基于幂次变换的SAR图像Otsu分割法

通过分析合成孔径雷达(synthetic aperture radar, SAR)目标切片图像的散射特性,提出一种适用于SAR目标识别的目标切片图像分割算法。算法首先对SAR图像做相干斑滤波,通过邻域平滑处理,提高背景区域和目标区域像素幅值一致性。然后自适应地选取变换幂次,对滤波后的SAR图像做幂次变换,以进一步增强目标区域像素幅值一致性。最后直接利用一维Otsu法对变换后的图像进行分割处理。实验表明,该算法对不同散射特性的目标切片图像都能够实现较为准确的分割,且计算复杂度小,利于工程应用。     

利用改进的中值滤波消除QuickBird影像中的脉冲噪声

QuickBird高空间分辨率遥感影像已在各个领域得到了广泛的应用,然而其在获取和传输的过程中通常会受到噪声,特别是脉冲噪声的污染,从而影响了其后续应用。为此,提出了一种基于改进中值滤波的遥感影像中脉冲噪声的检测和滤除算法。首先利用一维拉普拉斯卷积核和扩张函数检测图像中的噪声像素;然后利用向量中值滤波（Vector Median Filter,VMF）对检测到的噪声像素进行恢复。实验结果表明,相对于其它几种噪声滤除算法,所提出的算法取得了较好的噪声滤除效果。     

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。     

基于纹理粗糙度的回转窑火焰图像FCM分割方法

在深入研究氧化铝回转窑火焰图像特点的基础之上,提出了一种将基于图像灰度值的模糊C-MEANS(FCM)算法与图像纹理粗糙度特征相结合的图像分割方法.利用加窗自相关系数表征图像中火焰区与物料区在纹理粗糙度方面的差异,对FCM聚类的结果隶属度矩阵进行去模糊化运算,改善了火焰区与物料区的分割效果.实验结果表明,图像灰度值信息和纹理粗糙度特征的融合对于提高氧化铝回转窑火焰图像的分割精度具有重要的研究价值.     

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。     

基于轮廓波变换和改进模糊c均值聚类的红外图像分割

针对红外图像分辨率低、对比度弱、易受噪声污染等特点,给出了轮廓波变换与模糊c均值聚类相结合的红外图像分割方法。该方法首先在假定图像轮廓波变换系数的先验为高斯分布的基础上,将基于最大后验概率准则的比例萎缩法应用于红外图像降噪,以完成分割前的预处理过程,然后利用改进的模糊c均值算法对降噪后的红外图像进行分割。针对标准模糊c均值分割存在的问题,本文提出的方法从基于样本直方图的最小最大距离法的初始聚类中心确定、考虑邻域像素相关性的样本点聚类权值和邻域隶属度修正三个方面加以改进,在保证分割精度的基础上,进一步滤除降噪阶段遗留下的图像噪声。对一系列红外图像进行实验的结果表明,相对于标准模糊c均值算法,本文提出的改进算法划分熵平均降低约10%,区域对比度提高约27%,能够实现对受到噪声污染红外图像的有效分割。     

一种图像分割的目标描述方法及实现

提出一种二值分割图像目标描述的实现方法 ,用以获取目标特征量。在对二值化图像形成目标块的过程中使用扩展像素标记法 ,可以在标记目标所属像素的同时标记目标的边界点 ,从而得到目标的单像素宽边界。在此基础上获得目标的面积、周长和质心坐标等参数 ,为图像目标识别做好准备。最后给出了算法C ++编程的具体思路和实现。仿真实验证实了该算法实用可行。     

一种用于轮廓线探测的CNN改进算法

图像中目标物体的轮廓探测是目标识别和计算机视觉系统的第一步也是关键一步。提出了一种基于细胞神经网络(Cellular Neural Network,CNN)的轮廓线探测改进算法。该算法中CNN模板参数(模板系数)是根据局部窗口内各像素与中心像素间的灰度和空间关系计算的,即模板参数的计算不仅考虑了局部窗口内各像素与中心像素的灰度值差异,而且顾及了窗口内各像素与中心像素间的空间距离。实验结果表明,相对于其它两种轮廓探测算法,提出算法的探测效果较好。     

