MSTAR图像2D Gabor滤波增强与自适应阈值分割

为实现MSTAR图像无监督分割,并提高分割精度和计算效率,提出了一种基于Gabor滤波增强的自适应阈值分割算法。首先利用多尺度、多方向的Gabor滤波器组对待分割图像进行滤波处理,抑制目标、阴影和背景区域内部的斑噪起伏,同时增强区域间的差异性;在此基础上,通过对增强图像统计特性的分析,给出了灰度阈值计算形式,实现了MSTAR图像的自适应分割。实验结果表明,本文算法对不同斑噪强度的MSTAR图像均具有良好的处理效果,在分割精度、计算效率等方面优于传统的OTSU,以及FCM、MRF等分割方法。

基于高阶灰度矩的MSTAR图像分割算法

针对MSATR图像分割问题,给出了一种基于高阶灰度矩的处理算法.首先深入分析了MSTAR图像的统计分布特性,并对目标、阴影,以及背景区域分别建立了相应的描述模型,在此基础上,构造了高阶灰度矩特征.通过将原始图像变换到高阶灰度矩形式,显著增强了目标区域与阴影、背景区域的差异性,进而依据不同的阈值化策略,实现了MSTAR图像中目标、阴影和背景区域的分割.对MSTAR图像的实验结果表明,与恒虚警率(CFAR)、最大类间方差(OTSU)、模糊C均值(FCM)和马尔可夫随机场(MRF)等常用分割算法相比,本文算法不需进行噪声抑制处理,且在分割效果和鲁棒性等方面性能更好.同时,对多尺度、多目标MSTAR图像的分割也显示出良好的适应性.

MSTAR图像的矩特征分析与多阈值分割

图像分割是合成孔径雷达(SAR)图像自动目标识别应用中的基础性问题。定义并分析了运动、静止目标获取与识别(MSTAR)图像的矩特征,进而构造了多阈值处理策略,用于MSTAR图像的分割。首先研究了目标、阴影,以及背景区域统计特性,并确定了相应的数学模型描述,在此基础上给出了矩特征的定义,并分析了其基本特性。利用图像空间到矩特征空间的转换,显著增强了目标区域与阴影、背景区域的差异性,进而通过构造不同的阈值化规则,实现了MSTAR图像中目标、阴影和背景区域的分割。对MSTAR图像的处理结果表明,与恒虚警率(CFAR)、最大类间方差(OTSU)、模糊C均值(FCM)和马尔可夫随机场(MRF)等典型分割算法相比,本文算法不需进行噪声抑制,但在分割效果和鲁棒性等方面性能更好,同时,对多尺度、多目标MSTAR图像的分割也显示出良好的适应性。

基于MRF模型和形态学运算的SAR图像分割

针对目标监测分析中的SAR图像分割问题,构造了一种基于马尔可夫随机场(MRF)模型和形态学运算的处理方法。首先利用SAR图像邻域空间上的马尔可夫性以及像素灰度的高斯分布模型,以较少的迭代次数实现了SAR图像的初分割;然后通过形态学运算进行处理,抑制干扰性分割,同时填充目标区域内部空洞,改善分割效果。实验结果显示,该方法可以较好地实现SAR图像目标区域的分割,且处理效率较高,利于实现SAR图像的快速有效分割。

基于NSCT-Gabor特征和脉冲耦合神经网络的SAR图像分割

针对SAR图像目标的精确分割问题,利用非下采样轮廓波变换(NSCT)和Gabor滤波器分别提取图像特征,然后采用脉冲耦合神经网络(PCNN)对目标区域进行增强,提出了一种分割算法。分别对图像进行NSCT分解和Gabor滤波,对NSCT域的高、低频子带系数构造一个特征图,对Gabor滤波的不同尺度构造对应的特征图,对所获取的各个特征图用PCNN进行目标增强,最后对增强的特征图进行合理合并与分割。利用MSTAR SAR数据库中各种干扰强度下的图像进行了实验,结果表明,相比于模糊C均值、马尔可夫随机场等常见的分割算法,所提出的算法分割结果更为准确,同时受噪声干扰更小。

基于NSCT域特征和PCNN的SAR图像目标分割

针对SAR图像的目标自动分割问题,在分析非下采样轮廓波变换和脉冲耦合神经网络的基础上,提出了一种基于非下采样轮廓波域特征图和PCNN的SAR图像目标分割算法。对SAR图像经过NSCT分解后的高、低频图像分别运用不同方式进行处理。对低频图用PCNN进行分割以获取目标所在的区域,对高频子带构造了特征图,对特征图利用PCNN进行分割以获取目标的精细结构。利用MSTAR数据进行了仿真实验,并与基于模糊C均值的分割算法、基于马尔可夫随机场的分割算法进行了对比。实验结果表明,所提出算法对SAR图像目标的分割结果更为准确,同时较其它算法具有更强的抗噪性能,是一种有效可行的SAR目标分割算法。

基于NSCT域特征和PCNN的SAR图像目标分割

针对SAR图像的目标自动分割问题,在分析非下采样轮廓波变换(nonsubsampled contourlet transform,NSCT)和脉冲耦合神经网络(pulse coupled neural networks,PCNN)的基础上,提出了一种基于非下采样轮廓波域特征图和PCNN的SAR图像目标分割算法.对SAR图像经过NSCT分解后的高、低频图像分别运用不同方式进行处理.利用PCNN对低频图和高频子带特征图分别进行分割,获取了目标所在的区域及目标的精细结构.利用MSTAR数据进行了仿真实验,并与基于模糊C均值的分割算法、基于马尔可夫随机场的分割算法进行了对比.实验结果表明,所提出算法对SAR图像目标的分割结果更为准确,同时较其他算法具有更强的抗噪性能.