利用新特征空间的SAS图像目标分类算法

通过分析合成孔径声纳图像中不同目标统计特性参数间的差异,提出了一种利用新特征空间的SAS图像目标分类算法。该算法用马尔可夫随机场分割算法找到感兴趣区域,提取阴影的几何参数和目标的归一化中心矩,并且将目标、阴影、背景之间统计特性的分布参数之差与前两者构成新的特征空间。利用克一均值聚类算法对三类目标进行分类。合成孔径声纳湖试数据验证了算法的有效性。     

基于Markov随机场模型的运动对象分割研究

本文探讨了一种基于高斯马尔可夫随机场(GMRF)模型的运动目标自动分割算法.该算法采用高斯混合分布描述视频序列的差分图像,对标准MAP算法进行了改进,使用快速方法计算后验边缘。首先对视频处理对象进行初始分割,获取初始运动数目以及相应的运动模型的初始参数,然后通过参数估计,不断更新模型参数,之后通过把每个运动区域和运动模型相关联,来同时估计多个运动区域,最终达到分割的目的.实验结果证明,本文所提的方法对运动目标分割具有较好的分割效果.     

基于运动信息与马尔可夫彩色聚类的运动目标分割

针对视频序列图像中的运动目标分割,论文提出了将运动检测和马尔可夫彩色聚类相结合的运动目标分割算法。该算法首先利用基于统计模型的运动检测算法,通过后处理,得到运动目标的初始模板。然后,利用区域生长算法进行彩色图像的初始分割,在初始分割的基础上应用马尔可夫随机场模型进行彩色聚类,得到具有精确边缘的分割区域。最后,将运动目标的初始模板和彩色精确分割结合起来提取出具有精确边缘的运动目标。实验结果表明该算法能有效地分割和提取出视频序列中的运动目标。     

基于马尔可夫随机场的运动分割研究

运动对象的分割技术一直是图像处理和计算机视觉领域的重要研究课题。采用一种将运动估计方法与马尔可夫随机场（MRF）模型相结合的运动分割方法。采用鲁棒统计技术与误差模型相结合构成运动估计的目标函数,运动模型为仿射运动,通过过松弛算法获得每种运动的运动参数;根据误差最小原则确定运动对应区域的初值,采用马尔可夫随机场（MRF）模型对运动估计结果进行平滑去噪。最后给出了该方法在通用图像实例上的实验结果。     

声纳图像处理中的连通成分标记算法研究

在高频声纳图像目标检测中,对图像分割后,需要对前景目标参数进行提取。水下声学图像相对于光学图像而言,分辨率相对较低,并且通常不会有特别复杂的图形图案进行处理。本文根据声学图像的特点,提出了一种连通成分标记算法,利用此算法可以对分割后的声纳目标进行标记,并快速提取出声图中的目标个数,以及各个目标的位置、面积等特征参数。此算法在VC++软件平台上对扫描声纳图像进行了实时处理,结果验证了该算法的可行性。     

基于马尔可夫模型的多分辨率图像分割算法

为解决图像分割中过分割、欠分割和依赖初始分割问题,提出一种基于马尔可夫模型的多分辨率图像分割算法。利用变权重方法改进多分辨率马尔可夫随机场算法,结合曲波和小波变换对图像进行多分辨率分析,并通过区域合并减少图像中的区域数。实验结果表明,与经典算法相比,该算法的分割性能较好。     

基于C-V模型和MRF的脑部MRI分割

为准确分割脑部磁共振图像(MRI)的灰质、白质和背景,提出一种基于C-V模型和马尔可夫随机场的全自动分割方法。采用C-V模型与形态学相结合的方法对脑MRI进行预处理,去除多余脑组织,获得待分割图像。引入灰度场局部熵的思想对惩罚因子进行估计,利用马尔可夫随机场模型建模实现脑灰白质的分割,并运用形态学方法获得最终分割结果。对96幅IBSR图像和46幅临床图像进行实验,结果表明,该方法能够实现脑部MRI灰白质的全自动分割,且具有较好的分割精度和较快的处理速度。     

基于声纳图像的水平集分割算法研究

针对现有的图像分割方法无法准确地分割声纳图像的问题,提出了一种改进的水平集声纳图像分割方法。介绍了LBF能量模型,借鉴其无重初始化的水平集演化思想。为克服声纳图像中复杂背景带来的负面效应,利用形态学顶帽—底帽变换对声纳图像进行预处理,并在此基础上进行无需初始化的水平集分割。进行仿真对比实验,实验结果显示:与LBF能量模型相比,改进的水平集分割方法更加适应于背景不均匀的声纳图像分割。     

一种基于图像底层特征的隐马尔可夫人体检测方法

提出一种单幅图像中的人体检测方法.该方法用隐马尔可夫模型表示人体,根据给定的人体结构序列估计产生该序列的图像区域,从而将人体检测问题转化为隐马尔可夫解码问题求解.首先对图像进行Mean-Shift分割,并根据颜色信息搜索出属于躯干的区域,然后将明暗度、颜色及边缘3种底层特征相结合,估计特征匹配概率并由此获得四肢部分的候选区域.最后估计候选区域的连接概率并利用隐马尔可夫解码算法找出最优的人体配置区域.实验结果表明,该方法对于复杂背景中具有不同姿态的人体图像可得到较满意的检测结果.和其它检测方法相比,该方法并非单纯地给出矩形近似的人体各个部分,同时还获得较完整分割的人体图像.尤其对于图像分辨率较低、图像中的人体较小且存在运动模糊的情况,该方法能够获得较好的检测结果.     

