一种快速遥感影像海岛自动提取方法

为有效提高基于遥感技术的海岛调查中海岛提取的效率,该文提出了基于多窄带模型(Multi Narrow Band Model,MNBN)初始化的Grab Cut分割算法对高分辨率遥感图像中的海岛进行提取。首先基于海面与陆地提取进行海岛初提取,再利用初提取结果建立多窄带模型对Grab Cut进行初始化来提高分割算法的速度。分析表明,该算法可有效完成海岛提取,与其他自动海岛提取算法相比具有速度快、鲁棒性高等优点。     

基于结构张量的GrabCut图像分割算法

传统的Grab Cut图像分割方法大多基于图像的像素值建立图模型,未考虑到彩色图像中丰富的纹理信息。为此,提出一种新的Grab Cut模型图像分割算法。对比基于结构张量的Grab Cut分割方法和传统Grab Cut分割方法的结果,利用结构张量和像素值构建紧缩的结构张量。为提高计算的简洁性和高效性,将Grab Cut方法构建的混合高斯模型扩展到张量空间,并用Kullback-Leible散度代替常用的黎曼度量。在合成纹理图像和自然图像上进行的实验结果表明,与Carsten Rother,GACWRF等方法相比,该算法具有更精确的分割效果,不仅实现了纹理信息与颜色信息的无参融合,而且提高了计算效率。     

宫颈细胞核质自动分离算法研究

宫颈细胞核质分离在宫颈细胞形态学研究中是十分重要且具有挑战性的环节。论文提出了一种基于Grab Cut算法结合Canny算子边缘检测高效分离宫颈细胞核与细胞质的方法。对获取宫颈细胞图像进行灰度变化预处理求得灰度直方图,根据直方图求解确定Canny算子双阈值,进而获取宫颈细胞核和细胞质的轮廓;根据获取的轮廓利用改进的Grab Cut算法进行核质分离,并且针对Grab Cut算法进行相应改进,使其高斯混合模型的参数的确定效率提升。实验结果表明,该算法不仅有较好的分割效果而且分割准确率与效率也很高。     

一种基于HSV空间的自然图像抠图算法

自然图像抠图是指从自然图像中把前景物体抽取出来的技术。提出一种基于HSV空间的自然图像抠图算法,算法以Grab Cut为基础,利用图像HSV空间的主色波形图动态设定高斯混合模型参数,并通过引入能量函数迭代差值加快收敛。算法提高了Grab Cut在抠图中的分割效率和精度。算法应用于背景颜色较少的彩色图像,取得了较好的抠图效果。     

基于GrabCut算法和四帧差分法的目标提取算法

提出了一种基于Grab Cut算法和四帧差分法相结合的运动目标检测和提取算法。首先,利用四帧差分法对视频中连续的四帧图像进行二次差分;然后,对差分后的图像分别做水平投影和垂直投影,计算运动目标区域;最后,使用Grab Cut算法分割目标区域得到完整的运动目标。实验结果证明,该方法既能精确和完整地检测出运动目标,又能有效地去除空洞、拉伸等现象。     

基于改进GVF的运动目标提取算法

针对一般梯度矢量流(GVF)分割对连续对象分割效果差、迭代次数较多的缺点,提出一种基于GVF的运动目标提取模型。该模型计算运动目标的大致范围(以矩形框架表示),并利用该矩形框架的限制进行初始化处理,得到初始化轮廓,使用改进的GVF算法提取出对象。对运动目标序列的实验结果表明,该方法可以较大地提高计算速度。     

体育视频中的运动员检测与分割

运动员的动作行为分析是体育视频高级语义分析的直接途径,检测和分割视频中的运动员是分析运动员的动作行为的基础.利用体育视频的领域规则和中层特征块的性质,提出半监督的方法挖掘运动员的中层特征块,针对不同类型的镜头分别训练基于中层特征块的运动员检测分类器,实现运动员检测.利用运动员检测结果标记超像素,结合Grab Cut分割算法实现运动员分割.实验结果表明,基于中层特征块的运动员区域检测算法能够快速挖掘训练所需样本,从而训练得到检测分类器,检测结果具有较高的准确度,获得的运动员区域能够有效用于运动员分割,简化了分割计算过程.     

