融合区域和边界信息的水平集SAR图像分割方法

提出了一种基于区域和边界信息的水平集SAR图像分割方法。该方法根据SAR图像的区域统计特征和边界梯度信息,建立SAR图像分割能量泛函模型;通过最小化能量泛函得到曲线演化偏微分方程;采用水平集方法求解演化方程,实现了SAR图像的分割。分别采用模拟和真实SAR图像对该方法进行了仿真。实验结果表明,该方法能充分利用SAR图像特征,不需要去除相干斑噪声的预处理过程,实现了对图像中目标与背景的正确分割。     

基于参数化模型的水平集SAR图像多区域分割方法

提出了一种基于参数化模型的水平集合成孔径雷达（SAR）图像多区域分割方法。该方法采用改进的Edgeworth展开式自适应地对SAR图像统计信息进行拟合。由于无需预先估计SAR图像待分割区域的概率密度函数,因此该方法更适用于多区域分割。该方法根据分割区域数量,将改进的Edgeworth展开式嵌入到对应个数的能量泛函模型中,并给出水平集方法求解过程及数值实现方案,最终实现图像多区域分割。实验结果表明,同其他水平集方法相比,该方法能获得更高的分割精度,更适用于多区域分割。     

基于混合模型的多尺度水平集高分辨率SAR图像水体分割

针对高分辨率SAR图像水体分割,提出基于混合活动轮廓模型的多尺度水平集分割算法。首先利用ROEWA边缘指示函数加权的轮廓线长度能量项和区域信息项建立模型能量函数;然后引入距离正则项,避免水平集方法在演化求解时需要不断重新初始化的问题;最后采用多尺度处理策略,解决水平集分割算法收敛速度慢的缺点。实测高分辨率SAR图像实验结果表明,该算法可用于水体的精确分割。     

融合Ratio边缘信息的水平集SAR图像分割方法

提出了一种融合边缘和区域信息的变分水平集合成孔径雷达图像分割方法.该方法不需要去除相干斑噪声的预处理过程,利用具有恒虚警特性的Ratio算子提取合成孔径雷达图像的边缘信息,并与无边缘活动轮廓模型结合建立合成孔径雷达图像分割能量泛函模型,通过最小化能量泛函得到曲线演化偏微分方程,采用变分水平集方法求解演化方程,实现了合成孔径雷达图像的分割.分别采用模拟和真实合成孔径雷达图像对该方法进行了验证,实验结果表明,该方法实现了合成孔径雷达图像中目标与背景的正确分割,具有较好的边缘定位能力.     

一种新的用于图像分割的活动轮廓模型

为了从灰度异质图像中更好地提取目标,本文提出了一种新的图像分割方法,采用测地时间函数作为局部二值拟合模型的核函数,并结合图像区域的局部灰度信息和全局灰度信息建立能量泛函.同时,符号函数惩罚项的引入避免了符号函数的重新初始化,而曲线长度调整项则保证了曲线演化的连续性和光滑性.通过变分水平集方法最小化新的能量泛函,得到曲线演化的梯度下降流.通过对医学CT图像进行分割实验,证明了该方法的可行性和优越性.     

Dirichlet过程混合模型SAR图像分割算法

传统的合成孔径雷达(SAR)图像参数化有限模型都有其特定的物理背景或者数学假设,很难准确估计SAR图像中各地物的密度分布,为了解决这一问题,提出一种基于非参数化无限混合模型的SAR图像分割方法,该方法利用Dirichlet过程对SAR图像进行建模,进一步采用非参数化Bayes模型分割包含复杂地物目标的SAR图像。Dirichlet分布作为一种基于分布的分布可以确定不同类别的先验概率,由样本估计出密度函数来描述图像,从而可以更精确地分割各类地物。该算法在模拟图像与真实SAR图像上进行了比对测试,实验结果验证了Dirichlet过程混合模型SAR图像分割算法的有效性和稳健性。     

一种改进的C-V水平集遥感图像分割方法

针对遥感图像边界模糊分割难的问题,提出了一种改进的基于小波变换的C-V水平集分割方法提高其分割准确性.该方法首先使用小波变换得到原图像的高频分量,初步定位图像中高频信号的空间位置;然后根据高频分量的幅值及其空间分布,借鉴反锐化掩模法的思想,增强图像高频信号对水平集分割的指导作用,并优化驱动水平集演化的内、外能量及曲线长度约束能量.实验证明,运用该方法对遥感图像的分割结果比传统水平集方法更准确,能有效的利用局部信息提高水平集能量项的有效性和分割结果的准确性.     

基于水平集的人脑MR图像分割方法

为了更好地对解剖结构和形状复杂的非均匀分布人脑图像进行分割,在水平集Chan-Vese模型的基础上引入Otsu技术,给出了基于水平集的人脑磁共振(magnetic resonance,MR)图像分割方法.该方法利用Heaviside函数描述区域内图像分布信息,通过最大类间方差来反映区域间图像分布方差信息,2部分信息经融合后构建新的能量函数,以引导图像分割过程,最终得到所期望的人脑图像分割结果.采用2个数据集提供的人脑图像数据进行实验,结果表明:所提方法在相似性度量和正误率度量方面,与其他方法相比都有明显的优势,可以很好地实现人脑图像的分割.     

