基于自适应分块MRF模型的SAR图像变化检测研究

现有的SAR图像变化检测算法仅仅考虑图像的单一像素信息,未考虑图像像素间的空间依赖关系,检测结果易受图像噪声的影响,检测精度较低。将马尔可夫随机场模型引入到SAR图像变化检测算法中,极大地提高了检测精度,但是算法计算量很大,效率极低。基于分块马尔可夫随机场模型的SAR图像变化检测算法极大地提高了检测效率,但是检测过程中采用固定尺寸的图像分块方法,未考虑图像的局部细节特征,检测效果不是很理想。论文首先根据图像局部细节特征将图像划分成尺寸变化的子图像块,然后利用基于马尔可夫随机场模型的SAR图像变化检测算法实现变化检测。实验结果表明,论文提出的算法既保持了很高的检测精度,又极大地提高了检测效率。     

用于图像分割的局部区域能量最小化算法

针对点对马尔可夫随机场(Pairwise MRF)模型中像素成对交互的结构不能充分描述图像丰富的局部统计特征问题,在研究Pairwise MRF模型基础上,提出了一种基于局部区域能量最小化的图像分割算法.该算法先利用图像局部区域信息构造局部区域能量模型,建立了一种局部交互的区域马尔可夫随机场分割模型,然后采用无环置信传播(LBP)算法对MRF全局能量进行优化.优化过程中,对局部区域能量进行收敛并按照MAP准则估计局部区域标号,通过LBP算法把局部区域信息传递到邻域区域中去.实验结果表明,所提出的新算法较标准LBP算法具有更好的分割结果,并有效地抑制了图像噪声信号和纹理信号对分割结果的干扰和影响.     

基于马尔可夫随机场和模糊C-均值聚类的DTI图像分割算法

传统的模糊C-均值聚类(FCM)算法只考虑了图像灰度信息,未考虑图像的邻域信息,抗噪性能不够理想.为了充分利用图像空间信息,提出一种结合马尔可夫随机场(MRF)的自适应加权FCM改进算法.该算法根据局部密度判断像素在其窗口邻域范围内的离散种类,将MRF空间约束场和隶属度场的权重根据像素离散种类进行自适应变化,在消除噪声影响的同时,尽可能保留弥散张量成像(DTI)的图像细节信息.实验结果表明:该算法可以准确分割DTI图像,得到边缘清晰且细节信息保留良好的分割结果,与FCM算法以及MRF和FCM融合算法相比,其分割系数至少提高了3%,分割熵至少降低了2%,分割聚类效果得到提高,且分割系数和分割熵都不易受噪声幅度的影响.     

基于非负矩阵分解和极限学习机分类的合成孔径雷达图像变化检测

两时相合成孔径雷达(synthetic aperture radar, SAR)图像变化检测中,差异图的噪声残留将会对变化检测的精度产生较大的影响,传统增量学习模式的检测方法直接对差异图像素样本进行聚类获得伪标签,但没有考虑差异图噪声残留的影响,故检测精度很难提升。考虑对差异图的邻域空间信息采用非负矩阵分解的方式进行特征降维提取,进而根据提取的特征进行聚类可获得高可靠的伪标签,然后基于这些样本伪标签和对应的两时相SAR图像邻域块特征向量构成样本集,利用极限学习机学习其非线性变化关系并最终完成分类,获得变化检测二值图。实验表明,该方法能有效地抑制差异图中的噪声残留影响,提升检测精度,对斑点噪声影响变化检测精度具有较高的鲁棒性。     

基于马尔可夫随机场的遥感图像分割和描述

讨论了基于马尔可夫随机场的遥感图像分割．根据卫星遥感图像的特点,建立了相应的基于马尔可夫随机场的图像分割模型．由此将图像分割问题转化成图像标记问题, 并进一步转化成求图像的最大后验概率估计的问题． 本文引进了一种基于博弈理论的决定性退火算法, 可以用该算法对图像进行标记, 该算法收敛于局部最大, 在实验中取得了很好的效果．     

