基于快速均值漂移和水平集方法的图像分割技术

通过加强边缘检测函数的约束作用,对L i提出的无需重新初始化的水平集方法进行了改进,用于提高水平集方法对弱边缘与低对比度图像的分割处理性能。同时,利用快速均值漂移法对图像进行预分割,将得到的轮廓作为水平集方法的初始轮廓,从而降低水平集函数的迭代次数。脑部M R图像的分割实验结果表明,该算法能够准确地提取相应的脑组织,同时大大地提高水平集函数的演化速度。

基于光谱—空间特征的ASTER影像岩性分类研究——以甘肃北山白峡尼山地区为例

遥感岩性制图是地质填图中的重要工作,基于光谱特征的岩性分类易受到色调、纹理等因素影响导致精度不佳。前人进行岩性自动分类研究多关注影像的光谱特征,而忽略空间特征,笔者等基于甘肃北山白峡尼山地区ASTER影像,将支持向量机、极限学习机两种机器学习分类方法与基于空间特征的快速漂移算法相结合进行岩性分类。结果表明支持向量机分类总体精度为89.17%;极限学习机不但具有需调节参数少的优势,且分类精度和速度均优于支持向量机,分类总体精度达96.70%;利用快速漂移算法提取的影像空间特征可有效减少错分区,提升岩性分类效果。研究证实将基于光谱特征的极限学习机和基于空间特征的快速漂移算法结合的岩性分类方法具有客观、高效、高精度等优势,可为后续地质填图和找矿勘查工作提供可靠数据支撑,在遥感岩性分类领域具有较高的推广价值。

一种基于共享近邻的密度聚类算法

针对经典的快速漂移(Quick Shift)算法在偏移过程中需要人为地指定领域值,导致在复杂数据集上表现不佳等问题,提出一种改进的共享近邻密度聚类算法(QS-SNN)。该聚类算法基于共享近邻(SNN),计算出样本点之间的相似度;通过相似度衡量得到样本点的局部密度矩阵;通过在SNN领域中对样本点进行快速偏移,得到最终的聚类结果。在多个数据集上进行实验,结果分析表明,该算法比传统的Quick shift算法以及其他的聚类算法在准确度上有了较大的提升。

基于Quick Shift算法的高光谱影像分类

论述了面向对象分类方法处理高光谱高空间分辨率影像的优势与流程;分析了快速漂移(Quick Shift)算法的原理,该算法在进行模式搜索时具有可控制模态选择和平衡"过分割"与"欠分割"的特点。将该算法应用于高光谱影像分割,可得到面向对象分类所需的较理想的"同质"影像对象。为提高影像分割的效率,提出了一种基于灰度共生矩阵的自适应核带宽确定方法,能够兼顾影像空间特征和光谱特征。最后采用最小距离分类法、支持向量机分类法与提出的分类方法进行了对比试验,实验结果表明了该方法的有效性。

γ吸收法铀浓度测量装置设计

设计加工了一套γ吸收法实验室铀浓度测量装置。该装置采用快速硅漂移探测器作为探头,^(241)Am作为放射源。通过配置浓度为10.25 g/L.50.25 g/L.90.23 g/L和124.30g/L的4组铀标准溶液,建立铀浓度工作曲线,并对系统的精密度、准确度和稳定性进行了测试。实验测试表明:该装置可有效地避免铀溶液中裂片元素的γ射线和X射线对测量产生的影响;工作曲线的拟合线性度R^(2)=0.9996;对不同浓度铀溶液(10.25 g/L、90.23 g/L、252.796g/L)的精密度RSD分别为2.29%、0.49%.0.19%;相对误差为2.4%;连续测量10h,数据全部落在μ±3s内。