一种高分辨率多光谱图像的多尺度分割方法

综合扩展的分水岭变换和分水线动态范围,提出了适用于高分辨率多光谱图像的多尺度分割方法。该方法首先计算多光谱图像的梯度,接着去除梯度图像上不相关的局部最小区域,然后计算分水岭的动态范围,通过设置不同的阈值,得到多层次（多尺度）分割结果。采用城市地区的高分辨率数据来评价所提出的方法,并与现有的图像分割方法进行比较。实验结果表明,该方法可生成多层次的分割结果,并较准确地分割出地物特征。分割结果反映了地物的多层次信息,为后续的面向对象分析提供了有意义的参考。     

基于分水岭与多尺度相结合的影像分割方法

分水岭分割是一种应用较广泛的影像分割方法,它能自动生成单像素宽度的封闭轮廓,但需要把影像分割成过多小区域,从而导致影像分割耗时且工作量大。本文就此提出一种分水岭和多尺度相结合的高分辨率影像分割方法。该方法首先运用分水岭方法对融合了亮度梯度和纹理梯度的综合梯度进行计算,然后将同质性度量值最小的区域对合并,最后结合改进区域邻接图进行区域合并。实验结果与基于分水岭和区域合并的影像分割算法得到的结果进行比较,证明该方法不仅能充分利用高分辨率遥感影像中地物的光谱、形状、纹理等特征,而且减少了计算时间。     

多尺度形态梯度和标记分水岭的时频谱图分割

时频谱图干扰强,目标之间、目标与干扰之间有重叠,其分割是重要而困难的问题.提出一种基于图像熵定义的时频谱图多尺度形态梯度图像融合方法,将该方法与标记分水岭分割结合形成一种基于多尺度形态梯度和标记分水岭的时频谱图分割方法.实验结果表明,与基于单尺度形态梯度和标记分水岭的分割方法相比,新方法实用性更强;与Otsu法相比,新方法分割更准确.     

基于改进分水岭算法的医学图像分割

医学图像存在病变区域和背景区域,病变区域是分割的重点。针对传统分水岭算法对噪声敏感和易于产生过分割的问题,提出了一种将形态学滤波、多尺度形态学梯度和控制标记符分水岭相结合的分割策略。首先利用数学形态闭-开运算完成预处理以滤除原始医学图像中的噪声和非感知信息。其次做闭运算以平滑图像,并对平滑的图像计算多尺度的形态学梯度。再次对形态学梯度图像进行重建,然后采用控制标记符的分水岭变换算法对重建后的梯度图像进行分割。最后将分割结果变换回原始尺度。仿真实验结果表明,这种改进的方法不但使经典分水岭算法中的过分割现象得到了很好的抑制,医学图像中的病变区域被有效分割出来;而且分割算法简单,同时具有多尺度的特点,能够适应医学图像分类与信息提取的需求。     

基于方向分水岭变换的遥感影像多尺度分割

传统分水岭变换通常对梯度影像进行变换,往往会出现过分割现象。本文针对传统分水岭变换算法的不足,提出了一个新的影像多尺度分割算法。其基本过程是：传统分水岭变换先对边缘影像进行区域提取,通过边缘方向的拟合并修正边缘的强弱,获取区域分割结果。最后,根据区域边界的强弱作为区域合并条件,获得多尺度的分割结果。本文利用航空影像进行验证,实验表明不同层次的分割结果能够较好地反映地物的尺度特性。     

基于分水岭变换及分层区域合并的城市高分辨率影像分割

针对城市区域高分辨率图像的特点, 以及传统的基于分水岭变换的图像分割方法中存在的过分割问题, 提出一种分割区域的分层合并方法来改进分割结果。首先采用多通道分水岭分割得到初始分割结果, 然后通过定量分析城市不同地物内部光谱变化性的特点, 对影像进行分层, 并对不同的层分别进行合并, 得到最终的分割结果。采用一景北京地区的QuickBird影像, 从目视评价、定量指标计算以及应用等3个方面, 对提出的方法进行验证和评价, 并与现有的分割方法比较。结果表明, 与现有方法相比, 基于分层区域合并的方法可得到更准确的分割结果, 适合城市高分辨率图像的分割。     