一种基于标记阈值的分水岭分割新算法

为了克服分水岭算法的过分割问题,提出了一种新的带标记(marker)的分水岭分割算法。该方法首先根据邻接像素的连通性提取原始图像梯度的局部极小值点,然后采用最大熵阈值法去除由噪声及图像细节纹理所产生的伪极小值点,将修改后得到的极小值点强制作为标记,并在原始梯度图像上应用带标记的分水岭算法。该方法的优点是可以自适应地提取标记而不需要先验知识,克服了标记提取的困难。实验结果表明,该算法能有效地减少分水岭的过分割现象。     

一种在线学习的视频图像分割算法

提出了一种在线学习的视频图像分割算法,通过结合视频图像的全局信息和局部信息,来完成视频图像的准确分割。该算法首先采用分类器对视频图像的无指导预分割结果进行整体的识别处理,得到粗糙的像素级前后景分割图像,再通过时空条件随机场最优化完成局部平滑处理,得到最终精确的像素级前后景分割图像。同时还提出了一种平衡采样策略和一种基于分割图像指导的样本更新算法,分别用以实现分类器准确的初始化和高效稳定的在线学习。基于真实视频序列的实验表明,相比已有方法,算法在低时间开销下,显著提高了分割的准确性与稳定性。     

Fuzzy c-means clustering based on spatial neighborhood information for image segmentation

Fuzzy c-means (FCM) algorithm is one of the most popular methods for image segmentation.However,the standard FCM algorithm is sensitive to noise because of not taking into account the spatial information in the image.An improved FCM algorithm is proposed to improve the antinoise performance of FCM algorithm.The new algorithm is formulated by incorporating the spatial neighborhood information into the membership function for clustering.The distribution statistics of the neighborhood pixels and the prior probability are used to form a new membership function.It is not only effective to remove the noise spots but also can reduce the misclassified pixels.Experimental results indicate that the proposed algorithm is more accurate and robust to noise than the standard FCM algorithm.     

基于神经网络的遥感影像超高分辨率目标识别

现有遥感图像的许多分类方法大都忽略了混合像元存在的事实,通过理解遥感影像像元点目标的空间分布特性,提出基于Hopfield神经网络的遥感图像超分辨率目标识别算法。在Hopfield神经网络模型下,利用模糊分类技术进行模糊分类,然后用分类结果约束Hopfield神经网络的方法获取超高分辨率的遥感图像,能够提高遥感图像的目标分辨率,使其目标特征信息更清晰。     

基于中心点和语义信息的多方向遥感舰船检测

在高分辨率遥感影像解译中, 舰船目标的检测一直是研究热点。针对遥感影像中近岸舰船排列密集、方向各异以及背景复杂等问题, 本文提出一种基于旋转中心点网络和语义信息(rotated CenterNet using semantic information, RSI-CenterNet)的多方向遥感舰船目标检测方法。首先, 基于关键点检测网络, 在检测阶段添加目标角度回归分支, 以预测目标方向; 其次, 添加语义分割分支, 并将其输出的特征与检测部分的输入特征进行融合以强化目标区域的特征信息; 最后, 引入注意力模块, 以强化目标显著区域与通道的特征, 提升检测精度。实验结果表明, 与其他多种先进方法相比, 本文方法具有更高的检测精度与检测速度, 在高分辨率船舶数据集(High Resolution Ship Collections 2016, HRSC2016)上的平均精度达到88.31%, 检测速度达到17.8 FPS。     

基于改进FCM与MRF的SAR图像分割

合成孔径雷达(synthetic aperture radar, SAR)图像相干斑点噪声强,缺乏背景与目标先验知识,导致分割困难。针对以上问题,提出了基于改进模糊C均值聚类(fuzzy C-means clustering,FCM)与马尔可夫随机场(Markov random field,MRF)的分割算法。首先,利用自适应非局部均值滤波和基于直方图峰值点的初始聚类中心选定规则,提升快速FCM算法效率;然后分别用改进FCM算法与MRF对SAR图像进行分割,并通过构建联合隶属度矩阵自适应选择最优分割区域;最后利用形态学操作对结果进行优化。实验表明,所提算法具有较好的抗噪性能,能够快速有效地分割多类SAR图像。     