基于显著性主动学习的SAR图像分类

SAR图像分类是实现SAR图像理解和解译的关键步骤,本文将显著性检测、主动学习和支持向量机分类技术相结合,提出基于显著性主动学习的SAR图像分类算法.该算法首先将基于卷积和下采样得到不同尺度的SAR图像;然后对各尺度SAR图像进行显著性检测,分为显著性区域与非显著性区域,最后对区域内像素提取特征,并由基于支持向量机的主动学习方法进行分类.实验结果表明:本文提出的方法极大提高了支持向量机分类的精度和效率.     

一种具有边缘保持的多尺度马尔可夫随机场模型图像分割方法

针对图像分割中常规四叉树结构的多尺度马尔可夫随机场模型非重叠区域在最优化过程中所造成的块效应,以及建模和推理过程导致低分辨率图像边缘细节模糊、缺失的现象,提出了一种具有边缘保持的多尺度马尔可夫随机场(Edge Preserving Multi-Resolution Markov Random Field, EPMRMRF)模型。该模型首先利用邻接区域之间的交互重叠约束,将局部区域的优化传递到相邻区域;其次采用具有边缘保持作用的Cauchy分布提取图像的多尺度边缘先验知识,在不同尺度上实现图像局部区域特征和多尺度边缘特征的融合。之后,为了对EPMRMRF模型进行迭代优化,提出一种分层区域置信度传播算法(Hierarchical Regional Belief Propagation Algorithm,HRBP),基于最大后验准则,求解马尔可夫随机场最大后验全局分布。实验结果表明,EPMRMRF模型和HRBP分割算法不仅有效保持了图像分割结果的边缘,获得了更好的分割结果,而且具有较快的分割速度,概率兰德指数相似性评价指标平均提升至0.890 9,全局一致性误差差异性评价指标平均降低至0.192 3。     

马尔可夫随机场和模拟退火算法的SAR图像相干斑抑制方法

在合成孔径雷达(SAR)成像中,相干斑的存在严重影响了SAR图像的质量.由于马尔可夫随机场(MRF)可以很好地描述空间的连续性,如果选择适当的邻域系统,就可以很好地建立图像的结构特征模型.因此,为了抑制相干斑噪声,作者提出把吉布斯马尔可夫随机场(Gibbs-MRF)和模拟退火算法应用于SAR图像处理中.将图像强度理解为雷达散射截面积(RCS),采用模拟退火算法结合贝叶斯准则估计雷达散射截面积来抑制相干斑噪声.实验结果表明了此方法是有效的.     

一种基于显著性区域分割的SAR图像配准算法

针对传统SIFT算法的配准精度和配准效率易受斑点噪声和图像灰度差异影响的问题,提出一种基于显著性区域分割的SAR图像配准算法.首先基于改进的马尔可夫(MRF)算法对SAR图像进行分割,结合区域特征和边缘特征筛选出稳定的显著性区域;然后在显著性区域的边缘附近进行SIFT特征点的提取;最后通过SIFT特征点的匹配实现图像配准.实验结果表明,该方法在保证较高的配准精度的同时,提升了算法效率.     

基于条件随机场的中文科研论文信息抽取

科研论文头部信息和引文信息对基于域的论文检索、统计和引用分析是必不可少的.由于隐马尔可夫模型不能充分利用对抽取有用的上下文特征,因此文中提出了一种基于条件随机场的中文科研论文头部和引文信息抽取方法,该方法的关键在于模型参数估计和特征选择.实验中采用L-BFGS算法学习模型参数,并选择局部、版面、词典和状态转移4类特征作为模型特征集.在信息抽取时先利用分隔符、特定标识符等格式信息对文本进行分块,在分块基础上用条件随机场进行指定域的抽取.实验表明,该方法抽取性能明显优于基于隐马尔可夫模型的方法,且加入不同的特征集对抽取性能提升作用不同.     

