基于图像边缘特征的前景背景分割方法

提出一种基于边缘特征的背景建模方法,将边缘分类为前景边缘和背景边缘.和以往的基于边缘的背景差方法相比,该方法可以克服由于摄像机的微小扰动而带来的误判.由于噪声的影响,得到的前景边缘往往是不闭合的,而且边缘是一种稀疏的特征表示,为了得到精确的前景连通区域,提出了基于马尔可夫随机场(MRF)的前景区域提取方法,以前景边缘像素和背景边缘像素作为种子标记,通过前景边缘像素和背景边缘像素的竞争和标记传播,得到连通的前景区域.为了提高运算效率,采用基于图分割的组合优化方法最小化能量函数.通过对室内室外多个场景视频的试验,验证了该方法的准确性和有效性.     

KM-SVM法的SAR图像无监督变化检测

针对合成孔径雷达（synthetic aperture radar, SAR）图像变化检测获得有标记样本的数量十分有限且困难,传统方法检测率低等问题,提出了一种基于原始特征空间的K-均值和支持向量机(K--means and support vector machine, KM SVM)法SAR图像无监督变化检测。首先,不需要任何先验信息的条件下,利用K- means聚类方法获取差异图像的分类阈值;其次,利用阈值,引入偏移量,自动选取伪训练集和无标签集,并用伪训练集定义SVM的初始决策超平面;最后,用基于统计特征的半监督学习算法和支持向量机相结合对图像进行变化类与非变化类的分类。实验结果表明：该算法优于基于混合高斯分布模型的KI法和基于广义高斯分布模型的KI法,能保持较好的分类、泛化能力和较稳定的检测精度。这些结果表明了文中方法的有效性。