基于超像素与Span-Pauli分解的SAR影像分类

针对高分辨率极化合成孔径雷达(SAR)影像解译中面向像素方法难以充分利用影像信息的问题,提出一种基于超像素与Span-Pauli分解的非监督分类方法.利用分水岭方法易于过分割的特点,将分水岭分割得到的特征相似、空间相邻的像素集合视为超像素,并作为分类算法的基本处理单元.利用极化参数Span及Pauli基对极化SAR数据进行迭代分类,以实现适用于高分辨率SAR影像的非监督分类.采用X波段高分辨率SAR数据进行实验,结果表明:基于超像素的分类方法能有效抑制分类结果中的椒盐现象,将总体精度提高到了73.81%;在准确区分水体、道路的基础上,提高了复杂的农作物类别的分类精度.     

一种基于超像素合并的高光谱图像谱-空降维方法

基于超像素技术和流行的主成分分析方法,提出了一种基于超像素合并的高光谱图像谱-空降维方法,所提出的方法利用新定义的局部模块度函数对超像素进行合并,并在合并后的超像素图上进行降维计算.最后,采用支持向量机对降维后的高光谱数据进行分类,验证降维效果.该方法有效减缓了基于超像素降维方法的降维结果严重依赖于超像素分割尺度的问题...     

采用多层图模型推理的道路场景分割算法

针对传统图模型分割算法提取的物体边缘不够精细、难以适应复杂道路场景布局的问题,提出了一种基于多层图模型推理的道路场景分割(HGI)算法。该算法先将图像过分割为同质的超像素块,再采用随机森林模型训练超像素块的多类别回归器和相邻超像素的一致性回归器;然后用2种回归值计算马尔科夫随机场(MRF)模型的能量项,通过推理得到初始分割;最后为了解决超像素块包含多类别带来的分类混淆,在初始分割基础上构建像素级的全连接条件随机场模型,进行优化得到精细的分割结果。实验结果表明,采用HGI算法对人工标注数据库和真实拍摄的场景图像处理能够得到精细的分割边缘,能够解决超像素推理中的类别混淆问题,与传统的MRF图模型分割方法相比,在总体精度和平均召回率2个指标上分别提高了2%和3%。     

基于特征自干扰与像素注意力机制的道路分割网络

主流网络在提取图片特征过程中易受其他目标干扰导致特征鲁棒性降低,而现有的基于噪声抗干扰机制有着伪特征与真实特征相似度不高这一劣势;注意力机制的运用可以提升道路场景特征的空间上下文关系从而增强特征的抗干扰能力,但现有的注意力机制缺乏像素级的特征筛选。针对上述问题提出了基于图像特征自干扰与像素注意力机制的道路分割网络,该网络分为主干分割网络和特征自干扰网络两部分,主干的分割网络包含像素注意力模块,可实现真实特征的提取和像素级的增强;自干扰网络输入原始图像随机裁剪和插值放大后得到的局部图生成伪特征,此外提出了融合模块用于实现伪特征与真实特征的融合并对主分割网络中间特征进行干扰。在KITTI和Cityscapes道路数据库上的实验表明：基于图像特征自干扰与像素注意力机制的分割方法与DeepLab V3分割方法相比,在KITTI数据集上的分割精度由88.02%提升至90.55%,在Cityscapes数据集上的分割精度由87.15%提升至90.16%。     

一种改进变换网络的域自适应语义分割网络

语义标签的人工标注成本高,耗时长,基于域自适应的非监督语义分割是非常必要的.针对间隙大的场景或像素易限制模型训练、降低语义分割精度的问题,通过分阶段训练和可解释蒙版消除大间隙图片和像素的干扰,提出了一种改进变换网络的域自适应语义分割网络(DA-SSN).首先,针对部分源图到目标图的域间隙大、网络模型训练困难的问题,利用训练损失阈值划分大间隙的源图数据集,提出一种分阶段的变换网络训练策略,在保证小间隙源图的语义对齐基础上,提高了大间隙源图的变换质量.然后,为了进一步缩小源图中部分像素与目标图域间间隙,提出一种可解释蒙版.通过预测每个像素在源图域和目标图域之间的间隙缩小置信度,忽略对应像素的训练损失,以消除大间隙像素对其他像素语义对齐的影响,使得模型训练只关注高置信度像素的域间隙.结果表明,所提算法相比于原始的域自适应语义分割网络的分割精度更高.与其他流行算法的结果相比,所提方法获得了更高质量的语义对齐,表明了所提方法精度高的优势.     

