基于GMRF模型的统计特征畸变织物疵点识别

为提高纹理模型对统计特征畸变织物疵点的识别率,提出一种GMRF纹理模型自动识别不同种类的统计特征畸变织物疵点。介绍了GMRF模型的纹理合成。利用生成的GMRF纹理模型进行仿真实验,以验证参数估计算法和纹理合成算法的正确性。设计了织物疵点的检测流程,并对实际疵布进行自动检测。结果证明:通过GMRF模型参数构造的距离统计量能够敏感地区分正常织物纹理和统计特征畸变疵点纹理,比较适用于统计特征畸变疵点的自动检测。

基于三维GMRF的高光谱图像空天融合目标检测

针对传统高光谱目标检测技术仅依靠单一的航空或航天高光谱图像进行目标检测,未能综合利用航空和航天遥感成像各自优势的问题,结合三维高斯马尔科夫随机场(GMRF)模型和D-S证据理论提出了一种空天融合目标检测方法。利用三维GMRF算法分别对航空航天遥感图像进行目标检测,再将检测结果进行决策级D-S证据理论融合,实现空天融合目标检测。实验结果表明,该目标检测技术实现了空天高光谱图像的优势互补,提升了目标检测精度,是一种融合处理空天高光谱遥感图像的目标检测新方法。

基于同态滤波图像分割GMRF模型的应用研究

采用GMRF模型对红枣彩色图像的灰度空间进行建模,采用阀值法对灰度图像进行分割处理,并用同态滤波光照补偿算法对图像的光照进行补偿。研究结果表明:GMRF可以有效地实现对目标图形的分割;而同态滤波算法通过压制低频,增益高频信号,增强图像细节,从而在一定程度上解决图像光照不均的问题。

Textile Texture Modeling Using Random Field Models

Described in the paper is the method to fit autoregressive(AR)random field models and Gausslan Markov ran-dom field(GMRF)models for textile textures.Maxi-mum likelihood(ML)estimation schemes and texturesynthesis for these models are presented.Three types oftypical textile textures are tested using the method andsatisfactory results are achieved.

基于高斯-马尔可夫随机场模型的织物纹理特征参数提取方法

将高斯-马尔可夫随机场用于织物纹理的建模.在估计模型参数时,采用不完全 Cholesky共轭梯度法.获得特征参数后,通过纹理合成方法,仿真原始纹理图像.试验表明:仿真织物纹理图像与真实织物纹理图像具有较为一致的视觉效果,从而论证了高斯-马尔可夫随机场模型对织物纹理建模的有效性.

基于特征学习的建筑物自动识别算法研究

针对单幅航拍灰度图像的建筑物自动识别问题,给出了一种基于类特征学习的算法结构。利用建筑物顶部的高亮度特性,采用基于灰度的OTSU方法实现图像的粗略分割;然后采用二阶高斯马尔可夫随机场(GMRF)模型描述已分割图像,得到目标/背景类的6维特征向量;以此特征向量及粗分割的类标记为训练集,训练支持向量机(SVMs)分类器学习两类特征,再用训练过的分类器重新分割图像;最后采用基于先验知识的规则对分割区域进行建筑物/非建筑物判定;理论分析和实验结果表明了算法的有效性。

Contourlet域下基于多尺度特征的声呐图像分割

水下环境复杂多变,导致声呐技术成像后的图像质量差,影响目标识别。为此,提出一种基于Contourlet域下多尺度高斯马尔可夫随机场(GMRF)模型的水平集声呐图像分割算法。采用Contourlet变换及逆变换获取声呐图像各尺度层下的纹理特征,通过GMRF对各层纹理特征建模,以描述局部结构空间信息并降低对噪声的敏感度。根据各层纹理特征模型,对声呐图像进行由粗到细尺度的水平集分割以得到分割结果。实验结果表明,该算法在不同声呐图像中的分割准确度超过90 %,优于Otsu算法,且具有较低的复杂度和较强的鲁棒性。

