面向遥感图像分割的自适应特征选择水平集模型

最新推荐文章于 2024-12-30 01:00:00 发布

wangwanguo08

最新推荐文章于 2024-12-30 01:00:00 发布

阅读量4.9k

点赞数

CC 4.0 BY-SA版权

分类专栏：图像预处理文章标签：算法图像处理 algorithm image distance 框架

本文链接：https://blog.youkuaiyun.com/wangwanguo08/article/details/7537058

本文提出了一种结合颜色和纹理的自适应特征选择水平集模型，用于遥感图像分割。传统C-V模型侧重颜色特征，而纹理特征同样重要。该模型通过相似性函数选择特征，自适应调整权重，并使用C-V模型进行分割，提高了分割效率，减少了时间消耗。实验表明，该方法在遥感图像分割中表现优秀。

面向遥感图像分割的自适应特征选择水平集模型

李士进，王万国

河海大学计算机与信息学院, 南京 210098

E-mail: wangwanguo03@163.com

摘要本文提出了一种自适应特征选择的水平集C-V模型。传统的应用水平集的C-V模型主要关注于颜色特征，对纹理特征研究的较少，而在图像分割过程中，纹理特征也有很重要的作用。为了解决该问题，本文把颜色空间模型分量和纹理特征分量作为初始特征集，根据建立相似性函数的距离度量来自适应地选择特征的策略，同时，自适应地调整不同分量的权重，然后把这些特征作为分量加入到C-V模型中，进而对图像进行分割。和以往的方法相比，该方法不仅取得了较好的效果，而且所需时间消耗更少。

关键词：图像分割，水平集，特征选择，遥感图像

Level Set Model of Adaptive FeatureSelection for Remote Sensing Image Segmentation

ShijinLi WanguoWang

(College of Computerand Information, Hohai University Nanjing 210098)

E-mail:lishijin_china@163.com

Abstract The C-V Model of adaptive feature selectionis proposed. The traditional C-V Model based level set focuses on color feature,but texture feature isn’t paid much attention to. Texture feature plays an importantrole in the processing of remote sensing image segmentation. To solve theproblem, the article use color model space component and texture feature as initialfeature set. Then we select feature throughsimilarity function of the distance measure.Meanwhile, weadjust the weight of different feature through an adaptive method. The featuresselected are used in our C-V model as inputs to segment the remote sensingimage. The experiment result shows that the new algorithm not only efficiently,but also greatly reduces the segmentation time cost.

Keywords: Image segmentation, Level set, FeatureSelection, Remote sensing image

1 引言

遥感图像分割，就是对遥感图像进行处理，把图像分成各具特性的区域并提取出感兴趣目标的技术和过程^[^{^[1]}^]。遥感图像分割技术的发展是伴随着图像分割技术的发展而发展的，由于遥感图像分割的复杂性，同时更具有自身的特性，对遥感图像分割方法的研究大都集中在对一般图像分割方法的改进和不同的方法结合起来对遥感图像进行分割。如八十年代以后，随着各学科许多新理论和新方法的提出，人们提出了许多与一些特定理论、方法和工具相结合的分割技术，如将模糊理论、马尔可夫模型、遗传算法理论、分形理论、神经网络、形态学理论、小波理论等研究成果运用于遥感图像分割的研究中，取得了很大进展，水平集方法便是在这一时期提出来的。

1988年，Kass等人^[^{^[2]}^]从一个全新角度来考虑图像边缘检测，提出了主动轮廓模型（或Snakes），即直接用连续曲线模型来定位图像边缘。之后，Osher和Sethian首次提出了水平集(Level Set)方法^[[3]^]，将当前演化曲线作为零水平集嵌入高一维的水平集函数中。在演化过程中，零水平集始终代表当前演化曲线。这是一种有效地解决曲线演化问题的数值计算方法。其最主要的优势是不仅能自然处理曲线的拓扑变化又能检测多个物体的边缘。近年来这种算法推动了主动轮廓模型的发展，成为图像分割领域中广泛应用的方法之一。

Chan和Vese提出了一种简化Mumford-Shah模型[[4]][[5]]的图像分割方法^[^{^[6]}^]，它是一种基于均质区域能量最小化的曲线演化分割