一种有效的遥感图像无缝分割方法

遥感图像具有数据量大、模糊性较强、纹理细节丰富等特点，这就决定了遥感图像的分割与自然景色图像分割相比，在分割效率、分割效果上都提出了更高的要求。另外，无缝空间遥感影像数据库的建立为我们提出了在基于内容的影像检索中遥感图像无缝分割问题。在JSEG算法的基础上，通过图像增强技术，解决了遥感图像不同区域边界往往不明显的问题，大大改善了分割效果；为了解决分割的无缝性，提出了基于gabor纹理特征的区域边界合并算法。实践证明本方法很好地解决了遥感图像分割的无缝性问题。     

基于人类视觉特性的纹理分割方法

纹理分割是将一幅图像依据纹理不同分成若干个不同的区域,目前广泛采用的是利用滤波器族(如Gabor)对图像进行分解。但由于图像纹理表现的各异性,通常在滤波器参数的选择上不能做到自适应,导致提取的特征不明显,分类效果不好,使用范围受限。文中提出了一种基于人类视觉系统(Human Visual System,HVS)机理的纹理分割方法,不但可以模拟人类观察纹理直觉处理阶段确定纹理区的个数并且粗略地划分区域,而且可以模拟专注处理阶段自动选择Gabor滤波器的个数及参数。该算法符合HVS区分纹理机理,计算过程简单、方便。针对各纹理选取的特征明显,分类效果好。     

基于人类视觉特性的纹理分割方法

纹理分割是将一幅图像依据纹理不同分成若干个不同的区域,目前广泛采用的是利用滤波器族(如Gabor)对图像进行分解.但由于图像纹理表现的各异性,通常要选择很多滤波器,导致提取的特征困难,分类效果不好,效率低,使用范围受限.文中提出了一种基于人类视觉系统(Human Visual System,HVS)二阶机理的纹理分割方法,即基于‘滤波器->整流->滤波器'(FRF)模型的纹理分割方法.该算法符合HVS区分纹理机理,计算过程简单、方便.针对各纹理选取的特征明显,分类效果好,效率较高.     

基于分裂合并算法的道路标线分割方法研究

针对现有的道路标线分割方法在阴影、光照、裂缝等干扰下存在分割精度不足的问题,提出了基于分裂合并算法的道路标线分割方法.该方法通过分析道路标线图像的灰度、边缘、纹理特征,首先采用Bresenham算法进行道路标线有无判定,并根据道路标线边缘实现路面检测图像标线区域和非标线区域的分裂,然后采用基于重心连线灰度值的区域合并和基于灰度与直线边缘特征的区域合并两种方法进行道路标线区域合并,最终完成道路标线的准确分割.实验表明,该方法分割精度较高,具有良好的抗噪性能,能够很好地满足道路检测车采集图像实时处理的需求.     

基于均值漂移的自适应纹理图像分割方法

提出了一种基于小波多尺度分析和均值漂移的无监督纹理分割方法.该方法利用均值漂移聚类实现基于小波特征的完全无监督自适应多尺度分割,既不需要进行训练也不需要分割类别数等先验知识.该方法根据一定的策略在尺度间进行信息传递,自适应地为图像不同区域确定合适的分割尺度,即纹理内部区域使用粗尺度特征而不同纹理间的交界处使用较细尺度特征,这样就在保证区域一致性的同时更准确地定位图像边缘.对比实验结果表明,该方法在合成纹理和真实纹理图像中都有较好的性能,其多尺度的分割过程类似于人类视觉系统感知,并且较之有监督的传统分割方法也更具优势.     

基于颜色和纹理的皮肤检测方法

提出一种新的基于颜色和纹理特征的皮肤检测方法,应用JSEG算法将图像分割成任意形状的相似图像区域集,然后从中提取颜色特征和纹理特征,最后应用高斯混合模型（Gaussian Mixture Model,GMM）,并根据一定的判断准则（综合考虑颜色特征和纹理特征）进行皮肤和非皮肤区域分类．     

纹理特征提取方法综述

图像纹理特征提取是图像纹理分类与分割的基础,广泛应用于医学图像、遥感图像等领域。对近期的主流纹理特征提取方法以及融合方法进行了分析与总结,并探讨了纹理特征提取方法未来的研究方向。首先详细介绍了12个主流的公开纹理数据集的特点及其适用场景;接着总结了近几年出现的一些纹理特征提取方法,并根据特征融合方式从多个角度对纹理特征融合方法进行了分类介绍;最后总结了纹理特征提取存在的难点和挑战,并对未来的纹理特征提取方法研究方向进行思考和讨论。     

