摘要：针对码本模型在前景目标检测中的效率有待进一步提高的现状,提出了融合超像素分割的码本构建算法。为减小处理对象的规模,设计了按照颜色及空间相似度聚类原始像素点的思路。以超像素作为码本构建单元,有利于抑制局部噪声并降低码本的冗余度。实验结果表明,融合超像素分割的码本模型算法在保持前景目标检测准确性的情况下,能显著减少视频处理过程中的内存消耗以及提高视频帧处理效率,在基于DM6437的嵌入式处理平台上达到了实时处理的性能。

摘要：高光谱异常检测旨在识别与周围像素具有显著光谱差异的像素,由于不需要先验光谱信息的特点,其在军事和民用领域发挥重要价值。实现高光谱异常检测的一个重要手段是局部对比度计算,现有方法通常采用双窗口法进行计算,然而,窗口尺寸通常依据经验值进行手工设定,泛化能力不足。为了解决上述问题,本文提出了一种融合自适应窗口显著性检测和改进超像素分割的高光谱异常检测方法。该方法先利用对抗自编码网络对高光谱图像进行降维,以降低模型计算复杂度。其次,引入正交投影散度来改进超像素分割中的光谱距离度量方式,提升分割精度。然后,提出一种自适应窗口显著性检测算法来初步定位异常目标,该算法依据超像素分割结果来自适应确定双窗口,提高显著性检测的精度和泛化能力。最后,采用域变换递归滤波和阈值化操作对初始检测结果进行后处理,降低虚警率。消融实验表明,本文所提基于正交投影散度的改进超像素分割算法较基于传统光谱距离度量方式的算法性能更优,所提自适应窗口显著性检测算法的性能优于传统手工设定窗口尺寸的算法;与7种流行算法的主、客观对比实验表明,本文方法在总检测精度和异常—背景像素分离度上均优于流行算法。综上所述,本文所提改进超像素分割算法能提升现有高光谱图像超像素分割的效果,以此为基础所设计的自适应窗口显著性检测算法不仅能克服现有双窗口算法泛化能力不足的问题,还能获得优于流行算法的异常检测效果。

摘要：高分辨率遥感影像含有丰富的细节和光谱信息,在土地利用、建筑检测、地物覆盖分类等对地检测场景具有重要应用。针对纹理区域划分错误、小目标丢失等问题,提出一种融合嫁接注意力和细节感知的超像素分割算法。首先,构建边缘引导的空间细节模块,弱化不同层级合并时的差异,弥补采样过程中的空间细节信息丢失。其次,设计嫁接型注意力机制,增强局部区域特征,提高小目标边缘的提取能力。最后,提出纹理感知损失,通过自适应调整特征图的纹理权重,提升纹理区域的表达。在遥感影像数据集上的实验结果表明,对比当前主流超像素分割算法,所提算法在欠分割误差和边界召回性能指标上分别达到了0.15%和0.87%,能够提高模型对纹理和小目标区域的分割性能。

摘要：深度学习的发展加快了图像语义分割的研究。目前,最有效的图像语义分割研究方法大部分都是基于全卷积神经网络(FCNN),尽管现有的语义分割方法能有效地对图像进行整体分割,但对于图像中的重叠遮挡物体不能清晰地识别出边缘信息,也不能有效地融合图像高低层的特征信息。针对以上问题,在采用FCNN来解决图像语义分割问题的基础上,利用超像素分割对物体边缘的特殊优势作为辅助优化,对粗糙分割结果进行优化。同时在FCNN中利用空洞卷积设计了一个联合局部跨阶段的多尺度特征融合模块,其能有效地利用图像的空间信息。此外还在网络的上采样模块中加入跳跃连接结构,用来增强网络的学习能力,在训练过程中采用2个损失函数来保证网络稳定收敛和提升网络的性能,图像语义分割网络在公开的数据集PASCALVOC2012上进行训练测试。实验结果表明,该改进算法在像素精度和分割准确率方面均有提升,且具有较强的鲁棒性。

摘要：针对众多图像分割算法中计算量大,算法过程复杂,算法运行速率较慢等问题,文中采用将超像素图像分割技术与FPGA并行处理技术相结合的方法,完成了一种在FPGA平台上的超像素图像分割算法的设计。SLIC是一种快速的超像素分割算法,相较于传统的图像分割算法,SLIC算法拥有较高的实时性与良好的分割效果。通过研究SLIC算法的原理,优化原算法操作并对原图像执行降尺度操作大幅度降低了算法的运算量,在降尺度图像的分割结果上使用K近邻分类算法还原对原图像的分割结果。最终结合FPGA技术对改进后的算法进行模块化功能设计,完成了在FPGA平台上的算法实现。实验仿真结果表明,本算法的分割效果优秀,相较于原算法处理速度约有40%的提升,具有更高的实时性。

