基于Contourlet域HMT模型的多尺度图像分割

基于Contourlet系数分布统计特性,结合隐马尔可夫树（HMT）模型和贝叶斯准则提出一种新的图像分割算法.为了更有效保持Contourlet域不同尺度间的信息,提出一种新的加权邻域背景模型,给出了基于高斯混合模型的象素级分割算法和基于新的背景模型的多尺度融合算法.分别选择合成纹理图像、航拍图像和SAR图像进行实验,并与小波域HMTseg方法进行比较以说明算法的有效性.对合成纹理图像给出错分概率作为评价参数.实验结果表明本文方法不但在边缘信息和方向信息保持上有明显改进,而且错分概率明显降低,对真实图像得到了理想的分割效果.     

基于广义高斯分布的视频运动目标快速检测算法

提出一种基于熵能和广义高斯分布的运动目标检测算法.通过自适应的局部阈值选取算法获得与图像中不同区域噪声相匹配的分割阈值.使用均值法构造背景图像并使用减背景法得到差分图,根据熵能原理利用背景图像序列的差分图获取分割阈值的训练样本,采用广义高斯分布模型描述得到的样本,通过分析广义高斯分布的尺度参数对检测结果的影响来获取合适的尺度参数,并通过计算样本落于分割阈值内的概率得到合适的分割阈值.实验结果表明,该算法在运动目标检测效果和运行时间方面都有好的性能.     

基于SVM能量模型的改进主动轮廓图像分割算法研究

为克服经典主动轮廓模型曲线内外区域能量定义在复杂目标与背景分布情况下的不足,本文将高效的支持向量机有监督学习分类器引入基于Mumford-shah模型的主动轮廓图像分割算法中,提出了基于SVM能量模型的改进主动轮廓图像分割方法.该方法首先利用支持向量机的分类结果对于封闭曲线的内外区域分别构造了一种新的图像能量表示方法,因为分割过程充分利用了有监督学习策略,使得本文提出的算法具有更高的稳定性和更加广泛的适用范围,特别是对目标灰度分布不均或存在多纹理的目标也可以得到较好的分割结果.分割时,首先利用SVM实现粗分割得到目标初始轮廓,然后利用改进的Mumford-shah主动轮廓模型进行精确分割,采用粗分割策略一方面可以大大提高分割速度,另一方面也可以提高了算法的自动化程度.对比实验结果表明本文提出的算法具有更大灵活性和更好的分割性能.     

基于最大后验概率的SAR图像目标分割算法

文中使用最大后验概率(MAP)分类方法实现合成孔径雷达(SAR)图像目标分割,并与基于偏微分方程(PDE)的各向异性扩散(AD)过程结合起来,使MAP分类准则得到更好的分割结果。AD过程是作用在后验概率上的空域滤波器,具有高效、精确和简洁的优点,并对图像数据的分布特性具有很强的适应性。这种方法需要先将图像从灰度域转化到后验概率域,因此需要对像素灰度分布进行条件概率分布建模,并进行参数估计。文中巧妙的使用有限混合高斯分布模型来逼近条件概率分布,并用期望最大化(EM)方法用来实现参数估计。在引入这种新奇的混合高斯分布模型后,基于MAP-AD的分割算法对地面SAR图像获得了很好的分割结果并对图像灰度分布具有很强的鲁棒性。     

基于梯度卷积的激光光斑图像分割

为解决传统方法对存在背景噪声干扰的光斑图像分割效果不理想的问题,设计了一种基于梯度卷积的光斑图像分割算法。首先对光斑、背景、噪声的空间灰度分布特性进行分析。而后根据目标与干扰在空间灰度梯度分布特性的差别,构造适应目标尺度的梯度卷积模板,与光斑的梯度图进行卷积,从而在增强光斑特性的同时抑制了背景干扰及噪声。最后,在噪声抑制图像的基础上结合阈值分割和目标特性判别得到最终的分割结果。通过与传统光斑分割算法进行对比实验发现,该算法抗噪能力更强,有效解决了背景与噪声干扰下光斑目标的分割问题。     

基于三维纹理分割的高光谱图像异常检测

一幅复杂背景的高光谱图像可以看成是由不同纹理组合而成,纹理的统计特性可以近似用高斯分布来描述。采用纹理分割实现复杂背景的分解,从而突破异常大小和形状的限制。采用三维高斯马尔科夫场来描述高光谱图像背景的分布特性,利用最大似然估计得出模型参数,以此参数为特征进行纹理分割,在各纹理上计算像素的统计特性,进行异常检测。     

基于MRF模型和形态学运算的SAR图像分割

针对目标监测分析中的SAR图像分割问题,构造了一种基于马尔可夫随机场(MRF)模型和形态学运算的处理方法.首先利用SAR图像邻域空间上的马尔可夫性以及像素灰度的高斯分布模型,以较少的迭代次数实现了SAR图像的初分割;然后通过形态学运算进行处理,抑制干扰性分割,同时填充目标区域内部空洞,改善分割效果.实验结果显示,该方法...     

