基于多特征与水平集融合的遥感图像分割算法研究

Feature extraction is one of the key problems in image segmentation, which will improve the segmentation accuracy. By means of the properties of multiple features of remote sensing images, we shall focus on the extraction and representation problems for texture and shape of the involved images. The combination of the multiple features with level set method will be explored to improve the segmentation accuracy. Firstly, considering the visual perception theory, the dictionary learning method will be used to construct texton dictionary. The textons will be determined by the strategies of principal component analysis (PCA) and sparse coding (SC). The sparse representation for the texture object of interest will be constructed by the texton dictionary. Then, Dirichlet Process will be adopted to describe the non-parametric statistical rule for the object shape on the basis of feature points so as to improve the robustness of shape feature extraction. This method has the advantage of avoiding the dependence of shape feature on various parameters. Finally, a novel segmentation algorithm will be proposed on the basis of the two fusion strategies, i.e., mean-variance and statistical distribution of various features to improve the segmentation accuracy. Meanwhile, Split-Bregman method will be considered so as to improve the segmentation efficiency. The study will play a key role in promoting the research of object segmentation in remote sensing images, and lays the foundation for the further research and development of the remote sensing image processing system with practical values.

特征提取是图像分割要解决的关键问题之一，该问题的有效解决将有助于提高图像分割的精度。本项目拟结合遥感图像具有多种特征的特点，重点研究其纹理特征和形状特征的提取与表示问题，通过与水平集方法的融合以提高遥感图像分割的精度。首先，项目拟结合视觉感知理论，利用字典学习方法构造纹理基元字典，通过主成分分析和稀疏编码策略研究纹理基元的确定问题，构建目标的纹理特征表示方式。然后，在提取目标特征点的基础上，拟采用以狄利克雷过程为先验信息的贝叶斯模型来描述形状的非参数统计规律，避免对参数的过度依赖，试图提高形状特征提取的鲁棒性。最后，在水平集框架下，研究多特征均值-方差和统计分布两种融合方法，在此基础上拟提出基于多特征和水平集融合的遥感图像分割算法，以提高分割精度，进一步结合分裂算子法来提高求解效率。该项目研究将对遥感图像分割研究起到关键的促进作用，也将为进一步研发具有实用价值的遥感图像处理系统奠定基础。

随着信息科学的迅速发展，遥感图像分析技术更多地服务于国计民生，展现了独特的优势。遥感图像分割是遥感图像分析中的一个关键步骤，成为一个重要的研究方向。由于遥感图像背景复杂，且存在光照、视角变化，甚至遮挡等问题，遥感图像分割具有极大的挑战性。课题组主要从三个方面对遥感图像分割问题进行了研究：遥感图像特征的提取和融合，遥感图像分割模型的构建，遥感图像分割模型的快速求解。在项目执行期内，我们在这三个方面都取得了重要进展。（1）在遥感图像特征提取和融合方面，通过对大量纹理基元的分析，提出采用最优化方法构造纹理基元字典，以克服复杂背景的影响；通过对目标特征点的统计分析，提出基于梯度霍夫变换的圆形特征提取方法，以克服视角变化和目标遮挡带来的影响；通过对多种特征不同融合策略的尝试，提出适用于复杂背景遥感图像的特征融合方法，以消除光照变化的影响；上述特征提取和融合成果具有广泛的适用性。（2）在遥感图像分割模型构建方面，针对基于水平集的图像分割算法处理目标特征的模糊边界能力弱的问题，提出了一种基于全局最优凸函数的变分遥感图像分割框架。该变分框架具有较强的通用性。（3）在遥感图像分割模型的快速求解方面,为了提高主动轮廓模型的收敛速度、降低算法时间复杂度，在最小化迭代过程中，引入了基于Split Bregman的快速迭代算法，使曲线快速、准确、稳定地演化到目标边界处。该快速求解技术使得分割框架在实际中有潜在的应用价值。此外，课题组还进一步扩展了研究范围，对低信噪比环境下运动小目标的跟踪与识别进行了前期探索，也取得初步成果。上述研究进展，为课题组的下一步研究奠定了坚实的基础。在项目资助期内，课题组成员共发表学术论文15篇，其中SCI检索论文8篇，EI检索论文3篇，中文核心论文4篇；申请专利3项，授权1项；出版学术著作1部；获河南省科技进步奖三等奖1项；在人才培养方面，课题组培养毕业硕士研究生6人，在读硕士研究生4人。