一种改进的隐含相似性光学和SAR图像配准算法

光学和SAR(synthetic aperture radar)图像信息的互补性和特征表现的差异性使得两者的配准成为目前多源遥感图像处理的研究重点.隐含相似性配准从图像间存在结构上的相似性出发,将传统复杂的特征匹配过程简化为特征点集的迁移和仅需在单幅图像上对配准参数进行迭代搜索的过程,为光学和SAR图像配准提供新的思路.基于上述配准思想,研究用Canny算子改进特征点集提取过程,引入联合马尔可夫模型提高SAR图像去噪质量,以改进后的量子粒子群算法优化配准参数搜索过程,最终实现光学和SAR图像的配准.经实验证明,改进后的隐含相似性光学和SAR图像配准算法能达到像素级甚至亚像素级的配准精度.     

自适应先验马尔可夫随机场模型的图像分割算法

针对全局同态先验马尔可夫随机场(Markov random field,MRF)模型在图像分割中不能有效利用图像局部统计特征的问题,提出了一种基于局部自适应先验MRF模型的图像分割算法.该算法基于贝叶斯理论,利用局部先验Potts模型描述图像的局部特征,建立了一种局部自适应先验MRF模型;提出了基于区域的置信度传播(Belief Propagation,BP)算法,把图像的局部区域特征传递到全局,最终基于最大后验准则(MAP)得到图像的分割结果.实验结果表明:所提模型对于图像中的噪声或者纹理特征等具有较好的分割,分割结果明显优于全局同态先验MRF模型;提出的自适应先验MRF模型对于图像的噪声或者纹理突变信号的干扰具有较强的鲁棒性;算法具有较少的迭代次数和较好的分割结果,且分割时间较短.     

融合边缘特征的马尔可夫随机场模型及分割算法

针对区域马尔可夫随机场(MRF)模型的图像分割中常产生边缘模糊的问题,提出了一种融合边缘特征的区域MRF模型(IEFRMRF)及其分割算法。IEFRMRF模型基于MRF理论,首先通过边缘模板提取图像的边缘特征,建立局部区域的边缘先验约束;其次利用图像局部区域像素的空间约束关系描述图像的局部高斯统计特征,并通过期望最大化算法估计高斯特征参数;然后根据贝叶斯原理建立了具有边缘保持作用的区域MRF模型;最终采用区域置信度传播(BP)算法对IEFRMRF模型进行全局优化,把局部统计特征传递到图像的全局,并按照MAP准则估计图像分割标号。人工加噪声图像分割的实验结果表明,IEFRMRF模型的分割结果和传统高斯MRF模型、局部区域高斯MRF模型的分割结果相比,分割准确率分别提高了47.9%和21.4%,并且分割结果的边缘更清晰,自然图像的分割实验也验证了提出模型的有效性。     

马尔可夫随机场在可见光图像分割中的应用

在可见光图像生成红外图像的过程中,图像分割至关重要。马尔可夫随机场（MRF）具有局部特性,由此特性建立了纹理特征的MRF模型。利用纹理的MRF模型,将参数的期望最大化用于该模型中的参数估计。最后将图像中的所有像素经该模型计算后得到纹理信息并分割图像。通过实验取得了较好的效果。     

一种融合分层信息熵的MRF视频运动前景分割算法

针对视频图像中相邻像素的相关性对前景分割的影响问题,提出了一种以熵图像为纽带的分层马尔可夫随机场(MRF)视频运动前景分割算法.通过图像像素层和信息层构建自适应像素模型和动态光滑模型,增强了视频图像中邻域像素的空间一致性和时间连续性.然后在马尔可夫模型的框架下,采用多环置信度传播算法求解最大后验概率估计,提高视频运动前景分割的质量.实验结果表明该方法能够在不同的视频图像序列条件下完成对运动前景的有效分割.     