改进的DNLS图像分割算法

针对多边形的拓扑性不足造成析取正态水平集(DNLS)模型边缘拟合不完整的问题,提出一种基于高斯马尔可夫随机场(GMRF)模型的析取正态水平集图像分割算法。该算法提取图像的颜色通道信息,利用GMRF模型描述不同颜色通道的纹理特征;重写DNLS模型能量函数,将图像纹理信息、色彩信息加权融入,以颜色特征和纹理特征的组合作为对图像进行分割的依据。在演化迭代过程中,使用分段学习率减少迭代次数,实现快速收敛。该算法降低了噪声对图像的影响,提高了DNLS模型的边缘拟合能力。改进算法通过利用图像的色彩信息及纹理细节信息,能有效抵抗图像噪声和复杂的色彩信息干扰,边缘拟合效果更好、分割准确性更高,具有更强的适应性。通过与其他算法在同等环境下进行分割实验定量对比,验证了该算法的有效性。

基于空间相关电离层模型的天波雷达目标跟踪

天波超视距雷达(简称天波雷达)(OTHR)通过电离层反射效应可实现对多种高价值目标的远程预警。天波雷达目标跟踪算法设计中,电离层建模对其跟踪性能至关重要。该文考虑现实中电离层的空间相关性,提出一种基于高斯马尔可夫随机场(GMRF)的电离层虚高模型,以及相应的天波雷达多路径目标跟踪方法。该方法在贝叶斯估计的基础上,对多路径杂波环境下目标状态估计与电离层虚高参数进行联合建模与估计。该方法有效建立起了不同电离层区域之间的相关性,能够在电离层量测有限的情况下推断未量测区域的电离层虚高,改善电离层虚高参数辨识精度,进而提高目标跟踪精度。仿真结果表明基于空间相关性的电离层模型可以有效改善天波雷达目标跟踪性能。

基于立体环形邻域的GMRF模型及其在遥感影像纹理识别中的应用

对传统的GMRF模型进行了扩展,建立了基于立体环形邻域的GMRF模型,并设计了分步模型参数求解方法。这种新的模型不仅全面考虑了多光谱高分辨率影像中各波段内像元之间的空间相关性,而且还顾及了波段间像元的相关性。与传统的GMRF模型相比,基于立体环形邻域的GMRF模型提取的纹理信息更为丰富。采用Forrest彩色纹理图像和QuickBird卫星遥感影像进行了实验验证,实验结果表明本文提出的基于立体环形邻域GM-RF模型的纹理识别算法具有较强的普遍适用性,对不同情况的纹理影像(即空间相关性主要存在于波段间还是波段内)进行识别均能获得较好的分类效果。

基于小波域分层Markov模型的纹理分割

提出了一种新的小波域分层Markov模型。该模型使用高斯马尔可夫随机场(Gauss Markov randomfield,GMRF)模型描述每一尺度小波系数向量的分布,考虑了同一尺度特征之间的相互作用;利用尺度间的因果马尔可夫随机场(Markov random field,MRF)模型和尺度内的非因果MRF模型来描述标记场的局部作用关系,以此确定标记场的先验信息。根据贝叶斯准则,利用多目标问题优化技术,给出了此模型相应的纹理分割算法。最后,与经典模型的分割算法进行了对比实验,验证了所提出算法的有效性。

一种基于高斯马尔可夫随机场模型的混合像元分解方法

传统的混合像元分解模型只考虑了光谱信息,而忽略了空间相关信息的利用.事实上遥感影像以及分解后获得的组分影像都具有空间自相关关系.本研究提出利用高斯马尔可夫随机场模型来描述组分空间相关的特性,构建一种综合利用影像光谱和空间信息的混合像元模型,以提高混合像元分解精度.利用模拟与真实的数据证实了本文方法的有效性,一定程度上能够改善混合像元的分解结果,特别是在噪声相对比较大的情形下分解精度较高,并且表现出良好的鲁棒性.