改进Deeplab网络的遥感影像海岛岸线分割

目的 海岛作为一项特殊资源,在海洋开发和利用方面发挥着重要的作用;遥感作为一种非接触式远距离探测手段,为海岛研究提供了重要的数据来源;而深度学习因其对图像特征的提取能力和对复杂问题的拟合能力广泛应用于各个领域。本文结合深度学习的计算优势,兼顾遥感影像的波段数量多和覆盖范围大的特征,以海岛岸线的快速分割为目的,提出了一种改进的海岛岸线遥感影像分割模型。方法 该分割模型包括3方面：1）针对遥感影像的多波段特征,提出基于最佳指数的遥感影像波段组合选择,将选择后的波段组合作为海岛岸线分割模型的输入数据;2）针对遥感影像大范围覆盖的特征,提出基于Deeplab神经网络结构的海岛岸线粗分割,将粗分割结果作为海岛岸线优化的初始边界;3）利用全连接条件随机场优化海岛岸线,实现海岛岸线的细分割提取。结果 以大小不等的4个海岛的岸线提取为例,分别采用改进的海岛岸线分割模型、全卷积神经网络模型（fully convolutional networks,FCN）、Deeplab模型和目视解译法从遥感影像数据中分割海岛岸线。同时,引入平均交并比（mean intersection over union,MIoU）和相对误差,对各模型分割的海岛岸线结果进行精度比较。结果表明,本文改进的海岛岸线分割模型克服了FCN模型海岛岸线的不连续性问题,降低了海岛岸线的误分割现象;从MIoU值的比较可以看出,本文改进模型与目视解译的海岛岸线结果具有更高的吻合度,较FCN模型提高了17.7%,较Deeplab模型提高了5.2%;从海岸岸线的周长和面积的相对误差可以看出,本文改进模型的相对误差均低于FCN模型和Deeplab模型。结论 本文改进模型包含了面向遥感影像的波段选择、利用神经网络训练的海岛岸线粗分割和基于全连接条件随机场的海岛岸线优化,在保证岸线连续性的前提下,提高了海岛岸线的分割精度。     

峰值检测 FCM 算法的医学图像分割

为了更好地平衡传统FCM及其相关改进算法的分割效果与分割效率问题,提出了一种基于峰值检测的快速FCM图像分割算法。首先基于峰值检测策略对聚类中心进行初始化;然后在初始化聚类中心的基础上对医学图像进行分割。其本质是运用峰值检测技术指导聚类中心的初始化,以使初始化的聚类中心尽可能靠近最终的聚类中心,从而以提高算法的工作效率。在医学图像上进行的实验表明,算法可以有效地提高图像分割的效率,并能得到很好的分割效果。     

综合边界和纹理信息的合成孔径雷达图像目标分割

目的 针对传统Grab Cut算法需要人工交互操作,无法实现合成孔径雷达（SAR）图像的自动分割,且方式单一（仅利用边界或纹理信息中的一种）的问题,提出一种综合利用边界和纹理信息的改进Grab Cut算法,实现对SAR图像目标的自动分割。方法 首先将其他格式的彩色或灰度SAR图像转化为24 bit的位图,采用图形理论对整幅SAR图像建模,根据最大流算法找到描述图的能量函数最小的割集,从而分割出目标区域;然后采用中值滤波抑制相干噪声;最后通过邻域生长算法滤除图像斑点和小目标的干扰,从而达到目标边界的连接,实现自动对SAR图像中的目标进行分割。结果 在64位Window 7环境下采用MATLAB R2014处理平台,对楼房、车库、大树、汽车群等4幅分辨率不同的SAR图像进行目标分割实验,特征目标被自动分割出来,耗时分别为1.69 s、1.58 s、1.84 s和3.09 s,相比Mean-shift和Otsu算法,平均计算效率分别提升150%和3%,并且图像中的背景杂波、目标阴影和干扰小目标均被有效去除。结论 综合利用边界和纹理信息能够有效抑制相干噪声,去除图像斑点和小目标的干扰,从而达到目标边界的连接,实现对SAR图像目标的自动分割。实验结果表明,本文算法可以满足工程化应用要求,自适应性强,分割精度高,且具有较好的鲁棒性。     

遥感图像融合评价方法研究

如何准确地评价融合效果是图像融合的一个重要组成部分。在遥感图像的融合研究中,对同一对象,不同的融合方法可以得到不同的融合效果,即可以得到不同的融合图像。系统地研究了遥感图像融合中的各种评价指标,在对已有的评价指标进行总结和分析时,还提出一些新的评价指标,并按使用条件和使用用途对遥感图像融合效果评价方法进行分类。     

