分级特征融合的图像语义分割

在图像语义分割中,利用卷积神经网络对图像信息进行特征提取时,针对卷积神经网络没有有效利用各层级间的特征信息而导致图像语义分割精度受损的问题,提出分级特征融合的图像语义分割方法.该方法利用卷积结构分级提取含有像素级的浅层低级特征和含有图像级的深层语义特征,进一步挖掘不同层级间的特征信息,充分获取浅层低级特征和深层语义特征...     

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。     

基于边缘保持的区域能量最小化SAR海冰图像分割

提出了一种基于边缘保持的区域能量最小化的SAR海冰图像分割算法。首先对图像进行SRAD滤波,然后进行分水岭初始分割和区域能量最小化分割,从而得到最终分割结果。将该算法用于SAR海冰图像的分割中,实验结果表明,该分割方法有效、准确性好。     

基于数据融合的SAR图像目标识别算法

目前卷积神经网络已经在SAR目标识别领域得到了广泛应用,然而,由于SAR图像的目标样本数量过少,以及图像相干斑噪声的存在,使得网络不能充分的学习样本深层特征,对网络的识别性能会造成一定的影响.针对上述问题,提出一种基于数据融合的目标识别方法,算法首先对原始图像分别进行噪声抑制和边缘信息提取处理,然后将处理后的两类特征信息进行数据融合,将单通道灰度图像融合扩充至双通道图像来作为训练样本,同时构建了一个高低层特征融合的卷积神经网络模型,使用注意力机制来加强了对有用特征的学习,实验结果显示,该方法在MSTAR数据集上,表现了对不同目标型号的优秀识别效果.     

融合低阶特征与全局特征的图像语义分割方法

目前,深度全卷积网络在图像语义分割领域已经取得了瞩目的成就,但特征图的细节信息在多次下采样过程中会大量损失,对分割精度造成影响.针对该问题设计了一个用于图像语义分割的深度全卷积网络.该网络采用编码器—解码器结构,在编码器后端引入空洞卷积以降低细节信息的损失,在解码过程中融合对应尺寸的低阶语义特征,并在解码器末端融入...     

结合超像素分割的多尺度特征融合图像语义分割算法

深度学习的发展加快了图像语义分割的研究.目前,最有效的图像语义分割研究方法大部分都是基于全卷积神经网络(FCNN),尽管现有的语义分割方法能有效地对图像进行整体分割,但对于图像中的重叠遮挡物体不能清晰地识别出边缘信息,也不能有效地融合图像高低层的特征信息.针对以上问题,在采用FCNN来解决图像语义分割问题的基础上,利用...     

基于空间特征的SAR图像分割方法研究

空间矩阵描述了不同区域间的相邻概率。SAR图像具有不同地域呈现不同纹理的特征,并且区域间有较大的对比度,因此SAR图像的空间矩阵具有同类区域间相邻概率最大,异类区域间相邻概率较小的特点。利用这一特点,该文提出了一种基于空间矩阵的图像分割的方法。该方法将空间矩阵作为适应度,用遗传算法可以使分割阈值收敛到最优,并在阈值搜索的过程中用孤立点检测的方法消除相干斑噪声的影响。仿真结果表明,这是一种有效的SAR图像区域分割方法。     

基于深度特征融合的图像语义分割

在图像语义分割中使用卷积网络进行特征提取时,由于最大池化和下采样操作的重复组合引起了特征分辨率降低,从而导致上下文信息丢失,使得分割结果失去对目标位置的敏感性。虽然基于编码器-解码器架构的网络通过跳跃连接在恢复分辨率的过程中逐渐细化了输出精度,但其将相邻特征简单求和的操作忽略了特征之间的差异性,容易导致目标局部误识别等问题。为此,文中提出了基于深度特征融合的图像语义分割方法。该方法采用多组全卷积VGG16模型并联组合的网络结构,结合空洞卷积并行高效地处理金字塔中的多尺度图像,提取了多个层级的上下文特征,并通过自顶向下的方法逐层融合,最大限度地捕获上下文信息;同时,以改进损失函数而得到的逐层标签监督策略为辅助支撑,联合后端像素建模的全连接条件随机场,无论是在模型训练的难易程度还是预测输出的精度方面都有一定的优化。实验数据表明,通过对表征不同尺度上下文信息的各层深度特征进行逐层融合,图像语义分割算法在目标对象的分类和空间细节的定位方面都有所提升。在PASCAL VOC 2012和PASCAL CONTEXT两个数据集上获得的实验结果显示,所提方法分别取得了80.5%和45.93%的mIoU...     

