传统的分水岭算法的应用非常广泛,但是存在过分割的问题。通常有两类方法解决该问题。第一类是后处理方法,它的原理是根据分水岭分割后的结果,使用某种方法让一些区域合并在一起。第二类属于前处理方法,在应用传统分水岭算法之前先标记...传统的分水岭算法的应用非常广泛,但是存在过分割的问题。通常有两类方法解决该问题。第一类是后处理方法,它的原理是根据分水岭分割后的结果,使用某种方法让一些区域合并在一起。第二类属于前处理方法,在应用传统分水岭算法之前先标记提取,目前已经提出了基于标记的分水岭分割算法。这种方法虽然可以在一定程度上缓解传统分水岭算法的过分割问题,但是还是会有一定的过分割。文章在基于标记的分水岭算法的基础上,利用局部信息模糊C均值聚类算法(Fuzzy Local Information C-Means Clustering,FLICM)进行区域合并。实验结果表明:所提出的方法能有效地解决图像过分割问题,且更趋近于自然分割。展开更多
为了进一步提高多时相遥感图像变化检测的精度,本文提出了一种将Shearlet变换与核主成分分析(kernel principal component analysis,KPCA)相结合用于遥感图像变化检测的算法.首先利用Shearlet变换的多尺度、多方向和各向异性等特点,对...为了进一步提高多时相遥感图像变化检测的精度,本文提出了一种将Shearlet变换与核主成分分析(kernel principal component analysis,KPCA)相结合用于遥感图像变化检测的算法.首先利用Shearlet变换的多尺度、多方向和各向异性等特点,对遥感图像进行多尺度分解,然后对分解后的数据进行核主成分分析,再进行Shearlet反变换得到含变化信息的图像,最后对该图像利用模糊局部信息C均值(fuzzy local information c-means,FLICM)聚类算法进行分割,实现遥感图像的变化检测.大量试验结果表明,与基于主成分分析(principal component analysis,PCA)、基于KPCA、基于小波变换和PCA 3种变化检测算法相比,本文算法能有效地分离出变化信息,得到更准确的变化检测图像,具有更高的变化检测精度,且对背景有较强的鲁棒性,同时也减少了计算复杂度.展开更多
为了提高合成孔径雷达(synthetic aperture radar,SAR)影像变化检测的精度,提出一种基于变分法与马尔可夫随机场模糊局部信息聚类(Markov random field fuzzy local information C-means clustering,MRFFLICM)的SAR影像变化检测方法。...为了提高合成孔径雷达(synthetic aperture radar,SAR)影像变化检测的精度,提出一种基于变分法与马尔可夫随机场模糊局部信息聚类(Markov random field fuzzy local information C-means clustering,MRFFLICM)的SAR影像变化检测方法。首先融合对数比影像和对数均值比影像来构建差异影像;然后采用变分去噪模型去除差异影像的噪声;最后利用马尔可夫随机场将空间邻域信息引入到模糊局部信息C均值聚类算法中,提高聚类的性能。对两组不同时相真实SAR影像数据进行对比实验,结果表明,提出的变分去噪方法能够避免去除微小变化区域,有效抑制SAR影像的斑点噪声,同时MRFFLICM方法可以有效提高变化检测的精度,提升了变化检测方法的适应性。展开更多
文摘传统的分水岭算法的应用非常广泛,但是存在过分割的问题。通常有两类方法解决该问题。第一类是后处理方法,它的原理是根据分水岭分割后的结果,使用某种方法让一些区域合并在一起。第二类属于前处理方法,在应用传统分水岭算法之前先标记提取,目前已经提出了基于标记的分水岭分割算法。这种方法虽然可以在一定程度上缓解传统分水岭算法的过分割问题,但是还是会有一定的过分割。文章在基于标记的分水岭算法的基础上,利用局部信息模糊C均值聚类算法(Fuzzy Local Information C-Means Clustering,FLICM)进行区域合并。实验结果表明:所提出的方法能有效地解决图像过分割问题,且更趋近于自然分割。
文摘为了进一步提高多时相遥感图像变化检测的精度,本文提出了一种将Shearlet变换与核主成分分析(kernel principal component analysis,KPCA)相结合用于遥感图像变化检测的算法.首先利用Shearlet变换的多尺度、多方向和各向异性等特点,对遥感图像进行多尺度分解,然后对分解后的数据进行核主成分分析,再进行Shearlet反变换得到含变化信息的图像,最后对该图像利用模糊局部信息C均值(fuzzy local information c-means,FLICM)聚类算法进行分割,实现遥感图像的变化检测.大量试验结果表明,与基于主成分分析(principal component analysis,PCA)、基于KPCA、基于小波变换和PCA 3种变化检测算法相比,本文算法能有效地分离出变化信息,得到更准确的变化检测图像,具有更高的变化检测精度,且对背景有较强的鲁棒性,同时也减少了计算复杂度.
文摘为了提高合成孔径雷达(synthetic aperture radar,SAR)影像变化检测的精度,提出一种基于变分法与马尔可夫随机场模糊局部信息聚类(Markov random field fuzzy local information C-means clustering,MRFFLICM)的SAR影像变化检测方法。首先融合对数比影像和对数均值比影像来构建差异影像;然后采用变分去噪模型去除差异影像的噪声;最后利用马尔可夫随机场将空间邻域信息引入到模糊局部信息C均值聚类算法中,提高聚类的性能。对两组不同时相真实SAR影像数据进行对比实验,结果表明,提出的变分去噪方法能够避免去除微小变化区域,有效抑制SAR影像的斑点噪声,同时MRFFLICM方法可以有效提高变化检测的精度,提升了变化检测方法的适应性。
