一种新的高光谱遥感图像超像素分割方法

为了解决简单线性迭代聚类算法在高光谱遥感图像超像素分割任务中分割精度较低的问题,提出一种基于多级线性迭代聚类结合改进标签传播算法(LPA)的新的无监督高光谱遥感图像超像素分割方法。首先,扩充简单线性迭代聚类(SLIC)的适用范围至多通道对高光谱图像进行超像素初分割;然后,对色彩标准差较大的超像素进行多级迭代细致分割,引入基于局部二进制模式的高光谱遥感图像纹理特征提取方法计算高光谱图像纹理特征并融合多段光谱特征计算超像素间相似度以构建带权图网络;最后,改进LPA社区发现方法进行超像素合并,将改进的标签传播算法运用于超像素合并可以得到更加稳定准确的超像素合并效果,提高超像素分割精度。将该方法与多种方法进行比较,结果表明,该方法对高光谱遥感图像的超像素分割结果更准确,超像素边缘更贴合真实地物边界,能有效改善高光谱遥感图像超像素分割中精度较低的问题。     

简单线性迭代聚类的高分辨率遥感影像分割

影像分割是面向对象影像分析的基础和关键。针对传统影像分割方法地物边界依附性差、易受影像噪声影响等问题,提出一种简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)的高分辨率遥感影像分割方法。该方法首先用SLIC算法对影像过分割生成SLIC超像素,之后根据相似性规则对SLIC超像素进行合并实现影像分割;然后通过构造Lab颜色空间下的五维特征参数度量影像像素的局部特征差异,并通过SLIC算法把具有相似性特征的像素聚类生成超像素,克服影像噪声对分割结果的影响;最后根据相似性合并规则以超像素为基本单元进行区域合并,从而达到分割目的。实验结果表明,所提出方法具有良好的高分辨率遥感影像分割结果。     

自适应多维特征减少的模糊C-均值遥感图像分割算法

针对传统分割算法难以对遥感图像进行有效分割的问题,提出了一种自适应特征减少的图像分割算法。首先对源图像进行超像素分割,将获得的超像素作为算法的基本操作对象。其次,提取图像的颜色、纹理、边缘以及空间等多维特征,并使用加权像素值来表示超像素的特征。再者,将模糊分离度量加入到FRFCM(feature-reduction fuzzy C-means)模型中,构造特征减少分割算法。该算法可以自动选择有用特征。最后对分割算法进行优化,获取最终分割结果。通过遥感图像分割实验表明,提出算法能有效分割遥感图像,在分割准确度、运行时间、消除噪声影响等性能方面优于其他同类算法。     

结合RGB三维直方图和DBSCAN算法的图像分割

合并超像素生成大面积同质区对目标检测、跟踪和识别及遥感影像处理具有现实意义。在合并过程中,要求超像素具有良好的边缘保持性,传统的超像素分割方法追求形状规则而忽略边缘的贴合度。有鉴于此,提出一种基于RGB三维直方图结合DBSCAN的图像分割方法。首先分析图像三维RGB直方图获取边缘贴合度很高的初始超像素,进而选择适当的特征值利用DBSCAN算法对超像素合并以生成较大同质区。实验证明：新方法获取超像素的边缘保持性和运算效率都优于传统方法,采用DBSCAN合并超像素时,其分割精度有明显提升,而且同质区边缘更加准确。     

融合超像素与Wasserstein距离的遥感影像分割方法北大核心CSCD

图像分割技术是图像处理和计算机视觉领域中的关键技术之一。随着近年来遥感成像技术的迅猛发展,传统基于像素的影像处理方法不再适用于高分辨率遥感影像。针对传统图像分割方法在分割准确性以及分割效率等问题上存在的不足,提出了一种融合超像素与Wasserstein距离的遥感影像分割方法。首先,对遥感影像进行SLIC(simple linear iterative clustering)算法预分割,生成超像素;然后,将超像素作为K-means算法的聚类中心,利用Wasserstein距离替代传统欧氏距离计算超像素之间的距离,完成聚类。理论和实验结果表明,新方法具有收敛性,在一定程度上提高了超像素预分割后的完整性,并且Wasserstein距离能够准确计算分布之间的差异性,在超像素距离计算上表现突出。     

