高分辨率SAR图像道路提取综述

在遥感领域,SAR(Synthetic Aperture Radar,SAR)图像道路提取具有很高的研究意义和应用价值,特别是随着SAR成像技术的不断发展、SAR图像分辨率的逐步提高,该课题的研究更加备受关注。然而,从目前的情况看,高分辨率SAR图像的道路提取研究还不够完善,许多低分辨率SAR图像的道路提取方法在处理高分辨图像时并不适用,因此文中归纳总结了高分辨率SAR图像道路提取的一般流程,列举了一些具体的方法,同时有针对性地分析其优缺点和适用范围,指出该研究课题目前存在的主要问题,并展望其发展趋势。     

基于多模型融合的SAR图像目标轮廓提取方法

提出一种基于参数活动轮廓模型的多模型融合的合成孔径雷达SAR(Synthetic Aperture Radar)图像目标轮廓提取方法,即在活动轮廓模型Balloon中引入新兴统计分布模型G0分布、基于区域的统计活动轮廓模型和多边缘检测算子模型,获得了一种新的目标轮廓提取方法。基于MSTAR项目的真实SAR图像的实验结果表明,本文所提出的方法能准确地获得SAR图像目标轮廓,可用于执行实际的SAR图像轮廓提取任务,为后续的SAR图像自动识别和特征级图像融合等任务提供了较为优良的输入信息。     

一种新的高分辨率SAR图像道路提取算法

针对高分辨率SAR图像中道路目标难以有效提取的问题,提出一种新的高分辨率SAR图像道路提取算法,它结合了参数化内核图割和数学形态学算法。利用参数化内核图割对高分辨率SAR图像中的道路目标进行初级分割,用数学形态学填充空洞,平滑道路边缘;基于道路的几何特征,使用矩阵度、改进的长宽比、复杂度等因子去除虚警;针对处理过程中出现的道路断裂情况,利用数学形态学提取道路目标的中心线,同时根据线段邻近性、方向一致性准则对其断裂部分进行连接,用数学形态学还原道路宽度,得到道路提取结果。实验结果表明该算法不用进行SAR图像预处理,也可以有效抑制相干斑噪声,并且能准确、较为完整地提取道路目标。     

高分辨率SAR图像高速公路提取算法

给出了一种新的高分辨率合成孔径雷达(SAR)图像高速公路提取算法。首先对SAR图像进行FROST滤波,抑制斑点噪声,再使用OSTU算法对SAR图像进行二值化,然后使用腐蚀-膨胀算法与HOUGH变换对二值化后的SAR图像进行处理,提取出高速公路中的隔离带,再利用圆形模板匹配方法提取高速公路中单行道的道路中心线,最后基于单行道的宽度提取出整个高速公路。实验结果表明,该方法可以消除噪声与干扰的影响,完整地提取出高速公路。     

基于模板搜索的高分辨率SAR图像机场提取方法

针对高分辨率SAR图像机场提取问题,设计了以尺度变换、边缘检测、短线提取、短线连接、平行线提取和验证识别等流程的机场提取方案,并针对机场跑道特点在短线提取和短线连接两个关键步骤上提出了新的算法。直线提取利用了边缘线的结构特征,将边缘曲线看成三种线基元的组合,能从边缘图像中快速拟合出短直线。短线连接提出了一种基于模板搜索的直线连接方法,将短直线连接问题转化为在模板参数空间里搜索峰值的问题。实验表明,本文方法简单快速可行。     

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图像自动道路提取

提出了一种新的快速有效的低分辨率SAR图像自动道路提取算法。算法使用道路特征检测算子检测道路边缘,利用一系列模板进行边缘像素的标定和短线段的连接,最后使用动态规划技术进行道路曲线段的连接。使用低分辨RadarSat SAR图像进行实验,实验结果证明了该算法的有效性。     

一种医学图像的轮廓提取方法

针对医学图像的模糊性和灰度不均导致目标轮廓难以准确提取的问题,提出使用改进的遗传算法控制主动轮廓模型完成边界提取的方法。采用保优算子保留遗传性状,选择适当的交叉算子,在进化后期可实现由整体寻优到局部寻优的转变。实验结果证明,该方法在提取目标轮廓时抗模糊能力强、鲁棒性好。     

结合边缘和区域的活动轮廓模型SAR图像目标轮廓提取

目的 目标轮廓表征了目标形状,可用于目标方位角估计、自动目标识别等,因此提取合成孔径雷达（SAR）图像中的目标轮廓受到了人们的广泛关注。受SAR图像乘性噪声的影响,传统的目标轮廓提取方法应用在SAR图像时失效。针对这一问题,提出一种将基于边缘的活动轮廓模型和基于区域的活动轮廓模型相结合的活动轮廓模型。方法 以真实SAR图像为基础,分析了向量场卷积（VFC）活动轮廓模型以及区域竞争（RC）活动轮廓模型各自的特点和优势,发现这两个模型存在一定的互补性,因此将这两个模型进行了结合,得到了一种新的SAR图像目标轮廓提取方法。结果 基于真实SAR图像的实验结果表明,本文方法能较好地应对SAR图像信噪比较低、目标边缘模糊等特点,能准确地获得SAR图像目标轮廓。结论 本文方法可用于执行实际的SAR图像轮廓提取任务,为后续的SAR图像自动识别和特征级图像融合等任务提供了较为优良的输入信息。     