基于模糊TS-MRF模型的无监督声纳图像分割

为解决声纳图像本身特征信息较弱,而树结构化的马尔可夫随机场(TS-MRF)算法在分割中过分依赖祖先节点,且在标号分割中仅考虑区域内部一致性而忽视区域边缘的各向异性的问题,提出了一种模糊树结构化的马尔可夫随机场(TS-MRF)模型的声纳图像分割算法.在TS-MRF势函数中引入广义模糊算子,以模糊隶属度作为像素相似度度量,将邻域信息融入到分裂节点参数的确定中,使得先验概率的刻画更加精细.已知图像观测特征前提下定义分裂增益系数来反映分裂前、后标号后验概率的比值,并将对增益系数的判断作为确定二叉树节点分裂的依据,降低求解后验概率最大的计算复杂度.结合区域分裂合并方法完成对声纳图像无监督分割.实验结果从视觉效果和客观评价表明:本分割方法相比于传统MRF和TS-MRF等分割算法,具有较高的分割精度和高鲁棒性.     

有纹理保护的SAR海冰图像分割

针对传统的马尔科夫随机场算法中模型参数估计是全局的,及此算法描述非平稳SAR海冰图像是局限的,提出一种带有纹理保护的图像分割算法.该算法以区域为研究对象,首先利用分水岭分割算法对图像进行初始分割得到基本同质的区域,使该算法由像素水平提升到区域水平,这样能减少噪声对分割结果的影响.然后使用集成了纹理信息的空间语境模型和特征模型来描述对象函数,获得更稳定的模型参数估计,使得该算法具有描述局部行为的能力,改进了空间语境模型对图像非平稳性的适应性.通过对1幅合成图像和2幅真实合成孔径雷达海冰图像进行测试,将该算法与马尔科夫随机场算法和Gaussian混合模型算法比较,结果表明,该文算法优于上述2算法,在相同的场景内该文算法在产生平滑结果的同时也能保护纹理特征.     

融合边缘信息的合成孔径雷达图像超像素分割算法

针对简单线性迭代聚类(simple linear iterative cluste, SLIC)对含有乘性相干斑噪声的合成孔径雷达(synthetic aperture radar, SAR)图像边缘分割不理想的问题,本文在SLIC基础上提出了一种融合边缘信息的SAR图像超像素分割算法。首先,利用高斯方向平滑对SAR图像进行预处理,从而在抑制乘性相干斑噪声的同时有效保护边缘细节;其次,提出了一种基于指数加权平均比率(ratio of exponential weighted average, ROEWA)算子的改进相似度测量参量,以提高SAR图像的分割精度;最后,采用六边形初始化聚类中心与圆形区域的搜索方式进行局部区域聚类,从而保证了算法复杂度增加的同时,算法的运行时间不会明显变化。实验结果表明,与四种经典超像素算法相比,本文算法生成的超像素边缘更加贴合SAR图像的真实边缘且得到的超像素大小较为均匀。     

一种基于局部颜色特征的图像检索算法

提出一种基于局部颜色特征的图像检索算法.该算法首先对图像进行分块,提取各分块的主色作为颜色特征,然后根据图像中心的重要性,对图像各个分块的颜色特征采用不同的加权系数,使局部图像的特征矢量被增强,从而提高了图像的检索精度.与基于全局颜色直方图方法相比,基于局部颜色特征的图像检索算法具有更好的检索结果.     

基于局部特征和隐条件随机场的场景分类方法

针对复杂场景图像分类的难题,提出一种基于局部特征和隐条件随机场的场景分类方法.该方法将图像划分为一系列超像素区域,提取每个区域的局部特征组成观察图像的输入特征向量,并建立基于隐条件随机场的场景分类模型推断图像的场景类别标记,其中每个局部特征对应一个隐变量.训练采用随机梯度上升法估计模型参数.在标准的图像库上进行实验,结果表明,与同类方法相比,场景分类方法取得了更好的分类结果.