遥感图像像素级融合方法的建模与分析

遥感图像像素级融合方法众多,但缺乏统一的定义,使得各种方法的差并不明确,不利于有针对性的应用;各种方法的融合质量差异悬殊,缺乏选用合适融合方法的理论指导,往往只能根据操作者的经验进行判断。为此,本文首先对融合方法的一般处理过程进行建模,提出了基于融合过程中图像信息表示的遥感图像融合方法的形式化定义RSPF; 然后,基于RSPF从理论上分析了现有融合方法的融合质量差异;最后,通过实验定量分析了各种典型融合方法的融合质量。结果表明,融合过程中图像信息的表示形式是影响响融合质量的关键因素。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题,提出了一种基于深度学习的遥感图像目标检测与识别算法。首先,构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试;其次,基于原始的多尺度单发射击（SSD）网络模型,融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块;最后,在训练策略上引入聚焦分类损失函数,以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验,结果表明所提算法的检测平均精度均值（mAP）达到77.95%,相较于SSD网络模型提高了3.99个百分点,同时检测速度为33.8 frame/s。此外,在拓展实验中,改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明,所提改进算法能够有效地提高遥感图像目标检测的精度。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题，提出了一种基于深度学习的遥感图像目标检测与识别算法。首先，构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试；其次，基于原始的多尺度单发射击（SSD）网络模型，融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块；最后，在训练策略上引入聚焦分类损失函数，以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验，结果表明所提算法的检测平均精度均值（mAP）达到77.95%，相较于SSD网络模型提高了3.99个百分点，同时检测速度为33.8 frame/s。此外，在拓展实验中，改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明，所提改进算法能够有效地提高遥感图像目标检测的精度。     

基于自组织神经网络的多传感器遥感图像融合技术

多传感器遥感图像融合是一种遥感信息综合分析与处理的技术,其研究正成为遥感学科领域的热门课题之一。利用自组织特征映射神经网络具有较好的聚类特性,对多源遥感图像进行高水平的分类与融合。通过对GMS 5卫星图像融合前后性质的比较和融合质量的评估,不难发现:融合后的图像不论在视觉效果上还是在噪声特性上都有了很大的改善。     

基于归一化相关矩的多分辨率遥感图象融合

多传感器数据融合技术已广泛应用于遥感图象处理方面 .针对遥感多光谱图象空间分辨率较低的问题 ,提出了一种基于归一化相关矩的多分辨率图象融合方法 .该方法首先对图象进行二维小波变换 ,然后根据所得到的高频小波系数的一阶、二阶统计特征来定义图象局部灰度相关矩 ,并以此作为图象融合测度来对遥感图象进行多分辨率特征融合 ,从而得到包含更多信息和有效特征的融合图象 .仿真结果表明 ,融合后的图象在保留多光谱信息和提高空间分辨率上均能获得较好的效果 ,因而可以更好地用于目标识别、分类等遥感图象处理方面     

多光谱遥感图像与高分辨率全色图像融合研究

介绍了遥感图像融合的一般过程和特点,研究了像素级融合的常用算法,归纳了融合图像的基本步骤,采用四种融合方法对高空间分辨率的全色图像与高光谱分辨率的多光谱图像进行像素级融合实验,发现基于小波变换的图像融合提供更多细节信息,Brovey变换法融合全色图像与多光谱图像目视效果最好,速度最快。     

TM和SAR遥感图像的不同层次融合分类比较

多传感器遥感图像为分类技术提供了更多的地物特征信息,有助于提高分类精度,增强计算机自动解译的能力,减少遥感图像的后处理时间。给出了ＴＭ 和ＳＡＲ遥感图像根据信息处理所在的不同层次融合分类特征的选取及分类方法,并从融合分类的精度和计算时间消耗上对哈尔滨市附近地区５１２×５１２ 大小的ＴＭ和ＪＥＲＳ１ 的ＳＡＲ图像的不同层次融合的分类进行比较,指出特征层融合是ＴＭ和ＳＡＲ遥感图像融合分类的最理想层次     

无人机影像匹配点云单木识别算法

针对单木识别研究中“局部最大值”算法因窗口大小设置不同而产生的单木漏识别与错识别问题,提出了联合“局部最大值”与“单木树冠结构分析”的单木识别算法。算法首先利用“局部最大值”获得候选单木;然后对候选单木树冠结构进行分析,提取树冠结构曲线;最后通过对树冠结构曲线判别,剔除、合并错识别与过识别单木,从而提高单木识别的精度。选取大兴安岭林区８个典型样地进行实验,以实测可见单木为参考,与窗口大小为1.0 m、2.0 m 的两种“局部最大值”算法进行比较。结果表明,该算法8个样地整体F 测度为90.45％,相比1.0 m、2.0 m 窗口的“局部最大值”法F 测度74.82％、77.35％,分别提高,15.63％,13.10％。     

基于小波支持向量机的遥感影像融合

针对遥感影像融合中出现的对比度差、边缘模糊等问题,利用支持向量机的统计学习优势,结合方向滤波器组的多方向特性,提出一种基于支持向量机的遥感影像融合框架。由于小波核相对其他核函数对复杂的信号具有更好的逼近能力,因此利用Morlet母小波构造核函数,研究基于小波支持向量机的遥感影像融合,提高遥感影像融合的精确度。实验结果表明,该方法的融合效果优于传统的图像融合方法。