融合注视点预测和流形学习的显著性目标分割

针对现有显著性分割算法在图像背景复杂时先验知识不够健壮的问题,提出一种融合注视点预测和流形学习的显著性目标分割算法,能有效地对复杂场景中的显著性目标进行分割.该算法通过引入注视点先验知识和提取超像素分割图,预测并粗分割场景中的显著性目标;为了进一步提高显著性分割的性能,利用色彩模型(CIE-Lab)空间的颜色对比度表示超像素的特征;通过基于流形学习的方法对粗分割区域进行显著性优化,提高了分割精度.实验结果表明:在处理复杂图像集过程中,相比其他分割算法,该算法性能提高了21.8%,并且在不同环境下的显著性目标分割的鲁棒性更好.     

带边界项的结构敏感性超像素图像分割方法研究

针对结构敏感性超像素不能很好贴合边界的问题,提出了一种带边界项的结构敏感性超像素图像分割方法。该方法在考虑结构敏感性的同时引入边界项,通过边界项来计算当前像素落在图像真实边界上的可能性,重新分配和优化超像素边界,使得超像素分割边界和实际边界尽可能贴合,保证在结构敏感区域生成大的超像素,在稀疏区域生成小的超像素。实验采用Berkeley数据集,通过六种考核指标对分割图像进行分析对比,验证了所提方法在召回率、欠分割误差、可实现分割准确度等性能方面有良好的表现。     

一种改进的多光谱遥感图像超像素分割算法

针对简单线性迭代聚类算法在多光谱遥感图像超像素分割中存在的未充分利用图像特征信息及超像素尺寸、 数量固定导致分割精度较低的问题, 提出将流形 简单线性迭代聚类算法引入到遥感图像超像素分割任务中, 并对其进行改进. 首先, 给出一种基于彩色局部二进制模式改进的多光谱遥感图像纹理特征提取方法; 其次, 扩展流形 简单线性迭代聚类算法的光谱空间, 使算法可以适应高维图像数据; 最后, 改进流形 简单线性迭代聚类算法的聚类距离度量, 融合图像的多段光谱特征、 空间特征及纹理特征对像素进行迭代聚类, 实现内容敏感超像素分割. 实验结果表明, 与现有方法相比, 该算法对多光谱遥感图像的超像素分割结果更准确, 在边缘召回率、 欠分割误差、 可达细分精度指标上均有提升, 能改善多光谱遥感图像分割预处理方法中精度较低的问题.     

基于超像素融合算法的显著区域检测

针对目前流行的显著性检测算法不能精确反映显著性信息的问题,提出一种基于超像素融合方法的显著性检测算法. 首先对图像进行超像素分割,在保证高质量的图像目标边缘信息前提下,建立以超像素为节点的图模型;然后计算超像素邻接矩阵,将该图模型转化为最小生成树模型. 通过OTSU算法自适应地确定最佳阈值,根据该阈值将最小生成树模型的部分节点进行融合,获得大超像素分割区域;最后利用大超像素的颜色和相互距离信息,获得高质量的显著性图. 实验结果表明,相对于其他检测方法,该算法可以更有效地检测出图像中的显著目标,并能达到接近分割的效果.      

基于图卷积和全局对齐策略的图分类网络

受限于图数据拓扑结构的不规则性,以及图结点的无序性和规模多变性,现有图分类网络往往对结点嵌入向量采取简单聚合或排序等方式来构建图级别的表示向量,这会导致特征过度压缩以及特征平移等问题.针对这些问题,提出基于全局对齐策略的图卷积网络,通过构建子图特征近似分布将图表示特征向量做全局对齐,在避免过度压缩和特征平移、有效提高下游分类网络对于特征信息挖掘效率的同时,又利用子图特征的分布信息,进一步学习图数据之间内在的结构相似性,从而提升整体网络对于图分类任务的推理能力.在多个图分类数据集上的实验结果表明,采用全局对齐的图卷积网络相较于其他网络模型有2％～6％左右分类精度的稳定提升,消融实验和超参数敏感性分析实验也进一步证实了全局对齐策略的有效性和鲁棒性.     

