用于图像分割的局部区域能量最小化算法

针对点对马尔可夫随机场(Pairwise MRF)模型中像素成对交互的结构不能充分描述图像丰富的局部统计特征问题,在研究Pairwise MRF模型基础上,提出了一种基于局部区域能量最小化的图像分割算法.该算法先利用图像局部区域信息构造局部区域能量模型,建立了一种局部交互的区域马尔可夫随机场分割模型,然后采用无环置信传播(LBP)算法对MRF全局能量进行优化.优化过程中,对局部区域能量进行收敛并按照MAP准则估计局部区域标号,通过LBP算法把局部区域信息传递到邻域区域中去.实验结果表明,所提出的新算法较标准LBP算法具有更好的分割结果,并有效地抑制了图像噪声信号和纹理信号对分割结果的干扰和影响.

基于Top-Hat变换和马尔可夫随机场相结合的背景抑制算法

空中远距离目标在红外探测器上表现为弱小目标,其在图像中灰度和面积特征均不明显。由于天空中云层的影响,图像背景可能存在大面积的高亮区域或者复杂的纹理结构,影响检测系统的检测概率和虚警率,因此必须对图像进行背景抑制。将Top-Hat算法和基于马尔可夫随机场(MRF)的图像分割算法相结合来对图像进行处理。仿真结果表明,该方法能在有效抑制背景的同时保留真实目标,达到预想效果。

马尔可夫随机场的空间相关模型在非负矩阵分解线性解混中的应用

针对基于非负矩阵分解(NMF)的高光谱解混存在的初始化与"局部极小"等问题,提出一种基于马尔可夫随机场(MRF)的空间相关约束NMF线性解混算法(MRF-NMF)。首先,通过基于最小误差的高光谱信号识别(Hy Sime)法估算端元数量,同时利用顶点成分分析(VCA)和全约束最小二乘法(FCLS)初始化端元矩阵与丰度矩阵;其次,利用MRF模型建立描述地物空间分布规律的能量函数,以此描述地物分布的空间相关特征;最后,将基于MRF的空间相关约束函数与NMF标准目标函数以交替迭代的形式参与解混,得出高光谱数据的端元信息与丰度分解结果。理论分析和真实数据实验结果表明,在高光谱数据空间相关程度较低的情况下,相比最小体积约束的NMF(MVC-NMF)、分段平滑和稀疏约束的NMF(PSNMFSC)和交互投影子梯度非负矩阵分解(APS-NMF)三种参考算法,所提算法的端元分解精度仍分别提高了7.82%、12.4%和10.1%,其丰度分解精度仍分别提高了8.34%、12.6%和9.87%。MRF-NMF能够弥补NMF对于空间相关特征描述能力的不足,减小解混结果中地物的空间能量分布误差。

遥感影像土地覆盖分类的多点地统计学方法

提出了一种基于多点地统计学理论的遥感影像分类后处理方法。此方法从训练图像中提取先验的空间结构信息,推断类别的空间分布模式和相关关系,训练图像中能够建立包含空间关系的模型,比传统变异函数模型所表达的点对之间的关系更为丰富。将此方法应用于从Landsat TM影像中提取湿地类别,与空间平滑法和基于马尔科夫随机场的分类方法相比,其总体分类精度有所提高,且对曲线分布的地物类别的处理具有明显优势。