基于模糊连接度的高分辨率SAR图像道路自动提取

针对高分辨率合成孔径雷达(SAR)图像受到乘性斑点噪声的影响,且道路环境复杂多变的问题,提出一种基于模糊连接度的高分辨率SAR图像道路自动提取方法。首先,对SAR图像进行斑点滤波,以降低斑点噪声的影响;其次,结合指数加权均值比(ROEWA)算子检测结果和模糊C均值(FCM)分割结果自动提取种子点,从而提高自动化程度;最后,利用以图像灰度和ROEWA检测算子边缘强度为特征的模糊连接度算法对种子点进行扩展提取道路,经形态学处理后得到最终结果。对两幅SAR图像进行实验,并与FCM方法分割出的道路结果进行比较,所提出的方法在提取完整率、正确率及检测质量上均优于模糊C均值方法。实验结果表明,所提出的方法能较有效地从高分辨率SAR图像中提取不同宽度和弯曲程度的道路,且无需人工输入种子点。     

一种自动识别最优阈值的图像分割方法

阈值分割是图像分割的常用方法,但至今没有一种对多数图像都适用的阈值选择的通用方法。本文基于图像的灰度级特征,以前景和背景最大程度地分开为判据,提出了一种简捷的自动识别最优阈值的图像分割方法。该方法对更多图像都可以给出最佳的闽值,达到较好的图像分割效果。     

表格图象数据抽取柔性匹配方法

数据抽取是表格图象处理中重要的一环．本文给出了一种基于锚点柔性匹配进行数据抽取的方法，并讨论了该方法中锚点查找、组织、定位、填写域定位参数确定及数据抽取过程的思想.     

一种自动抽取Web数据对象的方法

在信息检索领域,数据抽取技术已成为研究重点之一。提出一种基于DOM树的Web数据对象自动抽取方法。该方法首先将网页解析为DOM树,然后将结构相似的子树抽取出来作为候选数据对象,接着再计算候选数据对象的内容相似度,内容相似度低的则为数据对象。实验证明该方法能够有效地将各种Web数据对象从网页中抽取出来,召回率和准确率都比较高,且该方法独立于领域,独立于Web数据对象的表示形式,较好地解决了Web数据对象的抽取问题。     

一种基于状态机的文档文本自动提取方法

对于不同文本格式下的文本内容检索是当前互联网研究的热点问题之一。为了达到快速获取文档内文本信息为内容检索提供基础数据并提高整体检索效率的目的,以Microsoft Office 2007文档格式为分析基础,提出了基于状态机的文本自动提取方法。实验证明,提出的方法在文本提取的正确性、内存耗费、提取时间方面达到了很好的效果。     

一种有效的图象特征抽取和识别方法

本文提出了一种新的基于尺度变换的图象矩表示方法，并在此基础上利用ＳＶＤ算法抽取了一组有效的图象特征。     

高质量图象压缩的自适应DPCM/DCT混合编码方法

DCT是数据压缩的主要技术之一 ,它能将图象的主要能量集中在很少的几个 DCT系数上 .可是 ,DCT对于含有较多边缘的图象块并不十分有效 ,因为 DCT变换作用于这样的图象块后不能导致有效的能量集中 .文中提出了一种自适应 DPCM/ DCT混和编码方法用于解决这一问题 .对于每一个图象块 ,边缘检测器自动判断该块是否含有较强的边缘 ,如果含有较强的边缘 ,则使用DPCM编码器 ;如果不含有较强的边缘 ,则使用 DCT编码器 .DPCM编码器自动从给定的预测器中选定一个产生最小预测误差的预测器 ,然后用 Rice编码器对误差图象编码 .对于非边缘块 ,使用DCT、游程和变长编码技术 .实验结果显示文中所提出的方法在压缩比和解码时间方面优于 JPEG无失真模式和标准 JPEG模式 (当 bpp=1— 4时 )     

一种基于纹理算子的图像阴影自动检测方法

阴影在自然图像中是普遍存在的,阴影的自动检测一直是计算机视觉领域的一个重要研究方向。提出一种基于纹理算子的图像阴影检测方法。该方法首先对阴影图像进行分割得到图像的不同区域,然后求出每个区域的纹理算子并根据纹理算子的相似性进行聚类,对得到的聚类结果再根据明亮值差异进行合并得到粗糙的阴影检测结果,最后运用闭合式准则进一步改善阴影检测效果。实验结果表明,该方法无需人工交互就可以有效地实现图像阴影的自动检测。     

医学图像自动分割的混合聚类方法

医学图像的分割效果和自动化程度对计算机辅助诊断和可视化等方面有重要影响。针对医学图像低对比度、噪声影响大的特点,提出一种混合聚类方法:在预处理图像之后,将每个像素的邻域特征向量送入自组织特征映射网络SOM(self-organizingmap)中进行训练;作为初步聚类的结果,SOM的输出典型向量根据命中图(Hits-Map)过滤,再由层次合并聚类方法进一步处理。在比较了一种聚类评价指数和两种图像分割评价指数之后,采用图像分割量化指数来确定聚类的最佳类别数;再通过后处理得到最后分割结果,分析表明这个方法是有效的。同时,也指出其不足之处和进一步研究的方向。     

一种改进的基于样例的图像修复方法

以基于样例修补的目标移除方法为基础,改进了基于样本块的图像修补方法。在自然图像上通过傅里叶变换,发现许多自然图像具有方向性纹理的特征,将搜索空间约束到纹理方向的范围,优化了Criminisi方法优先块的选取,提高了搜索精度;并通过在源图像区使用图像分割的方法实现分区,使搜索目标块仅在其相邻的源区域内搜索,进一步缩小样本图搜索范围,增强搜索的准确性。在自然图像上进行的实验结果表明:改进的方法不仅显著提高了图像修补的时间,且有效地维持了图像的线性结构,取得了良好的修补效果。