基于Meanshift和图割的极化特征图像分类

图割法对极化SAR图像能达到很好的分类效果,但由于极化SAR数据比较庞大,直接用图割法进行分类,计算量太大,所以本文提出一种改进图割模型的分类方法．首先利用自适应的Meanshift算法结合多个极化特征把图像分成若干个同质区域,以这些同质区域的加权平均值作为超像素构建图模型,最后用图割法修正Meanshift过分割来得到最终的分类．实验证明该算法不仅在分类精度上有所提高,而且在速度上更能达到实时性的要求．     

基于SLIC超像素的茶叶嫩芽图像分割方法研究

准确识别茶叶嫩芽是实现茶叶智能采摘的前提。针对自然环境下的茶叶嫩芽图像分割受天气、光照等因素影响较大,提出基于SLIC超像素的嫩芽分割方法。提取R、G、B、H、S、V、Y、Cb、Cr、超红、超绿、Cg、R-B、G-B共14个颜色分量,分析发现以超红、Cg和G-B三分量合成彩图中嫩芽与背景对比度较大,作为待分割对象图;利用SLIC超像素分割算法获取超像素块,并对每个超像素块提取平均横坐标、平均纵坐标、平均超红、平均Cg、平均G-B 5个特征作为分割依据;利用阈值分割、小目标去除、填充和"逻辑与"等操作,得到茶叶嫩芽彩色分割图。对不同地域、不同环境下嫩芽图像进行实验表明,基于SLIC超像素的嫩芽分割平均分割精度达75.6%,较传统G-B阈值分割平均精确度高16.6%。该方法不仅能抑制光照等因素对茶叶图像的影响,还能有效分割茶叶嫩芽,鲁棒性较强。     

一种自适应产生超像素个数的道路图像分割算法

针对超像素分割算法需要人为设置初始超像素个数和目标边缘分割不精确等问题,提出一种自适应产生超像素个数的道路图像分割算法。该算法主要包含超像素的获得和超像素的合并两阶段。在超像素的获得阶段,首先通过计算图像区域数对应的图像颜色分量直方图峰值个数自动获得初始超像素个数,然后基于简单线性迭代(SLIC)算法在图像过分割的基础上利用颜色分量最大差值对过分割超像素块进行欠分割检测与处理,实现超像素的精确分割。在超像素的合并阶段,通过融合超像素颜色和纹理特征建立超像素间相似度信息表,最后在结合空间位置相邻性的基础上实现超像素的合并。实验在自动驾驶场景评测数据集KITTI上对本文算法进行验证和测试。结果表明,本文提出的算法与其他道路图像分割算法相比,在总体精度、平均召回率以及F1值3个指标上均有较好的效果。     

面向光伏电站识别的深度实例分割方法

针对遥感图像上光伏电站边界精细提取的难点，在传统分割网络上添加逐像素的类别信息约束，提出一种融合逐像素置信度模块的两分支深度实例分割网络. 该网络通过4个损失结构和2个分支结构来实现，纵向上保证了网络每一层的语义信息，横向上保证了目标检测分支和分割分支的信息共享，提升了网络对于光伏电站边界的识别能力. 采用国产GF-1数据进行新疆光伏电站提取实验，结果表明，当召回率为89.5%时，基于该方法进行光伏电站检测的准确率达到83.4%. 该方法可为新疆光伏电站动态监测提供支撑.     

