基于多尺度判别模型的复杂背景学习

智能监控系统中的一个关键问题是在图像序列中准确检测前景目标,但在复杂背景中,这仍然比较困难.将前景检测作为标记问题来处理,提出一种基于多尺度的判别模型,用来学习复杂背景.首先,通过基于像素的方法得到静态背景和运动目标;然后利用一组高斯滤波器组作用于不同的图像空间得到一系列的响应,在图像序列中估计这些响应的概率密度作为特征池,运用AdaBoost算法在特征池中挑选弱分类器组成强分类器,通过分类器获得运动目标中每个像素属于真实前景的置信度;最后,结合前景和背景的时空一致性,利用图分割求解马尔可夫随机场,获得准确的前景.实验结果表明提出的方法能很好地适应各种复杂背景.     

面向变化检测的SAR图像超像素协同分割算法

针对面向对象的合成孔径雷达(synthetic aperture radar, SAR)图像变化检测中存在的多时相图像边界和空间对应关系不一致的问题,提出了一种面向变化检测的SAR图像超像素协同分割算法。首先,分别计算两幅不同时相SAR图像中两个像素点之间的强度相似度,并进行加权组合得到新的像素强度相似度。其次,对两幅不同时相的SAR图像及其对数比值图分别进行边缘提取,以同一像素位置的最大边缘值构造二值边缘图。最后,以融合了像素强度、空间距离和边缘信息的相似度代替CIELAB彩色空间相似度,利用改进简单线性迭代聚类算法对多时相SAR图像进行超像素分割,得到边界准确、空间对应的协同分割结果。基于一组仿真和一组实测多时相SAR图像的协同分割实验结果表明,该方法的边缘贴合率、欠分割误差和可达分割准确率均优于其他4种经典方法。     

基于Wishart距离和超像素的极化SAR图像车辆检测

针对极化合成孔径雷达(synthetic aperture radar, SAR)在城市区域复杂地物条件下的密集车辆目标检测问题, 提出了一种结合超像素分割和Wishart分类器的非监督目标检测方法。首先，根据不同地物的极化散射特征检测出建筑物。然后，利用不包含建筑物的Wishart分类器和超像素分割获得目标的形态信息。接着，利用包含建筑物的Wishart分类器获得目标中心点。最后，通过区域生长对二者进行信息融合并完成目标检测任务。基于X波段的机载极化SAR数据表明, 所提算法不仅可以对密集目标进行区分和定位, 并且目标形态保持完整; 相比于传统方法, 目标检测与虚警鉴别性能得到较大提升。     

一种改进的基于SVM的SAR目标及阴影图像分割方法

提出了一种基于支持向量机(support vector machine, SVM)的合成孔径雷达(synthetic aperture radar, SAR)目标及阴影图像的改进分割方法。利用分类的思想对SAR图像进行分割,其中分类器是通过循环不断更新训练样本的方式完成训练,循环次数由计算相邻两次分割图像熵的差值来控制。用DARPA (defense advanced research project agency)和Sandia实验室提供的实测数据进行分割实验。结果表明,所提算法得到的分类器性能更加优越,同时能够减少初始分割中阈值的选取对分类器性能的影响,有效地提高了SAR目标及阴影图像的分割质量。     

基于模糊积分的图像分割算法融合

提出了一种基于多分类器融合的阈值分割方法,采用模糊积分将多种阈值分割算法的结果进行融合,其区别于现有分类器融合算法之处在于,融合过程不仅取决于各个分类器(分割算法)的判决输出,而且与各个分类器的判决能力有关。各个分类器的判决能力用模糊测度表示,它可以解释为单个分类器判决对最终融合判决的重要程度。通过使用一组手工分割的测试图像进行算法评估,结果表明,所提出的融合算法性能不仅优于单个阈值分割算法,而且优于基于多数表决和算术平均的分类器融合算法。     

