基于社交媒体图片的地震灾情检测语义分割数据集

以社交媒体为代表的志愿者地理数据已成为减灾重要数据源,尤其是其中包含的图片数据,具有很强的灾害态势感知力。但目前对于该数据服务减灾的应用并不多,其主要原因在于具有标注特征的可用图片训练集匮乏,使得包括机器学习、深度学习等技术手段很难发挥作用,从而限制了该类数据反馈灾情信息的能力。本文从实际应用的角度出发,以地震灾害为研究对象,结合包括数据获取、自动化去重、语义标注以及数据增强等方法制作了面向社交媒体图片的灾害语义分割数据集。本数据集主要由社交媒体搜集的原始图片和人工语义标注后的伪彩色图片组成,并采用多人轮番标注以及交叉检验保证数据质量。本数据集对于提高社交媒体数据使用效率以及增强减灾态势感知具有重要作用。

基于改进OSV分解模型的图像分割

针对自然图像结构和纹理成分并存现象,提出一种新的基于改进OSV图像分解的多区域图像分割模型。该模型保留OSV图像分解中被忽略的刻画纹理图像的零散度向量场,结合多区域图像分割模型,使得分解后的纹理图像和结构图像更加准确,进而提高图像分割的准确性。为求解本文模型,设计了交替方向乘子法,提出的方法可以同时完成图像分解和图像分割任务。实验结果表明:与相关经典模型相比,改进的模型能明显提高图像分割的主观视觉效果,且精确率、召回率以及Jaccard相似系数平均至少分别提高了3.42%、0.77%、4.89%。

Improved Weight Function for Nonlocal Means Image Denoising

The nonlocal means( NLM) has been widely used in image processing. In this paper,we introduce a modified weight function for NLM denoising, which will compute the nonlocal similarities among the pre-processing pixel patches instead of the commonly used similarity measure based on noisy observations. By the law of large number,the norm for the pre-processing pixel patches is closer to the norm of the original clean pixel patches,so the proposed weight functions are more optimized and the selected similar patches are more accurate. Experimental results indicate the proposed algorithm achieves better restored results compared to the classical NLM's method.

水平集曲率引导的卡通-纹理图像分解

针对全变分(TV)正则项不利于保持图像拐角及已有分解变分模型中零散度向量函数被忽略的问题,提出一个水平集曲率引导的图像分解模型。首先,分析图像的曲率与梯度的关系,将水平集曲率与低通滤波器结合加入模型正则项。同时,对用于刻画纹理的H^(-1)泛函,保留其忽略的零散度向量函数,给出带零散度向量函数约束的图像分解模型。然后,给出假设模型的算法及求解步骤。最后,用不同的图像在三个变分模型上进行分解实验,并展示了结构、纹理和零散度向量函数的向量场信息。结果表明,该模型能明显提高图像分解效果。