多区域SAR图像分割的改进水平集方法

由于合成孔径雷达（SAR）图像易受相干斑噪声的影响,光学图像的分割方法并不适用于SAR图像,更不能获得精确的分割结果对比,因此,首先基于GA^0统计模型定义能量映射函数以代替像素值进行后续处理,减小相干斑的影响;其次,使用水平集算法对处理后的图像进行分割处理,选用了一种形式更为简单的水平集函数,并可以较容易地推广到多区域SAR图像分割情况。实验结果表明,该方法可以减少相干斑噪声对SAR图像分割过程的不良影响,具有较好的准确性。     

面向影像分割的多尺度快速区域合并方法

影像分割的区域合并技术中,传统的采用区域邻接图的方法存在着数据结构和算法复杂、难以扩充和维护、可考虑的特征因子有限以及空间浪费严重等问题。对此,提出了一种新的区域合并方法,提供了一套采用面向对象技术解决区域合并问题的新框架。在该框架下,区域的相异度指标、属性、邻接关系和行为可根据需要自由定义、扩充和修改,算法的稳定性和可维护性得到提升,合并过程被充分简化。在此基础上提出了多尺度合并区域的改进方法,并对等级队列的构建机制进行了优化。最后通过多尺度的对比实验,证明该方法不但能保证区域合并的精度,而且可以显著提高执行效率。     

基于Wedgelet的SAR图像多尺度快速分割方法*

为了解决基于Wedgelet变换的多尺度分割算法在楔形方向的选择上需要计算所有分解楔形系数,且没有利用上层分解的结果,计算量特别大的问题,提出一种从图像的几何结构出发,在图像四分树的基础上加以楔形区域分割,在矩形区域的楔形方向选取上建立多分辨分析的算法.该算法在上层分割的基础上,只需计算八个方向的Wedgelet,而不是所有方向,既避免了窗口初始化,降低了分割过程特征抽取的复杂性,又减少了迭代次数.经试验比较,本文方法优于同类方法.     

自适应尺度参数的非均匀图像快速水平集分割

由于不同对象区域之间强度范围的重合,在存在强度不均匀的情况下很难分割图像.针对这一问题,提出一种新的水平集分割方法.在非均匀图像模型的基础上,推导出图像域的最优分割平面.在平面上,提出一种新的基于区域的压力函数,并在水平集公式中定义一个能量泛函.通过对能量泛函最小化,在对非均匀图像分割的同时,对偏置场进行估计.另外,为...     

高分辨率极化SAR图像水平集分割

目的 传统的极化SAR图像分割方法中,由于采用的统计分布模型不能较好地描述高分辨率的图像纹理特征,导致高分辨率极化SAR图像分割效果较差。针对这个问题,本文将具有广泛适用性的KummerU分布嵌入到水平集极化SAR图像分割方法中,提出了一种新的极化SAR图像分割算法。方法 将KummerU分布作为高分辨率极化SAR图像的统计模型,定义一种适用于极化SAR图像分割的能量泛函;利用最大似然法对各个区域的KummerU分布进行参数估计,并通过数值偏微分方程的方法求解水平集函数,实现极化SAR图像的区域分割。结果 分别对仿真全极化数据,真实全极化数据进行分割实验,结果表明本文提出的方法其分割精度高于传统方法,分割精度高于95%,从而验证了新方法的有效性。结论 本文算法能够对各向同质区和各向异质区的极化SAR图像都能取得良好的分割效果,并适应于多种场景,有效地分割出背景和目标。     

基于遗传算法的SAR图像多尺度分割

基于最大期望（EM）算法与遗传算法（GA）,提出一种有效的多尺度SAR图像无监督分割方法。该方法首先利用混合多尺度自回归（MMAR）模型描述SAR图像中由于雷达斑点所引起的不同尺度和同一尺度内像素之间的统计相依性; 然后将GA与EM结合给出MMAR模型的参数估计算法。这种算法利用最小描述长度（MDL）准则,能够选择模型的分量数;最后利用Bayes分类器实现图像的分割。该方法集遗传算法和EM算法的优点,对初始值有较少的敏感性,避免局部最优解,提高了分割精度。实验结果表明GA EM方法优于EM算法。     

基于水平集的医学图像快速分割方法

针对高噪声、低对比度的医学图像难以快速准确分割的问题,结合基于像素的传统方法和基于水平集的活动轮廓模型,提出了一种混合的医学图像分割新技术.首先依据待分割对象的先验知识交互选取感兴趣区域.然后由传统的方法和基于水平集的C-V模型结合实现感兴趣区域图像的预分割.预分割的结果直接作为窄带变分水平集模型的初始轮廓,演化曲线在很短的时间内准确收敛到待分割物体的边缘.     