基于SNIC的双时相SAR图像超像素协同分割算法

针对面向区域的合成孔径雷达(synthetic aperture radar, SAR)图像变化检测方法中存在的双时相图像边缘和空间对应关系不一致的问题, 提出了一种基于简单非迭代聚类(simple non-iterative clustering, SNIC)的双时相SAR图像超像素协同分割算法。首先, 构造一幅包含双时相SAR图像特征的融合图像, 计算待处理像素点到聚类中心的像素强度相似度和空间距离相似度。其次, 采用一种高效的多尺度弱边缘检测算法, 对双时相SAR图像分别进行边缘检测并融合边缘检测结果。最后, 将像素强度相似度、空间距离相似度和边缘信息进行加权以替代原始SNIC算法中的距离测度, 实现对SAR融合图像的超像素分割, 得到与双时相SAR图像中真实地物边缘均贴合的协同分割结果。基于一组仿真和一组实测双时相SAR图像的超像素协同分割实验结果表明, 该算法的边缘贴合率、欠分割误差和可达分割准确率均优于其他7种经典方法。     

基于局部方差的多分辨率图像分割方法

针对复杂图像分割问题,提出了一种基于图像局部方差的多分辨率图像分割方法。该方法首先引入了一种像素映射的多分辨率模型,此模型通过计算父子关系距离来确定父结点与子结点的链接,实现映射;在此基础上,从图像局部方差对图像分辨率的依赖性入手,分别研究图像中目标区域与背景在不同分辨率下局部方差的变化规律,利用此规律通过计算不同分辨率下图像区域的局部方差的差值,来放大目标与背景之间的差异,在将其平滑之后选用最大类间方差法(Ostu法)进行图像分割,最后利用图像多分辨率模型下像素之间的精确映射关系来得到对应于原始图像大小的分割结果。实验结果显示此方法具有良好的分割效果。     

基于文化算法的C-V水平集图像分割

针对基于梯度变化的水平集图像分割对噪声敏感、不能很好地保持图像中的边缘信息、分割结果依赖初始参数、取得最优解时不能及时结束等问题,提出了一种基于文化算法的水平集图像分割算法,将文化算法应用到C-V(Chan-Vese)水平集模型之中,实现了水平集模型图像分割参数的自动选取,通过信度空间的形势知识和规范知识不断优化指导种群进化,并通过判定图像熵适应度值的变化适时终止分割过程。实验结果表明,本文方法能够准确分割出医学图像的病变区域,在抗噪声性能和分割效率方面明显优于常规方法。     

基于Contourlet域树状系数的自组织神经网络图像分割

为避免小波域隐马树模型分割算法中模型假设的不足,提出用SOM网络作为非参数概率密度函数估计器。用图像轮廓波变换域中的树状数据作为网络输入,以利用图像的几何特征来提高分割效果。由训练好的网络组可以得到待分割图像各个尺度下的条件概率密度函数值,应用最大似然分类准则得到相应尺度下的粗分割。通过多尺度粗分割结果的融合,得到像素级的分割结果。用合成纹理图像、航拍图像和SAR图像进行实验,并与小波域隐马树模型分割方法和基于SOM网络的多尺度贝叶斯分割方法进行比较。对合成纹理图像给出错分概率作为评价参数,实验结果表明所提算法分割效果更优。     

基于边缘和颜色的视频文本图像分割方法

视频中的文本如果直接送入OCR软件,识别率较低,因为文本往往叠加在复杂背景中,所以需要先将文本从背景中分割出来。背景像素可能具有和文本像素相似的颜色,并且由于解压缩的影响,文本像素颜色分布可能具有渐变性,给分割带来一定的困难。针对这些问题,提出一种基于文本边缘和颜色特征的文本分割方法,该方法首先利用文本边缘的高频特性沿文本轮廓对图像的颜色分布进行采样;其次使用K-均值空间聚类方法从采样点集合得到图像分割的种子点和分割半径,从而分割文本图像得到不同的分割结果;最后,利用文本笔画的连通域特征挑选出正确的分割结果。实验表明,该方法较好的解决了视频文本和背景的分离问题,分割结果具有较高的OCR识别率。     

采用支持向量机的指纹图像分割

提出了一种采用支持向量机分类的指纹图像分割方法。将指纹图像分块,并根据图像块的对比度特征进行初分割,以去除灰度变化较小的白背景块,对剩下的图像块提取方向偏差和频率偏差,并根据对比度、方向偏差和频率偏差三个特征分割出特征明显的前景块和背景块,采用支持向量机将经前两次分割不能判决的图像块分为前景和前景两类;采用形态学方法进行后处理以减少分割错误;为计算频率偏差,提出了一种新的频率计算方法。在FVC指纹库上对算法进行仿真实验,结果证明了方法的有效性。     