基于光流场的动态目标分割

采用光流法结合基于小波变换的像素级图像融合算法,研究了一种动态目标分割方法。光流场可以看作是带有灰度的像素点在图像平面运动产生的瞬时速度场,算法先以光流法计算出的动态目标瞬时速度场的水平速度分量和垂直速度分量作为初始信息,再利用基于小波变换的融合算法获得动态目标的初始分割,最后对初始分割结果进行图像去噪和图像增强,并最终获得清楚的分割图。实验证明,该方法能够产生良好的目标分割效果。     

BEMD-分层水平集侧扫声纳图像快速分割算法

针对侧扫声纳图像不同区域的像素分布特点,提出了一种改进的BEMD(二维经验模态分解)-分层水平集分割算法。介绍了CV(Chan和Vese)水平集模型和分层水平集模型,利用分层水平集模型进行三类分割。为了提高分割精度,利用BEMD重新描述模型的能量函数。通过BEMD的加权参数,在不影响分割精度的前提下提高模型的抗噪性能。分析了c-均值算法与水平集算法的联系,利用改进的c-均值算法初始化水平集演化曲线,以减少迭代次数。对水平集能量函数添加惩罚项,以提高水平集演化速度。利用改进的BEMD-分层水平集分割算法进行无监督的图像分割实验并与其他算法比较,验证了该算法的抗噪性、分割的准确性和快速性。     

基于最大加权区域互信息的声呐图像检索系统

针对声呐图像检索的实际需求,设计基于最大加权区域互信息的声呐图像检索系统。对声呐图像进行分割,产生n个子区域;计算例图与图像库中各个图像子区域之间的互信息,结合声呐图像目标物体的特点,对区域互信息进行加权;取加权区域互信息中的最大值作为图像互信息,并照其大小进行图像排序,经门限处理后,将排在前面的图像作为检索结果输出。仿真实验结果表明:基于最大加权区域互信息的检索方法更加适用于声呐图像检索,尤其是在处理两幅背景相同前景不同或者前景相同背景不同的图像时更有优势。     

Object‐oriented classification of sidescan sonar data for mapping benthic marine habitats

This research presents an object‐oriented technique for habitat classification at different segmentation levels based on the use of imagery from an Edgetech 272 side scan sonar. We investigate the success of object parameters such as shape and size as well as texture in discriminating reef from sand habitat. The results are evaluated using traditional digitization, based on visual assessment of the sidescan imagery, and video transects. Whereas the application of traditional pixel‐based classification results in a pixelized (salt and pepper) representation of habitat distribution, the object‐based classification technique results in habitat objects (raster or vector). The object‐oriented classification results are cross‐validated using confusion matrices in image classification software and error matrices from underwater video transects showing an overall accuracy of 80% based on two classes within the image at three segmentation levels and an overall accuracy of 60% based on three classes at two segmentation levels. This is compared with the digitized layer accuracy of 81% for two classes and 72% for three classes, and this demonstrates the successful application of object‐oriented methods for habitat mapping. This technique retains spatially discrete habitat pattern information in a classified vector shape file with methods that are automated, repeatable, objective, and capable of processing many sidescan records in a more efficient manner.     

A multi-temporal masking classification method for vineyard monitoring in central Spain

Abstract

The objective of image segmentation in remote sensing is to define regions in an image that correspond to objects in the ground scene. Traditional scene models underlying image segmentation procedures have assumed that objects as manifest in images have internal variances that are both low and equal. This scene model is unrealistically simple. An alternative scene model recognizes different scales of objects in scenes. Each level in the hierarchy is nested, or composed of objects or categories of objects from the preceding level. Different objects may have distinct attributes, allowing for relaxation of assumptions like equal variance.

A multiple-pass, region-based segmentation algorithm improves the segmentation of images from scenes better modelled as a nested hierarchy. A multiple-pass approach allows slow and careful growth of regions while inter-region distances are below a global threshold. Past the global threshold, a minimum region size parameter forces development of regions in areas of high local variance. Maximum and viable region size parameters limit the development of undesirably large regions.

Application of the segmentation algorithm for forest stand delineation in Landsat TM imagery yields regions corresponding to identifiable features in the landscape. The use of a local variance, adaptive-window texture channel in conjunction with spectral bands improves the ability to define regions corresponding to sparsely-stocked forest stands which have high internal variance.     

