高分辨率影像中城区树冠多尺度聚类识别方法

提出一种约束均值漂移方法,对高分辨率影像中的城区树冠进行提取。该方法首先进行小波分解,建立小波金字塔结构,用特定窗口,对每一层小波的低频系数计算均值,同时对其高频系数计算标准偏差,在每一层,用这些均值和标准偏差构成特征空间,最终构成多尺度金字塔影像特征空间;然后,从金字塔顶层开始,逐层进行均值漂移计算,并在层间进行尺度传递,由于尺度传递可能造成特征空间更加不平滑,所以本文采用约束均值漂移方法进行聚类,实现城区树冠初步聚类分割。最后,由于特征空间的特征可区分性很难保证在区域边缘处的聚类精确性,所以本文进一步采用基于聚类特征的监督分割方法提取树冠。实验结果表明,与传统的直接监督方法以及非监督方法相比,该方法能较好地消除高分辨率导致的影像高度细节化等因素对城区树冠提取的影响,具有很强的实用性。     

基于局部相似性测度的SAR图像多层分割

针对谱聚类算法计算复杂度高,不适用于合成孔径雷达图像分割的问题,利用谱聚类算法与权核k均值之间的等价性,提出一种基于局部相似性测度的SAR图像多层分割算法．首先提取图像中每个像素的小波纹理特征,利用每个像素点的纹理特征计算各自的局部尺度参数,进而构造像素点之间的邻接关系,然后利用最近邻规则对此邻接关系进行逐层合并,进行基础聚类和逐层细化实现像素点聚类,最终得到图像的分割结果．对人工纹理图像和SAR图像的分割结果表明了新算法避免了传统谱聚类算法对尺度参数的敏感性,获得了更优的分割性能．     

EM算法在纹理织物图像分割中的应用

提出了一种基于多特征值高斯混合模型（Gaussian Mixture Model）期望最大化（Expectation Maximization,EM）聚类的图像分割算法.该算法采用YCbCr彩色空间提取每个像素点的颜色特征,选择像素点邻近的一个方块计算每个像素点的纹理特征,然后采用基于高斯混合模型的EM算法对图像每个像素进行聚类,根据聚类结果进行区域合并得到纹理织物图像分割的最终结果.通过和其他分割算法进行对比,此算法具有较好的分割效果.     

结肠镜图像自动分割技术研究

提出了一种融合颜色、亮度、空间距离和纹理等特征的彩色结肠镜图像分割新算法.纹理特征采用一组Gabor滤波器对原始图像滤波后计算得到的分形维特征.利用基于元素问相似性的随机聚类方法对特征空间进行聚类.通过对图中的切割进行采样,自动获得最佳的类别数目,算法复杂度较低,其随机特性使得它具有抗噪声的鲁棒性.对多幅结肠镜图像进行分割实验,结果证实了该算法的有效性.     

基于稀疏矩阵的谱聚类图像分割算法

在图像分割中谱聚类算法需要计算像素之间的相似度矩阵,构造数据量大,并且要对拉普拉斯矩阵进行特征分解,计算比较耗时。针对这一问题,提出了一种基于稀疏矩阵的谱聚类图像分割算法。算法结合图像特征信息在不同尺度上对谱聚类进行误差分析,设计了一种新的样本信息选取方案,并利用选取的图像信息直接创建稀疏相似度矩阵。理论分析以及图像分割实验结果表明,该算法能够有效降低谱聚类的计算复杂度,同时,提高了分割的准确性和鲁棒性。     

联合像素与多尺度对象的高分辨率遥感影像谱聚类分割

建立了融合多尺度信息的图模型,同时,为了顾及对象的局部统计特性,改进了基于对象的顶点间相似度计算方法。在图模型的基础上完成相似矩阵计算,并使用归一化分割准则对相似矩阵特征进行分解,将原始数据映射到低维子空间。最后,对特征筛选后的子集使用聚类算法完成影像分割。为了验证本文方法的有效性,选取高空间分辨率遥感影像进行实验并与目前分割精度较高的算法做定量化对比。实验结果表明:在4项实验指标中,除一项基本持平外,其他3项指标优于其他算法,证明了本文方法在高分辨率遥感影像分割中的有效性。     

图像分割的分层处理方案

提出了一种分层处理的图像分割方案，该方案将分割过程分为两步：第一步，在低分辨率的条件下运用二维otsu阈值化方法对图像进行粗分割；第二步，在精细分辨率的条件下采用模糊C－均值算法对图像进行细分割，同时将第一步所得的结果融入第二步，以避免细分割中为求聚类中心所做的大量计算。实验结果表明，这一方案有利于提高分割质量和缩短分割时间。     

基于 CBERS-02B 高分辨率遥感影像分割的最优尺度选取

高分辨遥感影像的信息提取对矿山的监测有着重要意义,影像分割是高分辨率遥感影像信息提取关键的一步. 文中以赣州稀土矿山的高分辨率遥感影像为源数据,采用分形网络演化多尺度分割算法对高分辨率遥感影像进行分割,通过 Robert 算子的边缘提取结果计算分割参数获取分割尺度,并在此基础上设置不同分割尺度对影像进行分割,对比分析分割结果表明,沉淀池的最优分割尺度为 35. 最后利用分割质量值对分割结果进行评价分析,验证了试验结果的正确性.     