基于C-V模型无关曲率方向的快速分割算法

为提高图像分割的精度获取边缘更佳的分割图,提出结合无关曲率方向的边缘函数与无需重新初始化符号距离函数的基于C-V(Chan-Vese)模型的快速分割算法。针对在图像的同质区域中基于水平集的C-V模型不能正确分割出目标轮廓的缺陷提出优化方法。改进算法不依赖于水平集梯度信息进行活动轮廓曲线的演变,引入无关曲率的边缘函数并结合平均曲率运动方程以最小化长度能量项;并且在能量函数中增加了内能泛函项,以简化模型在局部需要重新初始化符号函数的步骤,提高运算速度。实验表明新算法能够演化出目标边缘曲线,准确分割图像,且运行耗时显著减少,收敛速度近似为几何活动轮廓C-V模型的1.2倍。     

快速的Otsu双阈值SAR图像分割法

在分析SAR图像的统计分布特征的基础上,根据SAR图像自动目标识别对SAR图像分割的要求,提出了一种适合SAR图像的Otsu分割算法。算法首先利用CFAR进行粗分割,然后利用Otsu进行细分割。实验结果表明,该算法分割准确且计算量小,客观评价值较高。     

基于半隐差分的单参数水平集快速分割

针对传统水平集方法的模型中参数过多以及分割速度较慢的问题,提出一种新的快速水平集图像分割方法.该方法在Chan-Vese模型中引入惩罚函数项,用水平集函数梯度的模取代Dirac函数并只保留一个长度项中的参数,构造无须重新初始化且具有全局优化的新模型.算法的数值演化中新的半隐有限差分格式的构造缩短了每次迭代时间,而停止迭代判定式的引入提高了分割效率且得到了单参数取值规律.对合成图像、医学图像和视频图像的实验结果表明,该方法迭代步数少,使得分割快速、准确,能够满足视频跟踪的稳定和实时性需求.     

基于SFCM及水平集方法的溢油图像分割

传统的单一模糊聚类算法（FCM）适用于无噪声图像的分割,而对于具有噪声、特殊点值及瑕疵的图像分割则无能为力。本文提出了应用嵌入空间信息的模糊聚类算法（SFCM）与水平集方法的结合,对海洋溢油污染的合成孔径雷达（SAR）图像进行分割处理,得到了优于其它算法的分割图像。通过对SAR溢油图像分割的数据分析,验证了算法的有效性。     

姿态图像缺失情况下的SAR目标识别

针对目标姿态图像缺失的情况,提出通过姿态图像合成的方式增加训练集的姿态覆盖程度,并将扩充后的图像也用于训练目标分类器.受稀疏表示模型的启发,建立了一种合成孔径雷达图像姿态合成模型.该模型根据少量已知姿态的图像,线性组合出缺失姿态下的近似图像.在运动和静止目标获取与识别数据集上的实验表明,通过合成缺失姿态下图像的方法可有效提升目标识别的精度,特别是在训练数据集中姿态缺失严重时,文中方法提升尤为明显.     

基于正则化方法的SAR图像分割及目标边缘检测算法

为了准确地分割图像并获取清晰、连续的边缘特征,在系统分析正则化技术的基础上,提出了一种基于正则化技术的SAR图像分割及目标边缘检测算法。该算法首先利用一种改进的正则化方法对SAR图像进行预处理,然后分析图像的统计特性,利用阈值化技术获取SAR图像的目标区域和阴影区域,最后通过加窗处理技术对分割后的目标区域进行边缘特征提取。并用MSTAR数据进行大量的仿真实验,结果表明,与经典的边缘检测方法相比,该方法在获取良好的分割结果的同时能更精确、更完整地检测出目标的边缘特征。     

一种有效的SAR图像目标识别方法

根据不变矩特征提取和支撑矢量机分类的优势,提出了一种有效的SAR图像目标识别方法.首先对样本SAR图像进行预处理。然后提取目标区域的不变矩特征并计算灰度均值,将其组成特征向量训练SVM分类器,最后用训练好的SVM分类器对要识别的SAR图像进行目标识别.采用该方法对一些含有桥梁和坦克的SAR图像进行目标识别实验,取得了较好的识别结果.     

一种深度神经网络SAR遮挡目标识别方法

提出了一种利用深度神经网络的合成孔径雷达图像部分遮挡目标的特征提取和目标识别新方法.该方法首先对合成孔径雷达图像进行预处理,然后提取预处理后合成孔径雷达目标的小波域低频子带图像作为训练数据,最后利用深层稀疏编码模型进一步提取合成孔径雷达遮挡目标的有效特征向量作为目标的特征以完成目标识别.采用MSTAR数据库中的3类目标进行目标遮挡模拟及识别实验.结果表明,新方法可以综合利用遮挡目标的局部和整体结构信息以提高目标的正确识别率,是一种有效的合成孔径雷达遮挡目标特征提取和目标识别方法.