Evaluation for uncertain image classification and segmentation

Each year, numerous segmentation and classification algorithms are invented or reused to solve problems where machine vision is needed. Generally, the efficiency of these algorithms is compared against the results given by one or many human experts. However, in many situations, the location of the real boundaries of the objects as well as their classes are not known with certainty by the human experts. Furthermore, only one aspect of the segmentation and classification problem is generally evaluated. In this paper we present a new evaluation method for classification and segmentation of image, where we take into account both the classification and segmentation results as well as the level of certainty given by the experts. As a concrete example of our method, we evaluate an automatic seabed characterization algorithm based on sonar images.     

基于FCM和LBF模型的医学图像自动分割

基于局部区域二相拟合(LBF)模型的医学图像分割方法,对初始轮廓敏感并仅能分割单类目标,若手动选取的初始轮廓不合适,将导致算法耗时过大甚至分割失败。针对上述不足,提出联合模糊C均值(FCM)聚类的LBF模型自动分割算法。对待分割图像进行FCM聚类,将得到的目标类隶属度值变换为适用于LBF模型的水平集函数初始值,利用LBF模型从该初始值开始演化直至收敛,从而完成分割。合成图像及血管和脑部图像的分割实验结果表明,该算法能够自动获取合适的初始值,有效解决LBF模型对初始轮廓敏感的问题,减少迭代次数,而且通过选择不同的FCM聚类结果,可以实现对多类目标的分割。     

参考1维光谱差异的区域生长种子点选取方法

目的 区域生长法是遥感影像分割中常用的算法,该算法首先选取适当的像元作为生长的起始点（种子点）。现有的种子点选取方法存在种子点数目较多、效率低以及地物细节种子点不足等问题。针对种子点选取存在的问题,提出一种基于1维光谱差异的区域生长种子点的选取方法。方法 首先计算像元间1维（水平、竖直）方向上的光谱差异,然后选取光谱差异的局部极小值作为种子点,最后对种子点进行优选,得到区域生长的起点。结果 应用本文方法选取种子点,对高分辨率的IKONOS遥感影像进行了区域生长。将实验结果与分形网络演化方法及Kernel Graph Cuts方法的分割结果进行了目视对比,并且分别计算了3种方法所得分割结果的基元内部同质性和基元间相关性的评价指数。目视比较的结果表明,本文的种子点选取方法能够为区域生长提供具有代表性的种子点,得到了精细的分割结果。在定量评价上,本文方法也表现出了数值优势,各波段分割质量指数均提高15%以上。结论 提出的种子点选取方法能够为高分辨率遥感图像的区域生长分割提供具有代表性的种子点,产生精细的分割图像,对于地物细节有良好的分割效果,具有较高的实用价值。     

基于模板匹配的多目标精确粘连分割算法

在提取多运动目标的基础上,利用目标运动的时空连续性,提出一种基于模板匹配的多目标精确分割算法。该算法首先利用混合高斯模型提取视频中的运动目标,然后利用模板匹配算法初步识别出每一个目标的区域,最后利用扩张算法扩充目标的完整边界区域。实验结果表明,与传统的静态粘连分割算法比较,所提出的算法不但能分割同一颜色的多目标视频,而且分割效果更准确更高效。     

结合多尺度分割和形态学运算的高分辨率遥感影像阴影检测

目的 针对阴影在高分辨率遥感影像的特性,提出了一种多尺度分割和形态学运算相结合的阴影检测方法。方法 基于面向对象思想,首先利用均值漂移法实现影像分割生成对象,并以对象为基本单元分别进行形态学膨胀和腐蚀运算,从而获得面向对象的阴影指数;然后对影像进行多尺度分割,生成阴影指数矢量;最后对阴影指数矢量和亮度均值分别指定高低阈值,进而获得阴影检测结果。结果 选取高分二号和Google earth影像进行实验,采用误检率、漏检率和总错误率3个指标进行定量分析,并将实验结果与结合多特征法和形态学阴影指数法进行比较。在阴影检测定量精度分析中,相比于对比方法,本文方法的误检率偏高,但漏检率平均降低了7.31%;在建筑物阴影检测实验中,本文方法的漏检率同样下降了4.5个百分点;在多尺度效果融合分析中,本文方法在多组尺度组合下,各项精度指标均较理想;在阴影压盖地物实验中,3种方法的误检情况差异不大,但本文方法的漏检率得到较大改善,其下降程度平均达到了19.29%。结论 本文提出的阴影检测方法具备一定的抗干扰能力,适用性强,可靠性高。     

模糊C 均值聚类与多相水平集图割优化相结合的图像分割

针对在分割多个目标时多相水平集模型对初始轮廓曲线敏感且计算量大的问题, 提出采用模糊C 均值聚类算法将图像进行粗分割,初始化多相水平集函数,使用图割算法分割 出多相结果的方法。该方法能有效减小多相水平集算法对初始轮廓曲线的敏感性,使图割算法 在分割图像时更容易分割出理想的目标轮廓;同时,采用图割算法可使水平集函数很快收敛到 能量最小值,有效减少计算量,提高计算效率。实验表明该方法具有较好地分割效果和较高地 分割效率。