基于图论分割的多光谱图像非监督分类方法

针对传统基于像素的多光谱遥感图像分类方法存在的"麻点"现象、采样成本高等问题,提出了一种基于图论分割的非监督分类方法,首先采用基于图论的分割算法,按局部邻近相似像素点分割成若干子区域,再以分割后子区域为基本单元,整体进行模糊 C均值聚类,最终实现对多光谱图像的非监督分类.实验证明,该方法结合了局部邻近像素点的相互关系以及相似区域的整体特征,有效解决了麻点问题,具有较高的分类精度和算法效率,降低了采样成本.     

一种高效的油液磨粒图像自适应分割方法

为了提高油液磨粒图像的分割效果,优化磨粒自动识别工作的重要环节,提出了一种结合分水岭算法及区域相似度合并的油液磨粒图像自适应分割方法。对于待分割图像,首先通过形态学重构和基于形态学的自适应H-minima技术对梯度图像进行修正,利用分水岭算法完成磨粒图像的一次分割;其次提取分水岭分割后同质区域的Lab颜色特征、局部二值模式（LBP）纹理特征作为区域的量化指标,基于Bhattacharyya系数分别计算区域间的颜色、纹理相似度,设计可以实现权重自适应调整的颜色、纹理特征融合规则,以此来获取同质区域的综合相似度矩阵,实现过分割区域的合并;最后基于统一的后处理算法完成磨粒图像的完整分割。选择60幅磨粒图像对所提方法的分割效果进行测试,结果表明,单幅图像的平均分割速度在12 s左右,分割正确率稳定在90%以上,所提方法避免了用户在分割过程中对图像的交互式处理,较好地平衡了分割效率和分割精度,自适应程度明显提高。      

一种融合MRF分割与数学形态学的道路提取算法

针对高分辨率合成孔径雷达（Synthetic Aperture Radar, SAR）图像中道路目标难以有效提取的问题,提出一种融合马尔可夫随机场（Markov Random Field, MRF）分割与数学形态学处理的高分辨率SAR图像道路提取算法。该算法首先利用直方图均衡化和增强Lee滤波对SAR图像进行预处理,实现道路的边缘增强,抑制相干斑噪声;进而利用基于条件迭代模式（Iterated Conditional Mode, ICM）的MRF对SAR图像中的道路目标进行初分割;再用数学形态学填充空洞,平滑道路边缘;最后,基于道路的几何特征,使用偏心率、矩阵度、复杂度等因子去除虚警,从而提取出道路目标。利用该文算法对两块实际高分辨率SAR图像进行道路目标提取,均可以取得90%以上的正确道路提取率,表明本文算法具有较高的道路提取精度。     

面向星载应用的空间域四叉树层次化图像压缩算法

为满足卫星应用领域对高分辨率遥感图像实时传输与存储的要求，针对该类图像特征，提出基于空间域四叉树数据结构的图像数据亚采样与多模式自适应预测编码相结合的压缩算法。该算法使用四叉树数据结构与三种预测编码模式，针对图像块纹理差别，自适应地选取相应的亚采样与量化编码方式，通过采样方式与量化方式的变化，达到保存高分辨率遥感图像细节与小目标绝不丢失的要求，实现了对遥感图像中目标边缘和变化剧烈的细节的高保真效果，同JPEG相比，恢复图像峰值信噪更高、图像纹理细节保持能力更强。利用具有可编程序门阵列器件物理实现上述算法，获得高速图像压缩专用芯片，该芯片数据处理速度达到288Mbit／s，功耗低于1W。     

基于邻接表的分水岭变换快速区域合并算法

针对图像分水岭变换存在的过分割问题,提出了一种快速区域合并算法.该算法先对梯度图像进行Lee滤波以降低分水岭变换的过分割程度,在传统分水岭变换初步分割的基础上,利用区域邻接图(RAG, Region Adjacency Graph)的邻接表数据结构描述过分割区域之间的关系,采用分级阈值合并的方式完成区域合并,以降低合并计算的复杂度.合并过程中,将基于区域相对边界强度和边界长度的相似度度量准则与传统的区域灰度均值差异度准则相结合,构成新的区域可合并度综合评价函数,以保证区域合并准确可靠.实验结果表明,与传统的分水岭变换区域合并算法相比,该算法有效地提高了区域合并的准确性,并大幅提升了运算速度.      

多传感器遥感图像数据融合研究

重点研究了卫星遥感图像融合技术.通过在Matlab平台上实现基于颜色空间变换和基于小波变换的图像融合算法,分析了颜色空间变换的融合特点,并结合高分辨率图像、多光谱图像以及SAR图像的融合结果对相关理论进行了验证;研究了基于小波变换的融合方法在不同分解和重构级数下所获得的融合图像的特征,比较了各级融合图像的特点和相互间的差别;通过对高分辨率图像和多光谱图像的融合实例,给出了达到融合目的所应进行的最低分解重构级数与两原始图像空间分辨率指标比值间的定量关系;分析了不同小波因子对融合结果的影响,并结合颜色空间变换方法的融合结果得出了最终结论.      