结合同异性度量的超像素分割方法

针对以往分割方法在分割影像时出现的分割效果较差以及精度较低等问题,提出一种结合超像素同异性度量的高分辨率遥感影像分割方法,对分割效果进行改善。首先利用高斯滤波对影像进行平滑处理;再通过简单线性迭代聚类算法对影像进行像素级分割,生成超像素;之后根据灰度离散程度将离散超像素归并到邻近权重最大的超像素,解决独立像素点问题;然后计算超像素同异性度量值,根据阈值将超像素合并,达到分割影像的目的。此方法在传统分割算法基础上增强了超像素对梯度和颜色的敏感性,提高了影像分割的精度。实验表明,该方法可有效减小噪声点的影响,改善以往算法存在的过分割以及分割线偏移等缺陷。     

基于目标识别与显著性检测的图像场景多对象分割

提出了一种基于目标识别与显著性检测的图像场景多对象分割方法。该方法的步骤包括:在图像训练集上训练语义对象的检测器,用来检测输入图像中对象的位置,标定对象的包围盒;对输入的图像进行过分割处理,得到超像素集合,根据包围盒的位置和超像素的语义概率值计算兴趣区域;在3种稠密尺度上进行场景显著性检测,得到输入图像的显著图;在兴趣区域内计算超像素的邻接关系,形成邻接矩阵,构建条件随机场模型,将多对象分割问题转化成多类别标记问题,每一个对象是一种类别;以每个超像素作为场模型的节点,超像素的邻接关系对应场模型中节点之间的连接关系,将显著性和图像特征转化为节点和边的权重值;利用图割算法,在条件随机场模型上进行优化,迭代终止时得到像素的对象标记结果,从而实现对多个对象的分割。实验结果表明该方法效果较好。     

结合SLIC和模糊聚类的遥感图像分割方法

超像素分割是目前用于遥感影像分割的研究热点,但它易产生过度分割的问题。为解决过度分割问题,提出一种简单线性迭代聚类(SLIC)结合快速FCM聚类算法(Fast fuzzy C-means,FFCM)的遥感图像分割方法。该方法首先用SLIC算法对初始影像进行预分割;然后使用FFCM对获取的超像素进行合并。本文将分形网络演化方法(FNEA)作为对比实验方法。实验结果表明,本文提出方法的分割结果与实际地物的相似度更高,抗噪性更好。提出分割方法的精度较FNEA算法相比均有所提高。研究成果可为遥感影像分割提供有效借鉴。     

一种融合光谱差异的空间约束模糊聚类的熵率超像素分割方法

针对高分辨率遥感影像中传统超像素分割方法存在过分割和边缘分割一致性的问题,选取五景高分辨率遥感影像,提出了一种融合光谱差异的空间约束模糊聚类的熵率超像素分割方法。首先,采用熵率超像素进行过分割,生成超像素过分割区域;然后,分析影像地物的空间信息,对比区域相似性;最后,采用空间约束模糊聚类和光谱差异进行区域合并,获取最终分割影像。定性和定量分析结果表明,该方法改善了过分割问题,能有效提高分割精度,使得分割影像的地物边缘一致性较优。     

高分辨率遥感影像的多特征多核ELM分类方法

针对高分辨率遥感影像地物分布复杂多变,利用ELM的快速分类性能,提出了一种ELM的多特征多核高分辨率遥感影像分类方法。首先利用多尺度分割算法将原始影像粗分为若干地物区域;然后依据区域合并准则对粗分割图像合并得到典型地物特征的对象信息,并提取分割对象的光谱特征与空间特征;最后以多种核函数加权组合的方式构建多核ELM对影像分类,获得最终的分类结果。实验结果表明,所提方法不仅降低了对目标训练样本的要求,同时还提高了分类的准确性、及时性和完整性。     