基于有监督显著性检测的目标跟踪

通过构建基于超像素的图作为视觉表示引入超像素间的空间信息.采用基于图模型的流形排序作为显著性检测方法得到第一阶段每个超像素的显著性,判别式表观模型则通过基于中层特征的分类器进行判别并利用空间信息对分类结果进行调整,将流形排序和分类结果结合作为先验信息选择随机游走种子点.结合随机游走得到的第二阶段的显著值和分类结果,最终得到当前帧的置信图.在置信图的基础上,采用积分图方法快速计算得到候选的观测值,将观测值最大的候选作为跟踪结果.在数据集上的实验结果表明,该方法可以有效处理快速运动和形变等问题,从而实现复杂背景下鲁棒的目标跟踪.     

基于超像素特征表示的图像前景背景分割算法

图像前景背景分割是图像处理中的关键技术,文中提出了基于超像素分类的二值分割算法。对于输入图像,首先采用超像素分割算法,将图像分割成多个保留边缘的封闭区域,即超像素;对每一块超像素,考虑颜色和纹理,构造一种对光照和颜色较为鲁棒的特征,来消除同种物体在光照和颜色差异下的影响;用所得特征训练分类器,判断每块超像素属于前景或背景;最后将超像素分类结果作为初值用图分割的方法进行修正,得到最终的二值分割结果。实验结果显示算法能较好的完成前景背景分割的任务。此外,本算法易于和现有的分类算法相结合,具有较强的可移植性。     

基于帧间相关性的乳腺MRI三维分割

针对乳腺磁共振图像序列的肿瘤分割问题,提出一种基于超像素和改进C-V模型的三维全自动分割方法.该方法利用磁共振图像序列的帧间相关性,约束相邻帧图像的分割轮廓.采用超像素算法提取肿瘤的大致轮廓,再用改进的C-V水平集算法对可疑区域边缘进行优化,使其更接近肿瘤的实际边缘.将该方法及3种对比方法应用于89例乳腺MRI序列图像.以手动分割的轮廓为基准,该方法得到的平均重叠率为87.84%,,相比于C-V模型的58.90%,、超像素和水平集结合的76.36%,、K均值+C-V的83.62%,,有明显提升.实验结果表明,该方法的全自动分割结果对于肿瘤起始和终止帧图像具有较高的分割精度.     

结合场景结构和条件随机场的道路检测

针对道路检测采用图像外观特征对像素或区域进行分类,容易受到光照、阴影和遮挡等复杂因素的影响导致检测精度低的问题,提出一种结合场景结构信息和全连接条件随机场(CRF)模型的道路检测方法.首先检测道路消失点和道路边界线并生成道路的置信图;然后基于图像超像素训练场景结构布局模型得到结构布局的估计;融合置信度图、结构布局图和图像外观特征构建基于像素的全连接CRF模型;最后通过CRF模型推理得到分类结果.实验对比结果表明:采用结构信息和全连接CRF能够有效提高道路检测的精度,对阴影和遮挡等复杂道路环境具有鲁棒性.     

顾及邻域空间约束的极化SAR图像模糊聚类算法

传统模糊聚类算法对噪声敏感、未考虑邻域像素的信息,分割效果不理想。为提高算法对噪声的鲁棒性和分类精度,该文通过引入像素的邻域信息来改进目标函数。并且根据极化数据的分布特性,采用Wishart距离替代欧式距离,增强了对数据的非相似性测度能力。采用真实的极化SAR数据来验证算法的有效性。实验结果表明算法能够有效抑制噪声,取得了较好的分类结果,分类精度可达94.5%。     

基于多核协同表示分类的脑肿瘤分割算法

为了从脑核磁共振(MR)图像中分割出脑肿瘤区域,为疾病诊断和手术导航提供参考,该文在核方法框架下提出一种基于多核协同表示分类的脑肿瘤分割算法。首先对脑肿瘤图像进行多尺度超像素分割,并构造基于超像素区域的空间特征,在多核框架中利用多核协同表示分类方法,将原始光谱信息与所提取的多尺度空间特征融合并应用于脑肿瘤图像的分类,最后结合临床特征实现了脑肿瘤区域的分割。在MICCAI BraTS 2012和2013数据集上的测试结果表明,与现有脑肿瘤分割算法相比,该文方法能够更好地提取脑肿瘤区域,并具有较好的分割精度。