Video segmentation using multiple features based on EM algorithm

Object-based video segmentation is an important issue for many multimedia applications. A video segmentation method based on EM algorithm is proposed. We consider video segmentation as an unsupervised classification problem and apply EM algorithm to obtain the maximum-likelihood estimation of the Gaussian model parameters for model-based segmentation. We simultaneously combine multiple features (motion, color) within a maximum likelihood framework to obtain accurate segment results. We also use the temporal consistency among video frames to improve the speed of EM algorithm. Experimental results on typical MPEG-4 sequences and real scene sequences show that our method has an attractive accuracy and robustness.     

雷达高分辨距离像自适应角域划分方法

雷达高分辨距离像(radar high resolution range profile, HRRP)具有姿态敏感性的特点,一种有效的方法是分别对一组不发生散射点越距离单元走动角域范围内的HRRP样本进行处理。提出基于HRRP回波功率谱的顺序判别自适应分帧算法,通过对全局HRRP样本进行迭代搜索来确定数据划分边界,并自适应划分角域个数。所提方法依据散射点模型理论,考虑功率谱互相关系数变化规律,有效抑制了HRRP存在“距离像起伏剧烈”的样本。与自适应高斯分类器划分角域方法相比,所提方法在样本数据较小的情况下,仍可以有效地对目标进行角域划分。同时,与传统的利用互相关系数分帧方法和等间隔角域划分方法相比,所提方法可以有效降低识别运算量,减少识别算法处理时间,通过对3类舰船目标的仿真和3类民用船只的外场实测数据分析,表明所提方法是有效的。     

基于局部二元图的视频对象阴影检测方法

针对在视频对象分割时,运动投影常被误分为视频对象,给出一种新的视频阴影检测方法,该算法基于在灰度图像中阴影区域和背景相应位置具有相同纹理这一事实,其中利用自适应高斯混合模型进行背景建模,利用局部二元图(local binary patterns,LBP)来表征纹理。首先,进行基于自适应高斯混合模型的背景提取,获得包含运动投影的前景分割,分割时加入了LBP纹理相似性判断,减少了分割出的目标内的孔洞提高了分割的精确度。然后利用阴影区域和已获取背景相应位置的LBP纹理相似性,可较好的对视频阴影进行检测。通过实验,获得了不错的阴影检测实验结果,可较好地应用于运动目标检测分割及跟踪等领域。     

基于支持向量学习的多目标并行区域增长图像分割算法研究

为克服经典区域增长算法中生长规则以及特征选取的困难，提出了基于支持向量机的多目标并行区域增长图像分割算法。首先交互选择多个不同区域的种子点（假设邻近种子点的一小部分区域属于同一目标区域，不同种子点邻域分别属于不同目标区域），利用其邻域构造训练样本；然后利用这些已知的训练样本训练支持向量分类器；在区域增长过程中，利用训练所得的支持向量模型建立增长规则。为了避免初始种子点位置选择对算法性能的影响，采用了多区域并行竞争增长策略。仿真实验获得了较好的分割效果，表明提出的算法是合理可行的。     

一种基于Canny算子的level-set肺部血管分割算法

提出一种应用基于CANNY算子的level-set分割方法,三维分割肺部血管.首先根据肺部解剖结构确定肺部血管不同部位的阚值范围进行对血管初始分割,然后再应用高斯过滤异布扩散对初始血管分割的结果进行平滑去噪和CANNY算子检测出初始图像真正的边缘,最后应用level-set细分初始血管分割的结果,解决由于边界模糊产生肺部血管分割不准确的问题.并提出并描述基于Level-set肺部血管树枝杈点的判定方案.     

基于迁移学习和注意力机制的伪装图像分割

不同于常规目标,伪装目标特征模糊、尺度信息复杂多变、检测和分割难度更高.在现有伪装数据集基础上,提出了一种结合迁移学习和有效通道注意力的UNet网络伪装图像分割方法.首先,针对伪装目标特征模糊难以有效提取的问题,在UNet的下采样和上采样过程中,引入一种有效通道注意力机制,在不增加网络参数的同时,提高有效区域的特征权重...