Spatial color histogram-based image segmentation using texture-aware region merging

We propose a new image segmentation method using spatial-color histograms that include the color and spatial information of a given image. Previous methods used a histogram with only the color information of the image or did not effectively suppress the texture components of the same object to form segmented regions, and they frequently led to the false merging of two different regions. Thus, these methods caused an over-segmentation result in the same object or an under-segmentation result in the regional boundary between two different objects. To resolve these problems, the proposed method performs a clustering that considers both color and spatial information of the image in the histogram domain and texture-aware region merging. Moreover, using a total variation-based regularizer that can remove the texture components in the same object and preserve the edge components between different objects, we improve the accuracy of region merging process that is applied to the result of the proposed histogram-based segmentation. Compared to the best results obtained using previous histogram-based methods, the proposed method achieved improvements of 0.02335 (2.910%), 0.0195 (3.977%), 0.05515 (2.431%), and 0.9639 (9.250%) in probability rand index, segmentation covering, variation of information, and boundary displacement error, which are the most widely used for segmentation evaluation metrics, respectively. Further, when compared to the state-of-the-art methods, which use the superpixel, iterative contraction and merging, and deep learning-based methods, the proposed method provides promising segmentation quality with fast operation speed.

     

Multi-scale energy optimization for object proposal generation

In this paper, we present an object proposal generation method by applying energy optimization into superpixel merging algorithms in a multiscale framework, which could generate possible object locations in one image. As images in object detection datasets always enjoy high diversity, we adopt two different energy functions with multi-scales. Thus, our method enjoys the strength of global search, which is strong in locating salient object by concerning the whole image at one merge iteration, as well as the strength of local search which is more likely to recall the un-salient instances. What’s more, unlike most superpixel merging algorithms that are based on diversified segmentation results, our approach takes advantage of robust edge detection and segments each image only once, which greatly reduces the number of proposals. Experiments on PASCAL VOC 2007 test set show that the proposed method outperforms most previous superpixel merging based methods and also could compete with state-of-the-art proposal generators.     

结合深度学习和超像元的高分遥感影像变化检测

目的 随着遥感影像空间分辨率的提升,相同地物的空间纹理表现形式差异变大,地物特征更加复杂多样,传统的变化检测方法已很难满足需求。为提高高分辨率遥感影像的变化检测精度,尤其对相同地物中纹理差异较大的区域做出有效判别,提出结合深度学习和超像元分割的高分辨率遥感影像变化检测方法。方法 将有限带标签数据分割成切片作训练样本,按照样本形式设计一个多切片尺度特征融合网络并对其训练,获得测试图像的初步变化检测结果;利用超像元分割算法将测试图像分割成许多无重叠的同质性区域,并将分割结果与前述检测结果叠合,得到带分割标记的变化检测结果;用举手表决算法统计带分割标记的变化检测结果中超像元的变化状况,得到最终变化检测结果。结果 在变化检测实验结果中,本文提出的多切片尺度特征融合卷积网络模型在广东数据集和香港数据集上,优于单一切片尺度下卷积神经网络模型,并且结合超像元的多切片尺度特征融合卷积网络模型得到的Kappa系数分别达到80%和82%,比相应的非超像元算法分别提高了6%和8%,在两个测试集上表现均优于长短时记忆网络、深度置信网络等对比算法。结论 本文提出的卷积神经网络变化检测方法可以充分学习切片的空间信息和其他有效特征,避免过拟合现象;多层尺度切片特征融合的方法优于单一切片尺度训练神经网络的方法;结合深度学习和超像元分割算法,检测单元实现了由切片到超像元的转变,能对同物异谱的区域做出有效判决,有利于提升变化检测精度。     

