基于级联与组合属性形态学滤波的模糊边界目标识别

应用属性形态学的属性准则级联与组合处理方法对模糊边界目标图像进行滤波,研究面积、面积亮度对比、形状、拓扑高度和后代数等属性形态学滤波原理及滤波适应性。通过最大树节点属性计数方式对模糊边界细胞进行精确统计,利用基于连通域灰度层次的拓扑分布节点属性描述和修剪方法,实现模糊边界分割和粘连目标识别,并采用柔性结构元素对复杂边界图像进行规约性滤波。实验结果表明,与现有目标识别方法相比,该方法能有效排除模糊目标图像中非感兴趣区域的背景干扰,提高对各类细胞的识别精度。

基于面积稳定性与形状属性的杆状区域分割

针对不同光学环境下模糊图像和复杂形状交叠图像中目标区域的分割问题,研究了基于属性形态学分析的杆状区域的滤波和提取方法。应用连通域的面积稳定性和形状属性特征对模糊边界的杆状目标进行滤波,连通域变换中的面积稳定性有效控制粘连细胞等大区域的形成,而形状属性以个体模板目标有效规约连通域的生长和修剪。实验表明:组合属性形态学方法有效地排除了非杆状物等背景干扰,有效分割出的目标像素达90%左右,识别出的目标区域达96%。该方法有效提高了用连通域表示的特定形状区域的分割精度和鲁棒性。

高分辨率SAR影像形态学层级分析的建筑物检测

目的现有基于结构分析的高分辨率SAR影像建筑物检测方法,只考虑了直线和L形结构建筑物,并且依赖建筑物高亮线条处阴影区作为建筑物识别的主要特征;当处于复杂场景时,阴影区受制于背景较暗或建筑物密集而无法准确得到,导致建筑物检测误差大、检测率低。针对上述问题,提出一种基于形态学层级分析的高分辨率SAR影像无监督建筑物检测算法。方法该方法基于单幅单极化高分辨率SAR影像,首先利用改进的形态学交替滤波算子有效抑制其固有的斑点噪声,大大剔除了同质区背景噪声的干扰;然后利用层级分析形态学差分属性断面算法来实现对SAR影像建筑物的几何结构特征的提取;最后结合特征融合和属性阈值分割等后处理步骤得到复杂场景下建筑物提取信息。结果将上述方法在建筑物密集的城区SAR影像中实验,通过与其他方法对比分析,具有检测率高、误差小的特点,准确率和召回率分别为95.38%、86.31%,并对降低虚警率方面有明显的优势。结论将形态学交替滤波与形态学属性滤波的改进与结合,在对不同走向、尺寸和形状的高密度建筑物检测中具有较好的适应性。