SAR影像海岸线提取方法对比及效果评价

利用合成孔径雷达(SAR)影像提取海岸线是当前遥感研究的热点之一,近年来基于边缘检测法、区域生长法、阈值分割法、水平集法、面向对象分类法、支持向量机分类法等系列SAR影像海岸线提取研究各自取得了一定的进展,但至今尚无对上述典型方法的全面研究与综合对比分析。为此,该文以基岩海岸、淤泥质海岸等2种常见类型海岸线的提取进行了实验,并提出一种海岸线提取精度定量评价的新指标——偏移误差,基于该指标定性定量对比分析了不同算法的优劣及适用性。实验表明,对基岩岸线,面向对象的分类法最优,边缘检测最劣;对淤泥质岸线,水平集最优,区域生长法最劣。     

基于多尺度继承性SAR图像分割算法

针对高分辨率SAR图像的分割问题,提出一种基于多尺度继承性的分割算法。该算法综合利用图像的宏观和微观特征,将传统的单尺度信息处理技术纳入尺度不断变化的动态分析框架中,更容易获得图像的本质特征。同时,使用异性扩散方程获得多尺度图像序列,采用一种由粗尺度到细尺度的分割策略,先进行粗尺度分割,然后以此分割结果来引导较细尺度层的分割。分割过程中采用迭代自组织的数据分析算法自适应地确定每一层分割的区域个数,较好地建立尺度之间的分割继承关系。该分割算法可以满足不同图像处理任务的需求,也更加符合人的认知过程和视觉处理系     

基于改进水平截集算法的SAR图像海岸线检测

合成孔径雷达(SAR)图像海岸线检测,在自动导航、地图绘制等海洋应用方面具有重要意义。水平截集算法是一种基于人类视觉特性的边缘检测方法。由于它具备检测效果好、抗噪能力强等优点,因而在海岸线检测方法的研究和应用两方面倍受关注。然而,水平截集算法由于迭代方式复杂等原因在应用于分辨率较大的图像时,检测速度比较慢,限制了它在工程应用中的实用性。针对SAR图像,提出一种基于水平截集算法的改进算法,先在低分辨率图像中用水平截集算法进行粗略检测,得到贴近真实海岸线的轮廓线,然后将轮廓线映射到高分辨率图像上,继续用水平截集算法进行检测,最后得到精确的结果。实验中使用Radarsat ScanSAR图像证明该方法可大大加快检测速度,通过与原水平截集算法的检测效果进行对比,新方法没有降低检测效率。     

基于多尺度特征融合的SAR图像分割

由于存在相干斑噪声的影响,给SAR图像分割造成很大的困难,提出一种基于多尺度特征融合的SAR图像分割方法。该方法利用快速离散curvelet变换提取图像的纹理特征,利用平稳小波变换提取图像的统计特征,将两种多尺度特征融合成高维的特征向量,采用模糊C均值聚类的方法进行分割。在仿真SAR图像和真实SAR图像的分割实验结果表明,提出的方法优于单独采用小波变换进行SAR图像分割的方法,在消除均质区内碎块的同时,使得边界更为精准和平滑。     

基于多尺度Markov模型的SAR图像上下文融合分割方法

在多尺度Markov模型的基础上,提出了一种新的用于SAR图像无监督分割的上下文融合分割方法。该方法充分考虑了SAR图像分布的统计特性,用基于混合Rayleigh分布的多尺度Markov模型对待分割图像建模,并直接根据待分割图像用迭代条件估计算法来训练模型的参数。然后以上下文向量的形式提出了四种不同的上下文模型,并用这四种上下文模型分别对待分割图像的多尺度图像信息进行自上而下的融合,最终得到四种不同的分割结果。实验表明,该方法进一步提高了SAR图像分割结果的精度。     

基于多尺度谱特征的SAR图像分割

该文结合多尺度技术与谱分析方法,提出了基于多尺度谱特征的图像分割方法,并将之用于SAR图像分割。该方法在多尺度框架内,提取每个像素在不同尺度下的局部谱特征(AR模型参数),并组合各尺度的谱特征为一多尺度谱特征向量,作为该像素的分类特征,利用一基于二元假设检验的分类器对该像素分类。与单一尺度的谱特征分割方法相比,多尺度谱特征分割保留了算法简单的优点的同时,在小窗口情况下,仍能给出较平滑的分割结果,从而减小了计算复杂度。     