自然场景下多区域特征融合的混合航拍图像分割算法

混合图像分割算法所包含的两个部件中,初始分割不能形成低误分割率的过分割区域集,而区域合并存在缺少区域合并标号选择机制,且存在确定区域合并停止时刻的方式常不满足场景需求的不足。针对以上问题,提出一种基于多级区域信息融合的混合图像分割算法（MRIHS）。首先,使用改进的马尔可夫模型平滑超像素块,以形成初始分割区域;其次,在对初始分割区域进行相似性度量并选定待合并区域对后,利用设计出的区域标号选择机制来选定合并后的区域标号;最后,定义一种最佳合并状态以确定合并停止时刻。为验证MRIHS性能,在视觉对象类别（VOC）、剑桥驾驶标签视频数据库（CamVid）、自建的河湖巡检（rli）数据集上,将其与基于多维特征融合的混合图像分割算法（MFHS）、改进的基于区域合并的FCM图像分割算法（IFRM）、基于段间和边界均质性的混合图像分割算法（IBHHS）、基于多维色彩变换与一致性的混合图像分割算法（MCCHS）进行对比。结果表明：MRIHS在VOC、rli数据集上的边缘召回率（BR）、可达分割精准度（ASA）、查全率、重合率至少分别比其余算法提高了0.43个百分点、0.35个百分点、0.41个百分点、0.84个百分点;欠分割误差（UE）至少减少了0.65个百分点。在CamVid数据集上,MRIHS的查全率、重合率指标至少比其余算法提高了1.11个百分点、2.48个百分点。     

边界先验和自适应区域合并的显著性检测

为了对图像中的显著目标进行更精确的识别,提出了一种基于边界先验和自适应区域合并的显著性检测算法。采用超像素分割算法对图像进行过分割,把超像素看做图的一个顶点来进行构图;定位和消除错误边界,使背景基准集中存在很少的噪声,减小目标接触图像边界时造成的误检;采用单通道索引颜色直方图度量区域相似度并进行区域合并得到显著图。对比实验表明该算法相比其他算法取得了较高的查准率,说明了算法的有效性。     

图像和视频的低多边形渲染

低多边形是近来艺术设计界的热门风格.为了提高图像和视频低多边形风格化的质量,提出一种基于边缘特征和超像素分割的图像和视频低多边形渲染方法.首先提取相邻超像素的交点以及对特征边和超像素边界的差集的均匀采样点作为三角网格顶点,并执行Delaunay三角剖分来生成初始三角网格;然后采用带约束的二次误差度量方法对生成的网格进行...     

遥感图像多尺度分割算法与矢量化算法的集成

在遥感图像处理和分析软件中,图像分割/分类和矢量化是前后独立的过程:先分割/分类,再矢量化整幅图像。由于矢量化后得到的矢量文件未写入图像对象(区域、图斑)的特征信息,只能用于显示而不能用于后续操作。此外,处理复杂图像时还存在矢量文件多边形数目与分割/分类后图像区域数目不一致的问题。为此,将多尺度分割算法与矢量化算法进行一体化集成。对遥感图像进行多尺度分割得到图像对象链表,逐个对图像对象做矢量化处理,同时把特征统计信息写入多边形属性中。集成后不仅可保证矢量多边形数目与图像对象数目完全一致,而且由于特征统计信息已作为多边形区域的属性保存在多边形中,后续的多尺度分割、区域合并、空间关系操作等均可基于矢量多边形进行。     

基于超像素的点追踪方法

目的由于当前大多数的追踪算法都是使用目标外观模型和特征进行目标的匹配,在长时间的目标追踪过程中,目标的尺度和形状均会发生变化,再加上计算机视觉误差,都会导致追踪的失误。提出一种高效的目标模型用于提高追踪的效率和成功率。方法采用分割后提取的目标特征来进行建模表示外观结构,利用图像分割的方法,将被追踪的目标区域分割成多个超像素块,结合SIFT特征,形成词汇本,并计算每个词在词汇本中的权值,作为目标的外观模型。利用外观模型确定目标对象的关键点位置后,通过使用金字塔Lucas-Kanade追踪器预测关键点在下一帧图像中的位置,并移动追踪窗口位置。结果结合点位移的加权计算有效地克服目标尺度和形状变化产生的问题。结论实验结果表明在目标发生形变或光照变化的情况下,算法也能准确地、实时地追踪到目标。