一种基于纹理分割的遥感图像目标探测算法

提出了一种基于纹理分割的遥感图像目标探测算法(TBAD).将一幅图像分割成一系列的纹理,进而分析像素值在纹理上的分布特性.假设背景像素值在各个不同的纹理上可以用高斯分布描述,则各个纹理上远离高斯分布的像素点便是可能的目标点.TBAD估计背景的统计特性是在分割以后的纹理上进行的,因此可以探测任意大小和形状的目标.试验结果进一步验证了算法不论对于扩展目标还是弱小目标都具有很好的探测性能.     

基于选择性多分辨率Kohonen网络的自适应灰度图像分割方法

针对多阈值分割中存在的问题,提出一种新的基于测量空间的空间聚类方法,即基于选择性多分辨率Kohonen网络的自适应灰度图像分割方法.算法的优点在于不需预知图像分割级数,而能够动态地根据图像局部特性决定.实验证明该方法具有良好的适应性.     

MCA-Net:多尺度综合注意力CNN在医学图像分割中的应用

医学图像自动分割技术具有辅助临床医学诊断的功能.为改善CNN模型在医学图像分割中存在感受野小及细节特征不敏感等问题,基于多尺度策略以及注意力机制,提出一种多尺度综合注意力的U形网络架构,以提升医学图像分割质量.首先,提出一个新的双路径因式分解多尺度融合块,以扩展图像特征的感受野,进一步提取图像特征的细节信息.其次,在架构中融入通道和空间融合自注意力块,利用注意力机制的特性,抑制不相关的部分或背景以突显深层特征的空间信息.最后,引入多尺度注意力块.该模块通过融合多个尺度的特征信息,以突出不同尺度中最显著的特征图来适应当前分割对象的大小.为验证模型的可靠性,将所提出的网络模型应用于肺部、细胞轮廓及肝脏等医学图像分割任务.实验结果表明,所提方法在准确率、Dice系数、AUC及灵敏度等评估指标上均优于目前用于医学图像分割的主流方法.     

稳健的预分析多直线全局运动估计方法

本文提出了RTSG图像预分析和多直线全局运动估计方法,该方法首先根据光流场方程得到RTSG图像,并对RTSG图像进行预分析以去除图像中的外点和确定全局运动模型,然后提取多个直线特征元,利用直线特征元估计局部运动参数,最后用局部运动参数和与之相关的权值进行全局运动估计。     

低秩遮挡图像去噪方法

为获得清晰的低秩图像,提出一种将低秩矩阵填充 (LRMC)与低秩矩阵恢 复(LRMR)联合的新模型,基于非精确增广拉格朗日乘子(IALM)法进行求解,运用LRMC去除遮 挡并填充缺失部 分,再利用LRMR去除噪声,得到完整的图像。以恢复时间、信噪比(SNR)、峰 值信噪比(PSNR)、差错率(err)等做评价标准,对3幅受噪声污染的图像的恢复结果表明, 本文提出的联合LRMC与LRMR的新模型,既能去除遮挡又能够填充图像的缺失部 分,能够达到理想的恢复效果。     

基于活动轮廓和Gabor滤波器的细胞分割

将Tony F Chan提出的基于曲线进化、Mumford-shah泛函和level set技术的没有边界泛函的活动轮廓模型与Gabor滤波器相结合,利用Tony F Chan提出的不依赖于边界梯度的活动轮廓能够检测出边界梯度较弱的物体边界与Gabor滤波器能在不同方向和频率增强图像的特点,先对原始细胞图像进行不同角度、不同频率Gabor滤波从而在不同方向增强细胞边界削弱细胞内部信息,然后把不同方向滤波后的图像融合以得到边界增强噪声减少的图像,最后在该图像上应用活动轮廓取得了较好的分割效果.     

基于图像分解的稀疏正则化多区域图像分割方法

针对图像具有不同特征的成分,提出一种基于图像分解的多区域图像分割模型和算法.首先将图像分解项引入到图像分割模型中,递减了纹理和噪声对分割的影响;其次使用稀疏正则化方法保持分割区域的边缘几何结构;最后基于增广Lagrange乘子法,给出一种由扩散流引导的小波迭代阈值图像分割算法.一系列实验结果表明,提出的方法抗干扰能力强,对噪声具有更好的鲁棒性.提出的方法不仅能够分割结构图像,并且能够分割较复杂的纹理图像.     