结合梯度和区域信息的多尺度水平集图像分割

提出了一种结合梯度和区域信息的多尺度水平集图像分割算法。该算法结合梯度和区域信息构造能量函数,在梯度约束项中,构建了一个基于小波高频分量的边缘检测函数,在区域约束项中,运用经典C-V模型的区域项,得到混合C-V模型,采用变分法求解,并消除了水平集的重初始化。利用小波变换首先在逼近图像中运用混合C-V模型得到粗分辨图像的一个粗尺度分割,再对当前粗尺度下的最终轮廓线作内插操作,将得到的近似轮廓曲线作为初始水平集函数在原图像中运用消除重初始化的C-V模型演化得到最终的分割。实验结果表明,在同样的模型参数条件下,该方法具有比传统方法更高的演化效率和分割质量。     

基于Mumford-Shah模型的快速水平集图像分割方法

该文对Chan-Vese提出的基于Mumford-Shah模型的水平集分割图像的算法做了两方面的改进:首先改进了C-V方法的偏微分方程,使得C-V方法可以快速计算出全局最优分割;其次,采用源点映射扫描方法来快速计算符号距离函数,克服了常规水平集方法中构造符号距离函数计算量大的缺点,并结合该文所提出的基于快速步进法生成符号表的方法,进一步提高了计算稳定性.两方面的改进提高了计算的速度和分割效果,试验统计结果显示,对于512×512的大幅图像,一般只需要10次左右的迭代就可以得到最优的分割效果.对合成图像、生物医学图像的分割结果表明了本文方法的稳健、快速.     

局部区域拟合的快速水平集图像分割方法

目的 由于灰度不均匀图像在不同目标区域的灰度分布存在严重的重叠,对其进行分割仍然是一个难题;同时,图像中的噪声严重降低了图像分割的准确性。因此,传统水平集方法无法鲁棒、精确、快速地对具有灰度不均匀性和噪声的图像进行分割。针对这一问题,提出一种基于局部区域信息的快速水平集图像分割方法。方法 灰度不均匀图像通常被描述为一个分段常数图像乘以一个缓慢变化的偏移场。首先,通过一个经过微调的多尺度均值滤波器来估计图像的偏移场,并对图像进行预处理以减轻图像的不均匀性;然后,利用基于偏移场校正的方法和基于局部区域信息拟合的方法分别构建能量项,并利用演化曲线轮廓内外图像灰度分布的重叠程度,构建权重函数自适应调整两个能量项之间的权重;最后,引入全方差规则项对水平集进行约束,增强了数值计算的稳定性和对噪声的鲁棒性,并通过加性算子分裂策略实现水平集快速演化。结果 在具有不同灰度不均匀性和噪声图像上的分割结果表明,所提方法不但对初始轮廓的位置、灰度不均匀性和各种噪声具有较强的鲁棒性,而且具有高达94.5%的分割精度和较高的分割效率,与传统水平集方法相比分割精度至少提高了20.6%,分割效率是LIC（local intensity clustering）模型的9倍;结论 本文提出一种基于局部区域信息的快速水平集图像分割方法。实验结果表明,与传统水平集方法相比具有较高的分割精度和分割效率,可以很好地应用于具有灰度不均匀和噪声的医学、红外和自然图像等的分割。     

全极化SAR影像多特征分类的海岸线提取方法北大核心CSCD

快速准确地提取海岸线对研究海岸带和海岸带演变具有重要的意义。针对目前利用SAR影像提取海岸线的精度和自动化程度不能达到一个平衡这一问题,提出了一种结合多特征选择和随机森林分类算法的海岸线提取方法。并以高分三号(GF-3)全极化影像为研究数据,以黄河三角洲地区为研究区,成功提取了黄河三角洲地区的海岸线。该方法结果与OTSU阈值分割方法所提取的海岸线做了对比。结果显示,在40 m分析精度下,该方法海岸线提取结果质量均在90%以上,其提取结果光滑连续且精度可靠,优于直接阈值法提取的结果。     

基于多特征的SAR图像多尺度无监督分割

提出一种基于多特征的SAR图像多尺度无监督分割方法.该方法采用隐Markov树(hidden Markov tree,HMT)模型对SAR图像的灰度数据与标准差数据分别建模并分割,由两个分割结果提取SAR图像的结构性信息,并根据结构性信息,对灰度分割的后验概率进行平滑,最终的分割结果表明,该方法在很少损失结构性信息的基础上,能得到更光滑的分割结果.     

一类基于插值误差的多尺度水平集方法

本文对嵌套网格上水平集函数的符号函数进行插值,利用插值误差建立运动界面流场的离散多分辨分析,根据多分辨系数确定局部网格尺度和计算格式,构造了一类多尺度水平集方法.对于多分辨系数较大的运动界面附近区域,采用高精度WENO格式进行时间推进,其余区域则直接采用多项式插值.与单一尺度的水平集方法相比,该方法可以在较少的CPU计算时间内捕捉到更为精细、锐利的运动界面.