新的红外图像分割方法。该方法利用形态学方法来处理红外图像。首先进行形态学滤波,对红外目标图像中的噪声和微小的干扰区域进行滤除,接着提出了一种计算红外图像梯度的多尺度算法提取图像形态学梯度,而后分析了图像分形特征估计方法与形态学梯度的关系,提出了一种新的红外图像分形特征估计算法,在此基础上对图像进行分割。实验结果表明,该算法能较好地解决红外图像的分割问题。