面向查询点的遥感影像哈希检索方法

由于存储成本低,查询速度快,哈希检索算法已被广泛应用于大规模影像检索。针对大规模遥感影像数据集训练低效问题,提出了面向查询点进行特征学习的遥感影像检索方法。首先,利用深度卷积网络对具有多语义标签的遥感影像数据训练集提取遥感影像特征;然后,面向查询点学习得到哈希函数并生成查询点的二进制哈希码;最后,通过迭代学习得到整个数据库的二进制哈希码来实现影像检索,有利于提高检索精度;同时,该方法避免了对整个数据库进行特征提取,从而可以更有效地利用大规模数据库中的监督信息。在3个不同数据集上的实验结果表明,该方法检索性能优于其他多种先进方法。     

基于Curvelet变换的多光谱图像与全色波段图像融合

为了使融合后的多光谱Ms图像在保持原始Ms图像光谱特性的同时,最大可能地提高空间分辨率,提出了一种基于Curvelet变换的遥感影像融合算法。该算法首先采用Curvelet变换提取全色波段Pan图像的空间细节信息,然后采用基于内容的注入模型将提取的空间信息局部调整后添加到各波段Ms图像中去,得到具有高空间分辨率的Ms图像。算法在有效避免融合后Ms图像光谱失真的同时,能够显著提高融合图像的空间质量。采用IKONOS卫星遥感影像进行了仿真实验,实验结果结果表明,该算法在光谱保留和空间质量提高方面比传统的基于小波变换融合算法具有更高的性能。     

适用于机器人视觉的图像分割方法

针对复杂图像分割问题开展研究,并以机器人视觉中目标搜索和识别问题为支撑目标,结合该背景明确提出了图像分割算法性能评价标准和侧重点,基于此约束,以Mean Shift分割方法为基础,并重点考虑了分割尺度的有效控制、分割过程兼顾场景深度信息等问题,对算法进行了针对性改进。针对分割尺度控制问题,提出了边缘敏感度的概念,提高了算法尺度分块的控制能力。针对深度信息融合问题,采用了双目视觉立体匹配和基于Kinect传感器的两种深度信息获取方法,均成功实现融合并提高了分割效果。实验结果表明，本文算法与传统Mean Shift算法相比具有明显优势,不仅能更有效地控制分割尺度,还能成功分割原算法难以分割的特殊情况。     

利用图像自相似性进行编码的研究

遥感图像的平坦区域中存在大量冗余信息,探索更有效去除这些区域内冗余信息的方法对于提高图像编码效率有很大帮助。通过引入图像自相似性的概念进行研究,发现在图像的平坦区域中存在大量的自相似部分。从图像自相似性的角度出发,利用图像的局域自相似性对平坦区域进行编码以提高编码效率。在基于模式特征的遥感图像压缩算法中利用这种方法,针对一组典型遥感图像进行压缩,使高倍率压缩下恢复图像的PSNR平均提高0.1 dB左右。从不同图像的压缩结果来看,增加自相似的方法对于去除较平坦区域中的冗余信息相当有效。     

High speed robust image registration and localization using optimized algorithm and its performances evaluation

Local invariant algorithm applied in downward-looking image registration, usually computes the camera’s pose relative to visual landmarks. Generally, there are three requirements in the process of image registration when using these approaches. First, the algorithm is apt to be influenced by illumination. Second, algorithm should have less computational complexity. Third, the depth information of images needs to be estimated without other sensors. This paper investigates a famous local invariant feature named speeded up robust feature (SURF), and proposes a highspeed and robust image registration and localization algorithm based on it. With supports from feature tracking and pose estimation methods, the proposed algorithm can compute camera poses under different conditions of scale, viewpoint and rotation so as to precisely localize object’s position. At last, the study makes registration experiment by scale invariant feature transform (SIFT), SURF and the proposed algorithm, and designs a method to evaluate their performances. Furthermore, this study makes object retrieval test on remote sensing video. For there is big deformation on remote sensing frames, the registration algorithm absorbs the Kanade-Lucas-Tomasi (KLT) 3-D coplanar calibration feature tracker methods, which can localize interesting targets precisely and efficiently. The experimental results prove that the proposed method has a higher localization speed and lower localization error rate than traditional visual simultaneous localization and mapping (vSLAM) in a period of time.