端元提取是高光谱遥感图像混合像元分解的关键步骤。传统端元提取算法忽略了高光谱图像中地物空间分布相关性与非线性结构，制约了端元提取算法的精度。针对高光谱图像的空间关系与非线性结构，提出一种基于同质区分割的非线性端元提取算法。使用超像素分割方法将图像分割为若干同质区，利用流形学习构造高光谱图像数据的非线性结构，最后在同质区内提取端元并利用聚类方法优选端元。模拟和真实图像数据实验表明，该算法能够保证高光谱数据的非线性结构，端元提取结果优于其他传统线性端元提取方法，在低信噪比的情况下，可以保持较好的端元提取结果。

雾霾天气下, 航拍设备无法准确获取图像信息, 为解决此问题, 提出一种改进暗通道窗口与透射率修正的图像去雾算法。首先, 用超像素分割有雾图像得到景深一致的局部窗口, 在每个窗口内计算暗通道, 同时根据大气光特性结合超像素进行大气光估计; 然后, 通过引导滤波细化透射率, 并建立自适应容差机制来修正图像明亮区域的透射率; 最后, 反演大气散射模型还原清晰图像。实验结果证明,该算法所得结果图像细节清晰、颜色自然, 且能处理多类雾天图像, 鲁棒性更好, 与经典算法相比具有显著优势。

针对简单线性迭代聚类(SLIC)方法对图像边缘细节处理效果不佳的问题,提出一种参数可控、改进的简化脉冲耦合神经网络模型(PC-MSPCNN)与SLIC结合的彩色图像分割方法。该方法首先改进MSPCNN模型的加权矩阵和连接系数,并增设辅助参数,以提高分割准确度。随后将彩色图像输入至PC-MSPCNN模型中,依据改进模型中输出Y值的分布划分物体的边缘,使分割结果更好地贴合物体的边缘,利用所提出的相似性准则合并散布的碎片,减小后续处理的复杂度;其次,在SLIC度量相似距离的基础上引入PC-MSPCNN中RGB三个通道的内部活动项U值,完成对图像剩余部分的加权融合聚类,改进聚类效果。实验结果表明,本文方法能更精确地贴合图像中物体的边界,大幅减少碎片,有效提高图像的边缘贴合度。

针对复杂海况下遥感图像舰船检测易受舰船尾迹、海杂波、油污和薄云等影响,导致检测结果可靠性较低且小目标舰船不易被检测的问题,提出一种自适应稳健背景的显著性优化舰船目标检测模型。利用顶帽算法对原图进行预处理,抑制舰船尾迹、海杂波等干扰;提出自适应超像素分割方法对稳健背景检测模型进行优化;改进基于均值信息的大津法(Otsu),确定舰船所在区域。结果表明,该方法可以在多种海况下有效检测舰船位置,具有较高的检测准确率(91.20%)、召回率(79.31%)及综合评价指标(84.00%),相比于其他显著性检测模型,该方法具有明显优势,适用于复杂海况下遥感图像小目标舰船检测。

提出一种基于超像素时空特征的视频显著性检测方法。所提方法可对图像进行超像素分割,提取颜色梯度和运动梯度特征,以构建超像素级时空梯度图。用平均加权测地距离来衡量时空梯度图上每一个超像素相对于其邻域的时空显著程度,形成时空显著图。根据时间域上目标运动的连续性,并借助熵的概念来表征运动模式的一致程度,构建运动一致性图。融合时空显著图和运动一致性图,通过自适应阈值处理定位运动目标。实验从可视化分析和定量评估两个方面将所提方法与其他算法进行对比,结果表明所提方法具有较强的抗环境干扰能力,适用于背景纹理复杂或环境随机变化的视频中运动目标的检测,其检测准确率高达92%。

海陆分割在提高SAR图像舰船目标检测精度方面具有十分重要的意义。针对传统算法不能很好地对SAR图像进行海陆分割, 提出了基于改进SLIC超像素分割和分层区域合并准则(HSWO)的海陆分割算法。针对SAR图像统计特性, 首先对SLIC超像素分割和HSWO算法模型分别进行改进,然后用SLIC超像素分割算法对图像进行超像素分割, 并按照分层区域合并准则对超像素块进行聚类, 最终实现海陆分割。实验表明, 所提出的改进模型具有较高的处理精度和处理效率, 相比于其他算法更适用于SAR图像的海陆分割, 具备一定的工程应用价值。

将机器视觉技术引入到了茶小绿叶蝉的自动识别领域, 以实现茶园中茶小绿叶蝉的准确及时预报。采集了自然场景下黄色诱虫板的图像,利用超像素分割算法和多DBSCAN聚类图像融合的方法对采集的图像进行区域分割,保证了目标区域的准确性和完整性。在此基础上,提取了目标图像子区域的L、a、b均值和标准差特征,构建了最小二乘支持向量机(LSSVM)自动识别模型。为解决训练样本中茶小绿叶蝉和其他害虫数量不均衡带来的分类超平面偏移问题,采用改进SMOTE算法和KS算法来提高模型对茶小绿叶蝉小样本的识别精度。结果表明,该算法的整体识别精度可达到99.03%,茶小绿叶蝉的查准率可达91.76%,为茶小绿叶蝉的实时检测提供了有效途径。

针对印刷电路板(PCB)的CT图像存在灰度不均匀、导线形状多变等特点导致的导线难以有效检测的问题, 提出了一种基于超像素分割的PCB导线自动检测方法。该方法使用基于引导滤波的类顶帽变换对图像预处理, 提高不同类别区域的类间差异, 改善后续的超像素分割结果; 然后选择graph-based超像素分割算法对导线定位; 最后, 采用导线几何形状、灰度分布等特征判断识别导线区域, 实现导线检测。对存在灰度不均匀、多条导线、多尺度的PCB CT图像进行了实际实验。结果显示: 该算法取得了较好的导线检测结果, 在实验测试图像上检测率达到了90%以上, 基本满足导线自动检测对精度和抗干扰能力的要求, 具有较高的应用价值。

为了将红外图像中所包含的信息更加友好、直观地呈现给用户, 改善用户对于红外图像的理解效果, 针对车载红外图像的特点, 提出了一种基于随机森林分类器和超像素分割算法相结合的车载红外图像彩色化算法。首先对原图的各个像素点进行特征提取, 然后训练随机森林分类器, 使它能够对待测试图像的各个像素点进行正确的分类。再使用超像素分割与直方图统计相结合的方法对分类结果图像进行优化。最后将优化后的分类结果图像转换到 HSV色彩空间进行对应的色彩传递。通过实验证明该方法能够在很好的对红外图像进行彩色化处理的同时, 保证色彩传递的正确性和实时性。