基于Gabor滤波器的航空图像居民区域提取

中低分辨率航空图像中居民区域的自动提取对地理信息系统更新和无人机导航具有重要作用.详细分析了Gabor滤波器参数对纹理提取的影响,提出了一种基于Gabor滤波器的居民区快速提取算法.算法包含4步:运用Gabor滤波器分析图像纹理,采用核密度估计生成居民区域置信图像,进而计算自适应阈值分割置信图得到候选区域,最后根据区域几何形状去除干扰得到居民区.算法平均运算时间为0.42s,实验结果表明了算法的高效性和准确性.     

复杂动态场景下目标检测与分割算法

在动态场景等复杂条件下,往往难以对序列图像目标进行准确的检测与分割。根据序列图像中目标在复杂条件下的成像特点,提出了一种基于融合尺度不变特征变换(SIFT)流特征显著模型的动态场景目标检测与分割算法。通过对SIFT流算法表示运动特征信息的优势进行分析,并结合图像国际照明协会(CIE)Lab颜色空间的颜色和亮度特征信息,建立四维特征向量空间。利用改进的多尺度中心-环绕对比方法生成各特征通道的显著图并进行线性融合,建立序列图像的动态场景目标显著模型。最后利用均值漂移聚类算法和形态学处理实现对检测目标的精确分割。实验结果表明,相比传统检测与分割算法,该算法在动态背景与航拍等复杂场景下能够分割出更为完整的目标区域,具有良好的鲁棒性和高分割精度。      

基于超像素与多尺度残差U-Net相结合的遥感图像飞机检测方法

遥感图像中存在飞机很小、角度和位置不确定且背景复杂等问题,从遥感图像中检测飞机是一项重要且具有挑战性的任务,因此,提出一种基于超像素与多尺度残差U-Net(Multi-scale Residual U-Net,MSRU-Net)相结合的遥感图像飞机检测方法。首先对遥感图像进行超像素预分割,将位置相邻且像素特征相似的像素点组成若干个超像素,保持图像进一步分割的有效特征;然后构建多尺度残差U-Net,学习其多尺度判别特征。与传统的飞机检测方法相比,该方法用少量的超像素代替大量像素表达图像特征,降低了图像分割的复杂度,再利用MSRU-Net分割遥感超像素图像,有效检测不同尺度的飞机图像。在公共飞机遥感图像数据集上实验,结果表明,该方法能够有效的检测遥感图像不同尺度的飞机图像,检测精确率达到91.2 %。     

基于快速退火MRF的改进SAR图像分割方法

基于Markov随机场(MRF,Markov Random Field)的SAR图像分割方法利用了SAR图像的灰度和结构信息,能在分割过程中有效抑制斑点噪声,获得较高的分割精度.但这类方法的缺点是模拟退火的计算量很大.针对该问题,提出了一种基于快速退火MRF的SAR图像分割处理方法.该方法根据SAR图像Gibbs分布的特性,在求取全局最优解时,首先寻找邻域系统中占有支配地位的某种标记,若存在占支配地位的标记,用此标记更新状态;反之,则沿用传统模拟退火的方法随机更新状态.由于该方法引入基于Gibbs分布的先验判决进行系统状态更新,因此能够快速求得全局最优解.最后对真实SAR图像进行处理,处理结果验证了算法的有效性.     

基于BoF模型的多特征融合纹理图像分类

针对特征词袋（BoF）模型缺乏空间和几何信息,对纹理图像内容表达不明显等问题,提出一种基于BoF模型的多特征融合纹理分类算法。将灰度梯度共生矩阵（GGCM）和尺度不变特征转换（SIFT）融合特征作为纹理图像的区域特征描述,通过动态权重鉴别能量分析进行最优参数特征选择,并用BoF量化纹理特征,使用支持向量机对图像进行训练和预测,得出分类结果。实验结果表明,本文算法对有旋转扭曲的纹理、边缘模糊纹理、有光照变化的纹理及杂乱纹理等均能取得较好的分类效果,相对于传统BoF模型及凹凸划分（CCP）方法等算法在UIUC纹理库上的分类正确率均有不同程度的提高,平均分类正确率分别提高12.8%和7.9%,说明本文算法针对纹理图像分类具有较高的精度和较好的鲁棒性。      

基于分割途径的SAR单视图像斑点噪声抑制方法

在图像分割思想的基础上,结合合成孔径雷达(SAR)图像的区域特征,利用恒虚警率边沿检测技术将分割区域最大化,并在分割区域内根据SAR图像特性进行优化滤波,得到了一种基于图像分割的单视SAR图像降斑方法.其中,边沿检测和区域分割在多视图像中进行,保证了检测和分割的有效性.计算机仿真结果证明了该方法的优越性.      