一种面向对象的遥感影像多尺度分割方法

高分辨率遥感影像中丰富的空间结构信息和地理特征信息提取需要在多种不同的尺度下进行,而传统的基于像素光谱特征的影像分割和单尺度影像信息提取方法在这方面存在明显的缺陷.基于区域的面向对象影像分析方法,为高分辨率遥感影像信息提取提供了新的思路,其关键的核心问题在于实现对高分辨率遥感影像的多尺度分割.本文提出了一种基于相邻影像区域合并异质性最小的面向对象多尺度分割算法.影像分割试验结果表明:该方法可以根据任意特定尺度下的影像分析任务或任意感兴趣尺度的地物目标,调整影像分割的尺度参数,从而获得特定尺度下感兴趣的影像区域(对象)作为后续面向对象影像分析和应用的基础.     

面向遥感监测的影像分割算法研究

传统分水岭变换通常对梯度影像进行变换,往往会出现过分割现象;本文针对传统分水岭变换算法的不足,提出了一个新的影像多尺度分割算法。其基本过程是：传统分水岭变换先对边缘影像进行区域提取,通过边缘方向的拟合并修正边缘的强弱,获取区域分割结果。最后,根据区域边界的强弱作为区域合并条件,获得多尺度的分割结果。本文利用航空影像进行验证,实验表明不同层次的分割结果能够较好地反映地物的尺度特性。     

一种基于光谱与纹理特征的多光谱遥感图像地物分类方法

基于光谱特征对高分辨率多光谱遥感图像进行地物分类易形成噪声,提出一种光谱特征与纹理特征相结合的地物分类方法。首先基于光谱特征与纹理特征利用四叉树技术,对图像进行分块处理,以图像块的方式提取地物的光谱特征和纹理特征,然后采用支持向量机(support vector machine,SVM)对图像块进行地物分类,并通过区域增长方法对边缘区域进行处理,使得分类区域边界清晰。对Quickbird多光谱遥感图像进行实验,实验结果表明,该方法地物分类结果精度较高、区域一致性强、噪声少。     

基于形态学梯度重构的高分辨率遥感影像分割方法

基于形态学梯度重构提出一种用于高分辨率遥感影像的分割方法.针对遥感图像的特点构建多形状结构元素,然后使用该结构元素对图像提取形态学梯度并进行开闭重构;根据人的视觉特征,对梯度的高对比度区域进行还原,用于保证较高的局部对比度;最后使用浸没式分水岭变换获得分割结果.对IKONOS影像进行分割实验,结果表明了该方法的有效性.     

军事地图等高线的识别与提取

针对纸制军事地图等高线的提取问题,运用图像处理、色度分析学和模式识别等理论,分析了扫描地图数据产生颜色误差的原因,并根据各颜色空间的模型特点,讨论了色彩空间转换的必要性.先用最大方差自动取阈法得到地图黑色要素层的单版图,再对阈值分割后的图像进行C-均值聚类,得到等高线(棕色要素)单版图,最后得到了分离的等高线图层.实验研究表明了方法的可用性和有效性.     

Robust Segmentation Method for Noisy Images Based on an Unsupervised Denosing Filter

Level-set-based image segmentation has been widely used in unsupervised segmentation tasks.Researchers have recently alleviated the influence of image noise on segmentation results by introducing global or local statistics into existing models. Most existing methods are based on the assumption that the distribution of image noise is known or observable. However, real-time images do not meet this assumption. To bridge this gap, we propose a novel level-set-based segmentation method with an unsupervised denoising mechanism. First,a denoising filter is acquired under the unsupervised learning paradigm. Second, the denoising filter is integrated into the level-set framework to separate noise from the noisy image input. Finally, the level-set energy function is minimized to acquire segmentation contours. Extensive experiments demonstrate the robustness and effectiveness of the proposed method when applied to noisy images.     