基于CBERS-02B高分辨率遥感影像分割的最优尺度选取

高分辨遥感影像的信息提取对矿山的监测有着重要意义,影像分割是高分辨率遥感影像信息提取关键的一步．文中以赣州稀土矿山的高分辨率遥感影像为源数据,采用分形网络演化多尺度分割算法对高分辨率遥感影像进行分割,通过Robert算子的边缘提取结果计算分割参数获取分割尺度,并在此基础上设置不同分割尺度对影像进行分割,对比分析分割结果表明,沉淀池的最优分割尺度为35．最后利用分割质量值对分割结果进行评价分析,验证了试验结果的正确性．     

盐渍土自动分类方法研究

盐渍土在Landsat ETM＋多光谱图像上表现出复杂的图像特征,为实现其自动分类,组合使用了光谱、几何形状和纹理特征等多种特征.首先采用传统的光谱和几何形状特征分析分割出大部分非盐渍土地物,然后提出了一种用于多光谱纹理分析的ICA多尺度纹理算子,对分割后的图像进行纹理区域分块,最后在每块区域中进行基于光谱特征的盐渍土聚类.试验结果表明该方法能够实现多光谱图像中盐渍土的区域分割及类别划分.     

免疫克隆优化聚类技术

将人工免疫系统中的克隆选择优化应用于无监督分类与识别问题,提出了一种新的免疫克隆聚类算法.该算法利用克隆算子能够同时在同一父代抗体周围的多个方向进行全局或局部搜索,促使种群中抗体快速进化,从而在特征空间内快速获得聚类问题的全局最优聚类中心,有效克服了经典聚类算法易陷入局部极值的缺点,并从理论上证明了该算法具有全局收敛性．对7个人工数据集的聚类实验和两幅纹理图像的分割实验表明:新算法比常用的K均值算法的平均分类精度高20.9％,比另一种基于遗传算法的聚类方法的平均分类精度高20.3％．     

一种基于共生矩阵的多分辨率纹理分割算法

当前常用的纹理特征描述方法多是以统计学为基础的,主要缺陷在于其纹理特征的提取尺度比较单一。为了弥补这个不足,本文提出了一种模型化了的统计的多分辨无监督纹理分割算法,并基于灰度层共生矩阵使之得以实现。实验结果表明在错误识别率上基于灰度层共生矩阵的一般的分割算法比本文所的述算法要高。     

基于面积和结构特征的水表图像二步分割方法

针对在水表图像中对指针进行分割提取这一问题,提出了一种基于面积和结构特征的水表图像二步分割方法;介绍了该分割方法的思路和分割过程;详细阐述了构成该分割方法的基于结构和灰度特征的哈夫变换分割算法和基于面积特征的阈值分割算法。通过实例,给出了采用该分割方法对水表图像进行分割的效果。     

基于SVM的SAR图像分割方法

先去噪再分割的SAR图像分割方法会损失有用的纹理信息,因此本文给出了一种直接对含噪SAR图像进行分割的方法.首先利用小波变换提取SAR图像的纹理特征,计算图像的灰度均值作为图像的灰度特征,然后用完全无监督的聚类算法进行分类,最后将特征值与类别标记作为支持向量机的训练样本,用训练后的分类器对图像进行分割.实验结果表明:本文所给出的方法在分割的准确性和抗噪性方面都优于几种有代表性的分割方法.     

协同视觉信息与标注信息图像聚类

针对如何有效地利用图像视觉信息与标注信息进行图像聚类的问题,提出了一种基于视觉单词与标注单词共生的聚类算法.在视觉特征空间,采用K-means算法对图像聚类,得到表征图像视觉信息的视觉单词,即聚类中心.在图像标注字空间,计算各聚类中心下标注单词的统计分布,建立视觉单词与标注单词共生矩阵,进而针对图像提取嵌入有视觉信息的标注词特征LDA(latent dirichlet allocation)主题模型作为最终聚类算法完成图像的聚类.通过对Pascal VOC 2007标注图像数据库进行的实验仿真以及对比试验结果表明,基于视觉单词与标注单词共生的聚类算法可以有效地利用图像的视觉信息与标注信息的互补特性,提高聚类算法的性能.     

基于纹理差异视觉显著性的织物疵点检测算法

由于织物图像纹理多样化及疵点类别较多,为了更有效地检测织物疵点,结合织物图像特性及借鉴人类视觉感知机理,提出一种基于纹理差异视觉显著性模型的织物疵点检测算法。该算法首先对图像进行分块,计算各个图像块LBP（local binary pattern）纹理特征,与图像块平均纹理特征的相似度比较,进行显著度计算,从而有效突出了疵点区域。最后利用改进阈值分割算法,实现对疵点区域的定位。通过与已有视觉显著性模型进行比较,得出该算法更能有效地突出疵点区域;同时,分割结果与已有织物疵点检测算法相比发现,该算法具有更强的疵点检测及定位能力。     

基于试探的未知类别聚类的识别算法应用研究

聚类算法是数字识别的热点研究技术之一,是一种寻找特征相似的聚合类非监督学习的方法.采用聚类法在vc++6.0环境进行手写体数字识别系统设计.通过图像的分割与特征提取,模式相似性测量和聚类的分析完成识别工作.结果表明基于试探的聚类识别算法的手写数字识别系统识别率达到100％,满足实际应用需求.     

Biomedical Image Processing Using FCM Algorithm Based on the Wavelet Transform

An effective processing method for biomedical images and the Fuzzy C-mean ( FCM ) algorithm based on the wavelet transform are investigated. By using hierarchical wavelet decomposition, an original image could be decomposed into one lower image and several detail images. The segmentation started at the lowest resolution with the FCM clustering algorithm and the texture feature extracted from various sub-bands. With the improvement of the FCM algorithm, FCM alternation freqneney was decreased and the accuracy of segmentation was advanced .