边缘惩罚层次区域合并SAR图像分割算法

该文利用方向边缘强度信息,建立一种新的边缘惩罚SAR图像分割模型,提出一种最小化该模型的层次区域合并算法。利用多方向比例边缘检测算子(MDRED)提取边缘强度信息,并结合分水岭变换获得高质量的初始过分割结果。利用多边形近似区域边缘,提取边缘的方向,将方向边缘强度映射(OESM)融入边缘惩罚中,获得惩罚强度与边缘强度呈反比的惩罚项。逐渐增大边缘惩罚项的强度,获得由图像特征驱动的层次区域合并算法。利用区域邻接图(RAG)表示图像分割,提高区域合并的速度。实验表明:该文方法与其它方法相比在性能和效率上都有优势,获得更好的分割结果。

带边缘惩罚和自适应权马尔科夫随机场的合成孔径雷达图像快速分割

针对合成孔径雷达(SAR)图像提出了一种带边缘惩罚和自适应权马尔科夫随机场(MRF)模型的快速分割算法。在MRF分割模型的能量函数中引入了边缘惩罚和自适应加权参数。边缘惩罚的引入能够减少边缘模糊从而更加精确地定位边缘。自适应权参数能够根据图像分割时收敛的阶段以及图像的局部场景自适应地调整能量函数中数据模型因子的权重,这有利于在均质区域改进分割区域的一致性,而在非均质区域则可保持图像的边缘和重要细节。针对所提出的能量函数提出了一种快速的非均质点跟踪优化算法。对合成和真实的SAR图像的分割结果表明,所提出的分割方法能提高分割的精度并显著减少运行时间。

基于自适应约束正则HL-MRF先验模型的MAP超分辨率重建

针对Huber-MRF先验模型对图像高频噪声抑制能力较差,而Gauss-MRF先验模型对图像高频过度惩罚的问题,提出了一种改进的自适应约束正则HL-MRF先验模型。该模型将Huber边缘惩罚低频函数与Lorentzian边缘惩罚高频函数相结合,对低频进行线性约束的同时对高频实现平滑惩罚;并采用自适应约束方法确定正则化参数,从而得到最优的参数解。与基于Gauss-MRF先验模型和Huber-MRF先验模型的超分辨率算法相比,HL-MRF先验模型获得的超分辨率重建图像在峰值信噪比(PSNR)和细节方面都有一定程度的提高,在抑制高频噪声、避免图像细节被过度平滑方面具有一定的优势。

基于优化的MRF遥感影像分割算法

MRF图像分割算法由于其良好的抗噪性,在图像分割邻域应用广泛,但其存在过度分割现象,导致边缘分割模糊定位不准确。针对这一问题,文章首先在传统的MRF图像分割算法中引入可变权重的参数来连接标记场模型与特征场模型,使得两种模型之间形成一种平衡,获取可保持图像边缘、图像重要细节和具有区域一致性的分割结果。然后在边缘处自适应地引入边缘惩罚函数,调整势函数的能量对能量函数的贡献,减少分割时对边缘的模糊,提高对边缘的定位精度。通过实验结果分析表明,所提出的优化的MRF影像分割算法比传统的ICM迭代计算MRF分割算法和变权重的MRF分割算法具有更高分割精度。