基于GLCM与自适应Gabor滤波器组的纹理图像分割

基于Gabor滤波器的纹理图像分割算法存在参数难以选择的问题。为此,提出一种预测图像纹理类型数与Gabor滤波器组参数的分割算法。将图像分割成大小相等的区域块,根据各类纹理特性预测Gabor滤波器组参数,利用各区域块的纹理特征向量预测纹理类型数,并使用预测的滤波器组提取图像纹理特征,通过预测的纹理类型数对图像进行聚类分割。实验结果表明,该算法能以较高的精度与较快的速度分割纹理图像,且受纹理类型数量影响较小。     

基于特征加权的自然纹理FCM聚类分割算法

为了实现自然材质的纹理分割,根据自然纹理的弱规则性特点,提出一种由图像灰度值、灰度分布统计及图像纹理能量统计作为纹理表征的特征参数,并组成三维特征矢量以实现自然纹理分割的算法。考虑到样本不同特征值对分类的不同影响,算法中引入了特征加权的FCM模糊聚类方法以提高各特征参数在聚类约束力上的可控制性,从而实现纹理图像的更有效分割效果。实验证明,该方法简单高效、可控性强,对各种自然纹理图像具有较好的纹理分割效果。     

基于特征加权的自然纹理FCM聚类分割算法

为了实现自然材质的纹理分割,根据自然纹理的弱规则性特点,提出一种由图像灰度值、灰度分布统计及图像纹理能量统计作为纹理表征的特征参数,并组成三维特征矢量以实现自然纹理分割的算法。考虑到样本不同特征值对分类的不同影响,算法中引入了特征加权的FCM模糊聚类方法以提高各特征参数在聚类约束力上的可控制性,从而实现纹理图像的更有效分割效果。实验证明,该方法简单高效、可控性强,对各种自然纹理图像具有较好的纹理分割效果。     

抑制纹理信息的偏置场变分图像分割模型

偏置场变分水平集图像分割模型利用原始图像的局部灰度信息,可以对灰度不均匀图像进行有效的分割,但当灰度图像中存在纹理时,分割效果往往很差。针对这一问题,提出抑制纹理信息的偏置场变分水平集图像分割模型。利用一种基于纹理几何结构的纹理描述符描述图像中不同的纹理区域,使得不同纹理区域对比更加明显,相同纹理区域更加平滑,通过抑制纹理信息使后续的图像分割在纹理部分的错分大大减少。实验结果表明,相比偏置场变分模型,所提模型对自然及人工合成纹理图像均获得更好的分割结果。     

基于中值-游程共生矩阵的纹理特征提取

提出了一种基于中值-游程共生矩阵模型的纹理特征提取方法.该方法利用了图像的灰度信息和等灰度游程长度信息,通过计算图像的中值矩阵和游程矩阵,从而计算出中值-游程共生矩阵,来提取图像的特征.仿真结果表明,该方法能有效地分割出纹理图像上区域特性不同的纹理,且分割效果优于等灰度游程矩阵和灰度共生矩阵.     

Segmentation of remotely-sensed images by a split-and-merge process+

Abstract

This paper describes the application of an image segmentation technique to remotely-sensed terrain images used for environmental monitoring. The segmentation is a preprocessing operation which is applied prior to image classification in order to improve classification accuracy from that achievable by classifying pixels individually on the basis of their spectral signatures. The method uses a split-and-merge technique to segment images into regions of homogeneous tone and texture wherever this is possible. The split-and-merge technique employs a hierarchical quadtree data structure. Texture is measured using easily computed grey value difference statistics. The homogeneity criteria employed in region merging are dependent on local statistics. The segmented image is classified using a region classifier for regions and the normal per-pixel classifier for single pixels in areas of inhomogeneity. The technique is illustrated by example classifications of aerial Multispectral Scanner data from two test sites. A quantitative analysis of the performance shows that an increased classification accuracy is achieved.     

Segmentation of psoriasis vulgaris images using multiresolution-based orthogonal subspace techniques.

In this paper, a method is proposed for the segmentation of color images using a multiresolution-based signature subspace classifier (MSSC) with application to psoriasis images. The essential techniques consist of feature extraction and image segmentation (classification) methods. In this approach, the fuzzy texture spectrum and the two-dimensional fuzzy color histogram in the hue-saturation space are first adopted as the feature vector to locate homogeneous regions in the image. Then these regions are used to compute the signature matrices for the orthogonal subspace classifier to obtain a more accurate segmentation. To reduce the computational requirement, the MSSC has been developed. In the experiments, the method is quantitatively evaluated by using a similarity function and compared with the well-known LS-SVM method. The results show that the proposed algorithm can effectively segment psoriasis images. The proposed approach can also be applied to general color texture segmentation applications.     