摘要：建筑物是城市空间的重要部分,建筑物信息的提取对基础地理空间数据库更新、城市规划、城市动态监测等具有重要意义。基于遥感影像数据提取建筑物信息具有非常广泛的应用,本文提出了一种基于随机森林和超像素分割算法,并从机载激光点云和数字航空影像数据中自动提取建筑物的方法。试验选取广州市海珠区某处为研究区域,结果表明:在一般的城市区,90%以上建筑物可以准确快速提取,平均准确性和完整性均为90%左右,本文提出的方法具有良好的应用前景。

摘要：针对简单线性迭代聚类算法在多光谱遥感图像超像素分割中存在的未充分利用图像特征信息及超像素尺寸、数量固定导致分割精度较低的问题,提出将流形-简单线性迭代聚类算法引入到遥感图像超像素分割任务中,并对其进行改进.首先,给出一种基于彩色局部二进制模式改进的多光谱遥感图像纹理特征提取方法;其次,扩展流形-简单线性迭代聚类算法的光谱空间,使算法可以适应高维图像数据;最后,改进流形-简单线性迭代聚类算法的聚类距离度量,融合图像的多段光谱特征、空间特征及纹理特征对像素进行迭代聚类,实现内容敏感超像素分割.实验结果表明,与现有方法相比,该算法对多光谱遥感图像的超像素分割结果更准确,在边缘召回率、欠分割误差、可达细分精度指标上均有提升,能改善多光谱遥感图像分割预处理方法中精度较低的问题.

摘要：针对本色织物生产过程中出现的断经、断纬、污渍、擦伤和破洞等表面缺陷,课题组设计了一种基于显著性检测和超像素分割的本色织物疵点检测系统。课题组首先对输入的图像进行双边滤波,保持图像边缘的同时去除织物纹理;然后将图像分成n×n个大小相同的图像块,对每个图像块使用基于全局对比度的图像显著性检测生成显著图;再对整张粗定位显著图进行超像素精细分割,以及二值化和图像形态学处理剔除孤立点,定位出疵点区域。实验结果表明:与3种常见的显著性检测算法相比,新系统对本色织物疵点检测的准确率更高,时间更短且疵点轮廓的分割更精确。

摘要：合成孔径雷达(Synthetic Aperture Radar,SAR)能够不受天气和环境影响,长时间、远距离地高效对目标区域进行探测和数据采集来获取高分辨的观测数据,同时SAR可以多极化、多波段进行观测来获取丰富可靠的信息,以上特性使得SAR在舰船目标检测领域发挥着重要作用。针对传统超像素级恒虚警率检测算法运行效率低的问题,在超像素分割模块提出了一种基于Gamma分布的快速非迭代聚类算法。该算法使用优先级队列来动态实时更新聚类中心,实现了聚类过程的非迭代运算,并且针对SAR图像特点基于Gamma分布改进距离度量,通过衡量图块之间的相似度代替彩色空间距离度量,使得该算法更适合处理灰度图像。针对多目标邻近干扰的问题,本文在CFAR检测模块选用对背景杂波拟合效果好的截断Gamma分布模型。将改进的超像素分割算法与基于截断Gamma分布的检测算法结合,最终设计了一种改进的SAR图像目标超像素快速检测算法。经实验验证,本文提出的改进超像素分割算法在保证分割性能优异的同时,复杂度明显降低;另外截断Gamma分布尽可能地保留了真实的海杂波样本,在统计模型构建上呈现出更高的精确度和更佳的拟合效果,对后续检测算法更有利;在多目标邻近的实测SAR图像中,本文改进的目标超像素快速检测算法具有较高的检测率和执行效率。

摘要：在研究熵率超像素图像分割的基础上,提出基于拟阵的子模函数最大化算法来解决目标函数的优化问题。采用图拓扑方法进行图像分割,在拟阵约束下最大化目标函数,利用目标函数的子模性和单调性,设计了一种基于堆结构的高效率贪婪算法。通过在Berkeley分割数据集和基准测试中的大量实验,以及对真实自然环境下多幅叶片图像的分割实验,从欠分割误差率、边界回溯率、可达分割精度以及运行时间等方面与现有分割算法进行了对比。实验结果显示,子模函数最大化优化算法的所有标准评估指标均优于现有技术,对于100个超像素,分割精度可达到95%,运行速度提高50%,对图像的分割具有一定的现实意义。