基于MSER的无人机图像建筑区域提取

对建筑区域自动检测与提取是无人机(UAV,Unmanned Aerial Vehicle)图像处理的一项重要功能.在分析无人机成像特点和最大稳定极值区域(MSER,Maximum Stable Extremal Regions)算法对无人机侦察图像建筑区域检测的适用性基础上,提出了一种基于MSER的无人机侦察图像建筑区域提取算法.算法包含5步:无人机图像预处理,运用MSER算法分析计算图像稳定区域,通过计算稳定区域密度筛选建筑区域,进一步利用自适应K均值聚类算法对建筑区进行划分,最后采用Graham算法生成建筑区的边界从而实现了建筑区的自动提取.选取无人机实飞图像数据进行实验统计,本算法提取精度为92.25%;同时与基于Gabor变换的纹理特征、SIFT特征点的提取算法相比,建筑区域提取时间缩短,满足无人机实时应用需求.      

基于图像纹理的自适应水印算法

图像水印技术是一种在图像中嵌入被称为水印的版权标记,以证明图像版权归属的技术。利用图像纹理粗糙区域易于隐藏水印的优势,提出了一种基于图像纹理的自适应水印算法。首先,设计了一种能够真实反映图像纹理丰富程度的纹理度量方法,引入全局纹理值和局部纹理值的概念来综合分析图像纹理的分布情况;其次,利用滑动窗口和窗口内区域的局部纹理值,精确地获取图像的纹理粗糙区域,将水印嵌入在纹理粗糙区域中,保证嵌入水印图像的视觉质量;然后,通过多元回归分析,得到水印嵌入参数与纹理粗糙区域的全局纹理值和局部纹理值的函数关系,根据区域的纹理值自适应地调整水印的嵌入参数,最大限度地保证水印的不可见性,增强水印的鲁棒性;最后,通过在多个不重叠的纹理粗糙区域中嵌入相同的水印,进一步提高水印提取的准确率。在100幅自然场景图像上进行模拟实验,从不可见性、自适应性和鲁棒性三个方面证实了所提算法相比已有自适应水印算法的优越性。      

基于模式特征的图像压缩算法

从人眼视觉特征与空域模式特征的角度出发,提出了一种基于模式特征的图像压缩算法。经过对一组遥感图像的对比试验,可以看出本算法在对纹理信息丰富的遥感图像进行压缩时明显优于SPIHT算法。     

遥感图像的显著-概要特征提取与目标检测

针对巨幅遥感图像的目标检测问题,提出了一种基于显著-概要特征的遥感图像自动目标检测算法.采用滑动窗口将巨幅遥感图像划分为若干个小尺度的区域,针对各个小尺度分块图像,借鉴人类视觉生理功能特性之原理,提取其显著特征和概要特征,其中的显著特征代表了图像中的显著信息及显著区域空间分布和关联信息,概要特征可从整体上反映该区域的背景/目标关联信息.通过对分块区域图像的分类鉴别以实现目标检测.实验结果表明:此方法能以高可靠性和高精确度检测出巨幅遥感图像中的目标.     

基于信息隐藏的遥感图像分块压缩

目前JPEG2000等图像压缩方法受制于压缩倍数的限制,无法满足用户对海量遥感数据的实时传输要求,需要进一步减少高分辨率遥感图像产生的数据量,以满足遥感图像数据的空间传输要求。针对此情况提出了一种基于信息隐藏的遥感图像分块压缩方法,利用图像块的相似性判决出基准图像块和相似图像块,将相似图像块的编号隐藏在基准图像块中,只对基准图像块进行JPEG2000压缩。采用标准图像库作为样本图像进行仿真,结果表明,该方法将样本图像压缩前的数据量减少1/3,同时将该样本图像的压缩比提高1.5倍。     

基于记忆关联学习的小样本高光谱图像分类方法

高光谱图像（HSI）分类是遥感领域的基础应用之一。该任务旨在根据部分带类别标签的像素样本训练分类器，预测图像中剩余像素对应的类别标签。在实际应用中，由于人工标记样本成本过高，只能获得少量带标签的样本。针对少量样本无法准确描述数据分布从而导致训练过程过拟合的问题，提出一种基于记忆关联学习的小样本高光谱图像分类方法。考虑到无标签样本中包含大量与数据分布相关的信息，构建基于有标签样本记忆模块，并根据样本间的特征关联，利用不断更新的记忆模块学习无标签样本的潜在类别分布，构建无监督分类模型，并与传统的有监督分类模型进行联合学习。在多个高光谱图像分类数据集上的实验结果表明，所提方法能有效提升小样本高光谱图像分类的准确性。