结合分水岭的纹理梯度各向异性图像分割

目的 目前,许多图像分割算法对含有丰富纹理信息的图像的分割效果并不理想,尤其是在不同纹理的边缘信息的保持方面。为了解决这一问题,提出一种基于连续纹理梯度信息的各向异性图像分割算法。方法 在分水岭算法的基础上,引入纹理梯度各向异性算法,能够在避免纹理信息影响分割效果的前提下,最大限度地保证纹理边缘信息的完整。针对纹理特征数据敏感的特性,本文将离散的图像高度信息映射到连续的纹理梯度空间,能够有效减少由细小差异造成的过分割现象。结果 本文方法在BSD500 Dataset和Stanford Background Dataset中选择了大量的纹理信息丰富的图片与最新的分割算法进行了实验与对比。本文方法在分割效果（降低过分割现象）、保持边缘信息和分割准确率等方面均获得明显改进,并在图像分割的平均准确率方面与最新算法进行比较发现,本文算法的平均分割准确率达到90.9%,明显超过了其他最新算法,验证了本文方法的有效性。结论 本文提出的基于分水岭的纹理梯度各向异性算法对纹理图像的分割具有保边和准确的特点,采用连续梯度空间的方法能够有效地减少传统分水岭算法的过分割现象。本文方法主要适用于纹理信息丰富（自然纹理和人工纹理）的图片。     

基于高斯混合模型的纹理图像分割

纹理图像分割是图像处理的一个基本问题。由于基于高斯混合模型的纹理图像分割方法．大多采用单像素的方法，因此分割精度和效率都较低。为了更好地进行纹理图像分割，在子空间思想的基础上，提出了一个基于图像块的分割算法及其改进算法，即先取图像块的均值、标准差、最大值、最小值以及中间像素的像素值等5个特征作为纹理特征，再利用高斯混合模型进行纹理图像分割，实验结果表明，该新算法的分割精度和分割效率较原分割算法都有较大提高。     

结合Gabor滤波器和扩展LTP算子的无监督纹理图像分割

目的 现实中的纹理往往具有类型多样、形态多变、结构复杂等特点,直接影响到纹理图像分割的准确性。传统的无监督纹理图像分割算法具有一定的局限性,不能很好地提取稳定的纹理特征。本文提出了基于Gabor滤波器和改进的LTP（local ternary pattern）算子的针对复杂纹理图像的纹理特征提取算法。方法 利用Gabor滤波器和扩展LTP算子分别提取相同或相似纹理模式的纹理特征和纹理的差异性特征,并将这些特征融入到水平集框架中对纹理图像进行分割。结果 通过实验表明,对纹理方向及尺度变化较大的图像、复杂背景下的纹理图像以及弱纹理模式的图像,本文方法整体分割结果明显优于传统的Gabor滤波器、结构张量、拓展结构张量、局部相似度因子等纹理分割方法得到的结果。同时,将本文方法与基于LTP的方法进行对比,分割结果依然更优。在量化指标方面,将本文方法与各种无监督的纹理分割方法就分割准确度进行对比,结果表明,在典型的纹理图像上,本文方法准确度达到97%以上,高于其他方法的分割准确度。结论 提出了一种结合Gabor滤波器和扩展LTP算子的无监督多特征的纹理图像分割方法,能够较好地提取相似纹理模式的特征和纹理的差异性特征,且这些纹理特征可以很好地融合到水平集框架中,对真实世界复杂纹理图像能够得到良好的分割效果。     

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。     

基于小波变换和蚁群算法的纹理分割

纹理分割是图像模式识别中的关键步骤,但直到现在仍然没有一种有效的方法能够解决。本文提出了一种新的基于小波变换和蚁群算法的纹理分割方法。该方法首先用小波变换提取图像不同频带的纹理特征,然后提出具有聚类能力的蚁群算法数学模型,并用这个模型来进行分割。实验结果表明,该方法是一种有效的纹理分割方法。     

结合纹理去除的遥感图像分割

针对包含复杂纹理信息的遥感图像难以进行精准图像分割的问题,提出了一种结合纹理去除的遥感图像分割方法。首先,改进了相对全变差纹理去除方法,通过引入新的范数约束使相对全变差纹理去除方法可以在去除纹理信息的同时凸显图像中的主要结构,达到辅助分割的效果;然后,使用均值漂移算法对经过纹理去除的遥感图像进行无监督聚类,达到分割的目的;最后,提出的遥感图像分割算法在不同遥感图像上进行了测试。实验结果表明,在高分辨遥感图像的分割上,所提算法可以分割出遥感图像中的主要目标,和直接分割或者结合其他纹理去除方法相比取得了更好的分割结果。所提出的分割算法可以降低纹理信息对图像分割的影响,提高遥感图像分割的精度。