SAR图像的最优分割方法

根据SAR图像的概率密度函数获得图像的拟然函数,然后将似然函数和边界约束方程结合起来,提出适合于SAR图像分割的代价函数,其中边界约束方程引入邻域结构信息来保证区域边界的规则性,通过使代价函数最小来获得图像的最优分割。算法首先将原图分割成一定大小的块状区域作为初始分割,每一区域代表一个类别;然后随机调整相邻两个区域之间的像素,通过比较代价函数的变化,利用模拟退火算法确定接受该调整的概率。模拟退火是一种求解全局最优的算法,当温度趋向于0时,它可以获得使代价函数最小的SAR图像的分割。最后,利用基于相似性的融合方法对分割进行后期处理,将相似的较小的区域融合成较大的区域,使得分割更合理。我们将该算法应用到一些SAR测试图像上,获得了比较满意的结果。     

双向特征融合的数据自适应SAR图像舰船目标检测模型

目的 利用合成孔径雷达（synthetic aperture radar,SAR）图像进行舰船目标检测是实施海洋监视的重要手段。基于深度学习的目标检测模型在自然图像目标检测任务中取得了巨大成功,但由于自然图像与SAR图像的差异,不能将其直接迁移到SAR图像目标检测中。针对SAR图像目标检测实际应用中对速度和精度的需求,借鉴经典的单阶段目标检测模型（single shot detector,SSD）框架,提出一种基于特征优化的轻量化SAR图像舰船目标检测网络。方法 改进模型并精简网络结构,提出一种数据驱动的目标分布聚类算法,学习SAR数据集的目标尺度、长宽比分布特性,用于网络参数设定;对卷积神经网络（convolutional neural network,CNN）提取的特征进行优化,提出一种双向高低层特征融合机制,将高层特征的语义信息通过语义聚合模块加成到低层特征中,在低层特征中提取特征平均图,处理后作为高层特征的注意力权重图对高层特征进行逐像素加权,将低层特征丰富的空间信息融入到高层特征中。结果 利用公开的SAR舰船目标检测数据集（SAR ship detection dataset,SSDD）进行实验,与原始的SSD模型相比,轻量化结构设计在不损失检测精度的前提下,样本测试时间仅为SSD的65%;双向特征融合机制将平均精确度（average precision,AP）值由77.93%提升至80.13%,训练和测试时间分别为SSD的64.1%和72.6%;与公开的基于深度学习的SAR舰船目标检测方法相比,本文方法在速度和精度上都取得了最佳性能,AP值较精度次优模型提升了1.23%,训练和测试时间较精度次优模型分别提升了559.34 ms和175.35 ms。结论 实验充分验证了本文所提模型的有效性,本文模型兼具检测速度与精度优势,具有很强的实用性。     

海洋SAR图像分割及边缘梯度特征的提取

为提高合成孔径雷达(SAR)海洋溢油图像的分割效果,得到海洋表面溢油的准确信息,提出一种改进的迭代算法,能更为有效地选取阈值,尤其适用于暗斑区域与背景灰度值差异悬殊的情况.对海洋SAR图像进行预处理,并且对处理后的SAR样本图像进行边缘分割,在此过程中通过优化迭代算法得到一种新的选取阈值的方法,运用此方法成功将暗斑区域与海洋背景分离;使用5*5窗口提取样本图像的边缘梯度特征量,对梯度均值与方差进行分析、理解达到识别SAR图像中的溢油区域的目的.将仿真结果与传统分割结果进行了比较,比较结果表明了该方法在选取阈值进行图像分割方面要优于其它算法.     

