为了克服传统分水岭算法引起的过分割问题, 提出了一种基于简单线性迭代聚类(SLIC)与分水岭算法相结合的彩色图像分割算法, 以获得更理想的分割效果。该算法首先利用图像复杂度计算预分割的超像素个数, 并利用 SLIC对原始图像进行超像素分割预处理, 以减少后续处理中的冗余信息; 然后, 提出了一种自适应计算阈值的方法对预处理图像的梯度图像进行阈值处理, 以有效去除噪声, 获得较完整的轮廓信息; 最后, 利用分水岭分割算法对进行极小值标记提取后的图像进行分割。通过对大量图片进行实验表明, 本文算法可以有效地抑制传统分水岭算法所产生的过分割问题, 在 LCE和 GCE的对比上优于传统算法, 分割质量有所提高。

提出了一种基于集成卷积神经网络(CNN)的遥感影像场景分类算法。通过构建反向传播网络实现了场景图像的复杂度度量;根据图像的复杂度级别,选择CNN对图像进行分类,完成了遥感影像的场景分类。使用所提出的算法对NWPU-RESISC45公开数据集进行了实验验证,取得了89.33%(第一类实验)和92.53%(第二类实验)的分类准确率,平均运行时间为0.41 s。相比于精调训练的VGG-16模型,所提算法的分类准确率分别提升了2.19%和2.17%,预测速率提升了33%,证明了其有效性和实用性。

直方图均衡类算法由于缺乏限制项, 增强后的红外图像易出现灰度级合并和过增强, 视觉效果不佳。为解决上述问题, 提出基于场景复杂度限制型的平台直方图均衡算法。该算法首先提出对图像场景复杂度进行估计, 并将Harris角点数量作为图像复杂度评价依据。然后建立类似sigmoid函数的图像复杂度评价函数, 将场景复杂度标准化。最后综合考虑图像复杂度和防止原图均值漂移, 依据平台直方图均衡原理获取全局变换函数, 重建红外图像。实验结果表明: 该方法可有效地依据不同场景实现红外图像增强, 不出现过增强和噪声放大。客观评价指标表明, 该方法在保持图像均值亮度和图像信息熵方面表现优异。

为了更好地描述图像内部的复杂程度; 建立图像复杂度与各指标之间的数学模型是研究图像复杂度最关键的一步。首先从图像纹理出发; 试图建立图像复杂度与各指标之间定量、精确的数学关系描述。针对目前图像复杂度与各衡量指标之间没有明确的数学关系的特点; 文中采用灰度共生矩阵对纹理的主要特征参数进行分析; 提出了基于BP神经网络的图像复杂度评价方法; 建立了图像复杂度与各个指标之间非线性的数学评价模型。通过大量的图片对神经网络进行训练学习; 得到各指标的权重值。验证结果表明; 所建评价模型能够真实地反映图像内部的复杂程度; 获得的实验结果与人类视觉感知的结果基本一致。对于将BP神经网络应用于图像复杂度的研究具有一定的参考价值。

红外图像复杂度度量方法不仅可以用于描述目标识别面临的复杂场景变化, 而且在红外成像系统性能预测与评估、目标识别算法性能对比、建立和改进目标获取性能模型等方面也有广泛而重要的应用。给定了红外目标识别图像复杂度的定义, 对该领域近年来最新出现的和部分经典的度量方法进行系统的归纳总结和对比分析, 提出了度量方法选择的依据, 指出了现有度量方法的缺点和不足, 并指出红外目标识别图像复杂度度量未来将向着融合多种特征或者综合多种度量方法的趋势发展。