用无需选取参数的Unit-linking PCNN进行自动图像分割

脉冲耦合神经网络（PCNN-Pulse Coupled Neural Network）是一种有生物学依据的人工神经网络，它可有效地用于图像分割。基于PCNN的图像分割效果取决于PCNN中各参数的选择。然而，图像分割时，各种不同的图像对应的PCNN参数是不同的，而PCNN参数的选择是困难的。本文提出了一种基于Unit-linking PCNN的图像分割新方法，解决了PCNN图像分割参数选择的难题。用本文提出的新方法可有效地自动分割各种图像，而无需考虑PCNN参数的选择，这对于PCNN的理论研究和实际应用有重要的意义。     

暗原色先验图像去雾算法研究

为了减小有雾天气对户外成像系统尤其是航拍视觉系统成像的影响,提出了一种新颖快速的基于暗原色先验和雾天图像退化模型的图像去雾方法.结合航拍图像特点,对原暗原色先验去雾箅法做了优化和改进.选取一系列户外带雾图像进行大量实验,结果表明,该方法能从物理特性上快速明显的去除雾的干扰,提高图像的清晰度,增强图像色彩和细节,复原得到...     

Contextual aerial image categorization using codebook

Effective categorization of the millions of aerial images from unmanned planes is a useful technique with several important applications. Previous methods on this task usually encountered such problems: (1) it is hard to represent the aerial images’ topologies efficiently, which are the key feature to distinguish the arial images rather than conventional appearance, and (2) the computational load is usually too high to build a realtime image categorization system. Addressing these problems, this paper proposes an efficient and effective aerial image categorization method based on a contextual topological codebook. The codebook of aerial images is learned with a multitask learning framework. The topology of each aerial image is represented with the region adjacency graph (RAG). Furthermore, a codebook containing topologies is learned by jointly modeling the contextual information, based on the extracted discriminative graphlets. These graphlets are integrated into a Bag-of-Words (BoW) representation for predicting aerial image categories. Contextual relation among local patches are taken into account in categorization to yield high categorization performance. Experimental results show that our approach is both effective and efficient.     

基于迁移学习SAE的无人机目标识别算法研究

无人机在复杂战场环境下,因敌我双方无人机外形、颜色等特征较为相似,如何准确地对敌方无人机识别是实现其自主导航及作战任务执行的关键。由于受敌方无人机飞行速度、形状、尺寸、姿态等的改变及气象环境因素的影响,无法准确地对其进行识别与分类。针对这一问题,提出基于迁移学习卷积稀疏自动编码器（Sparse Auto-Encoder,SAE）实现对航拍多帧图像中敌方目标对象的识别与分类。算法首先借助SAE对源领域数据集中大量无标记样本进行无监督学习,获取其局部特征;然后,采用池化层卷积神经网络（CNN）算法提取目标图像全局特征;最后,送入Softmax回归模型实现目标对象的识别与分类。实验结果表明:与传统非迁移学习的SAE算法及基于底层视觉特征学习的识别算法相比,该算法具有更高的准确性。     

基于深度学习的航空对地小目标检测

针对航拍图像中对地小目标识别率低、定位效果差的问题,提出了一种基于深度学习的目标检测算法。该算法利用VGG16网络作为微调网络,并添加部分深层网络,通过提取目标浅层特征与深层特征进行联合训练,克服检测过程中定位与识别相互矛盾的问题。提出把奇异值分解技术应用于卷积特征压缩处理,降低模型的计算与存储需求,并且采用多尺度训练方法以适应航空目标尺度的变化。实验结果表明,在通用数据集PASCAL上可以实现0.76mAP,检测速度达16fps,在专用航空目标数据集UCAS-AOD上可以实现0.63mAP,检测速度达18fps。基本满足对小目标检测精确度的要求,并且检测速度可以接近实时检测效果。     

基于SAR子孔径序列图像配准的海洋动态信息获取

合成孔径雷达(SAR)在海洋遥感中发挥着重要的作用。海洋的动态信息如洋流的运动和海浪的传播等是海洋信息中的重要组成部分。但是通常的SAR海洋图像信息处理是将SAR图像作为海面的瞬时状态进行处理,无法获取海洋的动态信息。该文采用子孔径分割的方法获取海面的具有连续时间间隔的序列图像,通过改进的相位相关法对序列图像间的对应部分进行亚像素级配准,获取了海面各个部分的海浪纹理信息运动的速度大小和方向。仿真实验表明改进的配准方法具有1/10像素精度和极强的噪声鲁棒性。对序列图像间相同的舰船目标,分别采用该文提出的配准法与较成熟的"尾迹法"计算的舰船速度基本一致,证明了该文方法的有效性。