基于OpenCV的车辆轮廓检测

为了获得理想的车辆轮廓线,提出了一种基于开源计算机视觉库OpenCV的轮廓检测新方法。首先对图像进行形态学去噪、平滑滤波处理和二值化阈值分割等预处理,获得二值化黑白图像。然后通过轮廓提取和跟踪检测到车辆外轮廓线。在VC++6.0环境下,利用OpenCV编程实现了此方法。由实验结果看出,该方法可以较为理想地获得车身外轮廓线信息,既节省了预处理的时间,也保证了精度。     

GVF场的多层细胞神经网络实现及其在图像分割中的应用

提出了利用多层细胞神经网络实现梯度矢量流GVF场的方法,并与扩展、细化的细胞神经网络(CNN)相结合来实现动态轮廓的图像分割．细胞神经网络具有并行运算的能力,可解决传统串行算法复杂性大,不能实时处理的问题,并克服了梯度场作为CNN的外力驱动方法的局部最小问题。在图像处理过程中,外部图像由GVF信息引导,最后收敛到所期望的目标位置。结果表明,该方法在不同的输入图像条件下均获得了比Vilarino提出的方法更好的分割结果,并具有实时处理速度。     

一种基于灰度修正的心肌瘢痕阈值分割方法

将心肌瘢痕从心脏磁共振延迟强化图像中分离出来并进行定性定量分析,对缺血性心脏病患者的早期诊断和准确预后评估具有十分重要的意义.针对心脏左心室内外膜边缘周围常见的噪声容易导致心肌瘢痕错分的问题,构建了一种基于灰度修正的心肌瘢痕阈值分割方法.方法依次采用像素标记、影响力计算和灰度更新三个步骤对心肌区域进行灰度修正,然后结合OSTU算法对心肌瘢痕进行阈值分割.实验结果表明,本文方法较以往的心肌瘢痕分割算法更接近有经验医生的人工分割结果,有效避免了左心室内外膜边缘噪声可能导致的心肌瘢痕的错分.     

基于分水岭变换的图像分割方法

针对基于分水岭变换的分割算法通常存在过分割现象,提出了一种新的分割算法,采用形态学的运算去除噪声及背景像素的影响,搜索区域极大值点,将分割定位于目标图像,从而达到很好的分割效果,方法从消除过分分割及区域轮廓定位等方面均具有很好的分割效果．     

融合目标轮廓和阴影轮廓的SAR图像目标识别

针对合成孔径雷达图像目标识别问题,在基于图像成像模型分析基础上,提出了一种融合SAR目标轮廓和阴影轮廓的目标识别算法.首先提出了一种基于去控制标记符的SAR图像分割算法,得到SAR图像目标轮廓和阴影轮廓,然后用这2种轮廓融合,用傅立叶描述子将二维数据转为一维数据,最后用基于串接准则的融合算法得到识别结果,进行SAR目标识别.基于MSTAR的实验结果验证了本算法的有效性.实验结果证明:目标轮廓和阴影轮廓的结合,除反映本身包含的局部空间结构信息外,还能反映SAR目标的高度信息,较单一轮廓特征,是一种更为稳健的特征.     

基于多尺度模糊聚类与DGVF模型分割颈动脉超声造影图像

超声造影(contrast-enhanced ultrasound, CEUS) 图像在血管疾病诊断与治疗中有很高的应用价值, 其中通过提取颈动脉CEUS 图像中的血管边界对血管形态及弹性等属性进行测量具有重要意义. 由医生手工勾勒血管轮廓耗时耗力, 且重复性差、主观性强, 而传统计算机分割方法因受到图像中斑点噪声的干扰而存在鲁棒性差和初始化难两大问题. 首先, 结合多尺度模糊聚类方法与粒子群优化算法提取血管的粗略轮廓, 以此作为方向梯度矢量流(directional gradient vector flow, DGVF) 模型的初始轮廓; 然后, 对轮廓进行形变收敛至最终结果. 通过分割来自14例患者的48张颈动脉CEUS 图像的实验, 结果表明所提出的方法优于传统方法, 能自动、精确地提取颈动脉CEUS 图像中的血管边界.