大规模遥感影像Mean Shift并行分割优化算法研究

传统影像分割算法在面对大规模遥感影像时普遍存在分割效率低、内存消耗大等情况(甚至无法分割),同时"分块线"的存在也制约了许多算法的并行化改造.本文利用Mean Shift均值漂移分割算法针对遥感影像进行并行化处理,有效地解决了大影像分割时所存在的问题,同时改进影像光谱空间的构建,在均值漂移滤波和合并的过程中分别对影像采用分区缓冲的策略,解决了并行化分割算法处理时会产生的"分块线"问题.在多种遥感数据上的分割实验及与e Cognition软件的对比实验表明,本文所提出的并行分割优化算法可以在不影响分割精度的情况下有效提高分割效率,一定程度上满足实际生产及应用需求.

改进的Mean Shift分割算法在安全区域识别中的研究

为了提高在监控视频下进行安全区域识别的快速性及准确性,文中研究并提出了一种改进的Mean Shift(均值漂移)分割算法。首先简要介绍了小波变换与均值漂移分割算法的理论基础,再将二者融合后改进算法的计算转换到一个新的特征空间中进行,并将其应用于安全区域识别中,最后分别在纯净背景和复杂背景下进行安全区域识别对比实验。实验结果表明,文中的改进算法应用在安全区域识别中不但能更有效地消除噪声的干扰,同时具有更高的检测率和准确率,实现了更快的识别速度与更显著的识别效果。

基于彩色图像分割的置信传播快速立体匹配算法

本文采用了一种基于彩色图像分割和置信传播相结合的快速立体匹配算法。对于已经校准好的两幅图像,首先采用均值漂移算法对彩色图像进行图像分割,然后采用区域匹配算法进行快速初始立体匹配,再采用左右一致性校验法滤除误匹配点,得到初始视差图以及各个区域的视差平面模板。最后采用置信传播算法对获得的视差平面模板进行全局优化,得到各个区域最优视差平面模板,从而得到最终视差图。实验结果表明,采用区域匹配与全局优化算法相结合,不仅提高了立体匹配速度,同时也保证了匹配质量。

基于OpenCV的近景图像增强和分割算法研究

本文通过对近景图像的对比度和亮度进行分析实现了自动选择图像增强算法的方法,分别对金字塔均值漂移分割算法、分水岭分割算法和GrabCut分割算法进行了对比研究。经实验表明,图像对比度太小、亮度太高或太低对近景图像分割都会造成不利的影响,伽马变换增强算法适合调整亮度较高的图像,直方图均衡化增强算法适合调整亮度较低的图像。分水岭分割算法和GrabCut分割算法不适合近景图像多类别的自动分割,而金字塔均值漂移分割算法是基于核密度梯度估计的无参数快速统计迭代算法,可实现类别自动分割,分割精度较高,而且利用建立金字塔结构可进行多尺度分割。本文的研究成果对自动选择最佳的图像增强算法和分割算法以及参数设置具有重要的参考价值。