于灰色模糊熵的SAR图像快速分割方法*

针对SAR图像特殊的噪声特性,提出一种基于灰色模糊熵的快速图像分割方法。该方法不仅考虑了图像像素的灰度信息,还考虑了像素与其邻域像素的空间相关信息。为弥补传统模糊方法对噪声敏感的缺陷,引入灰色关联分析理论,设计图像当前像素灰度值与其八邻域像素灰度值组成的比较序列,通过计算其与目标点参考序列的灰色关联度修正传统隶属函数,以更精确地描述该灰度值属于目标或背景的模糊隶属度,并进一步给出了灰色模糊熵模型作为选取最佳阈值的准则。此外,为尽快确定最佳隶属度阈值,采用了具有群体智能的粒子群优化算法。实验表明该方法可以在     

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.     

基于RCS精确预估的机动目标切片仿真方法*

给出了一种基于目标RCS精确预估的机动目标SAR图像切片仿真方法。详细介绍了目标几何建模、电磁计算、目标成像的整个流程,并将仿真图像与MSTAR图像数据进行了对比。仿真实验结果表明,该方法有效解决了机动目标多参数空间SAR图像数据的获取问题。     

移动机器人导航中的楼道场景语义分割*

通过深度学习模型对室内楼道环境的视觉信息进行处理,帮助移动机器人在室内楼道环境下自主行走。为达到这个目的,将楼道环境对象分为6类：路、门、窗户、消防栓、门把手和背景,通过图像的语义分割实现对象识别。在对楼道环境的6类对象进行分割的试验中发现,由于“门把手”比起其它对象小很多,影响了对它的识别效果;将6分类模型改为“5+2”分类模型,解决了这个问题。分类模型的基础是全卷积神经网络(FCN),可以初步实现图像的分割。为了提高FCN网络的分割效果,从三个方面进行了试验研究：（1）取出FCN的多个中间特征层,进行多层特征融合;（2）考虑到移动机器人行走过程中视觉信息的时间序列特点,将递归神经网络(RNN)的结构纳入到FCN网络中,构成时间递归的t-LSTM网络;（3）考虑到二维图像相邻像素之间的依赖关系,构成空间递归的s-LSTM网络。这些措施都有效地提高了图像的分割效果,实验结果表明,“多层融合”加“s-LSTM”的结构从分割效果和计算时间方面达到综合指标最佳。     

非下采样Contourlet变换与脉冲耦合神经网络相结合的SAR与多光谱图像融合

由于获取地物波谱信息的波段范围及成像方式的不同,SAR与多光谱图像所得到的信息有很大差异,而且SAR图像会受到严重的相干斑噪声干扰,因此SAR与多光谱图像的融合很难获得满意的效果。考虑到非下采样Contourlet变换(NSCT)相比于其他多尺度几何分析方法的优势,提出了一种NSCT与脉冲耦合神经网络(PCNN)相结合的SAR与多光谱图像融合方法。源图像首先经过NSCT分解获得不同尺度多个方向下的分解系数,将分解系数的高斯拉普拉斯算子能量作为脉冲耦合神经网络模型的输入,具有较大点火频率的系数将被选择作为融合图像的系数,最后经过NSCT重构得到最终的融合图像。实验结果表明,这种算法无论在主观视觉还是在客观指标上都要优于之前的许多算法。     

动态生成掩膜弱监督语义分割

目的 传统图像语义分割需要的像素级标注数据难以大量获取,图像语义分割的弱监督学习是当前的重要研究方向。弱监督学习是指使用弱标注样本完成监督学习,弱标注比像素级标注的标注速度快、标注方式简单,包括散点、边界框、涂鸦等标注方式。方法 针对现有方法对多层特征利用不充分的问题,提出了一种基于动态掩膜生成的弱监督语义分割方法。该方法以边界框作为初始前景分割轮廓,使用迭代方式通过卷积神经网络（convolutional neural network,CNN） 多层特征获取前景目标的边缘信息,根据边缘信息生成掩膜。迭代的过程中首先使用高层特征对前景目标的大体形状和位置做出估计,得到粗略的物体分割掩膜。然后根据已获得的粗略掩膜,逐层使用CNN 特征对掩膜进行更新。结果 在Pascal VOC（visual object classes） 2012 数据集上取得了78.06% 的分割精度,相比于边界框监督、弱—半监督、掩膜排序和实例剪切方法,分别提高了14.71%、4.04%、3.10% 和0.92%。结论 该方法能够利用高层语义特征,减少分割掩膜中语义级别的错误,同时使用底层特征对掩膜进行更新,可以提高分割边缘的准确性。