针对传统船舶图像去噪算法难以对图像的边缘细节进行保留和分析,以及传统非局部均值去噪算法相似框选择困难等问题,提出基于简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素分割的非局部均值船舶图像去噪算法。通过S...针对传统船舶图像去噪算法难以对图像的边缘细节进行保留和分析,以及传统非局部均值去噪算法相似框选择困难等问题,提出基于简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素分割的非局部均值船舶图像去噪算法。通过SLIC算法对图像进行分割处理,界定图像的纹理区域和平滑区域;使用相似框搜索和匹配策略,提升匹配效果,并适当保留更多边缘细节,从而改善图像去噪的效果。实验结果表明,所提出的算法相较于其他传统的船舶图像去噪算法不仅能很好地保留船舶图像的边缘细节特点,而且能在一定程度上提高船舶图像的峰值信噪比,具有良好的去噪效果,可以用于智能航海领域船舶图像的去噪。展开更多
由于简单线性迭代聚类(simple linear iterative clustering,SLIC)算法对含有相干斑噪声的合成孔径雷达(synthetic aperture radar,SAR)图像边缘分割不理想,提出了一种基于变差系数(coefficient of variation,CV)的SAR图像超像素分割算...由于简单线性迭代聚类(simple linear iterative clustering,SLIC)算法对含有相干斑噪声的合成孔径雷达(synthetic aperture radar,SAR)图像边缘分割不理想,提出了一种基于变差系数(coefficient of variation,CV)的SAR图像超像素分割算法。该算法首先对SAR图像进行各项异性高斯平滑预处理,使得图像相干斑得到平滑的同时边缘信息不被破坏;其次,采用CV估计边缘信息,使得图像的同质区与边缘区更容易区分;最后用加入边缘信息的SLIC算法进行聚类,生成超像素。实验结果表明:该算法在SAR图像分割下与3种经典超像素算法相比,其召回率至少提高了5%,且超像素个数大于400时,欠分割错误率降低了2%。该算法使得SAR图像超像素分割的准确度提高,其边缘和图像真实边缘更加贴切。展开更多
岩石薄片图像的分析往往依赖于专业人员在显微镜下观察并给出鉴定结果,不但费时费力,并且受设备影响较大。近些年,针对薄片图像的自动识别方法已经被提出。然而,这些方法大多采用监督学习与深度学习相结合的方式,由于需要大量人工标注...岩石薄片图像的分析往往依赖于专业人员在显微镜下观察并给出鉴定结果,不但费时费力,并且受设备影响较大。近些年,针对薄片图像的自动识别方法已经被提出。然而,这些方法大多采用监督学习与深度学习相结合的方式,由于需要大量人工标注而受到限制,为方法的推广与应用带来巨大困难。此外,模型在不同的地层、岩性等目标应用时,由于不同地质环境中岩石的差异性,其泛化性也受到极大限制。本文针对该问题提出了一种简单线性迭代聚类算法(simple linear iterative cluster,SLIC)与半监督自训练结合的方法,仅依靠6%的人工标注便能够实现岩石图像的自动化分割与组分识别,极大地增强岩石图像自动识别方法在实际应用中的价值。该方法首先使用超像素算法SLIC对岩石图像进行预分割,随后基于分割片的颜色特征进行粗合并,并根据最小外接矩形进行切割;切割下来的岩石组分分割图像作为后续处理的基础数据集,这里仅需要人工标注6%的岩石组分数据;随后,这些数据通过一个改进的半监督自训练方法,以改进的VGG16模型作为主模型、ResNet18模型作为评判模型,不断生成高置信度的伪标签,利用迭代优化调整,将其扩展到整个数据集,最终获得一个具有较高的稳定性、准确性及一致性的组分识别模型。实际数据的测试与分析表明,本文所提出SLIC和半监督自训练结合的方法,对6类岩石组分的识别准确率可达到96%。该方法能够在数据差异不大的条件下,帮助用户基本实现自动化的组分识别。而当数据集产生较大差异时,仅需标注小部分样品即可实现自动组分识别。本方法具有较高的泛化性和可靠性,能够在实际应用提供足够的准确性与便利性。展开更多
文摘针对传统船舶图像去噪算法难以对图像的边缘细节进行保留和分析,以及传统非局部均值去噪算法相似框选择困难等问题,提出基于简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素分割的非局部均值船舶图像去噪算法。通过SLIC算法对图像进行分割处理,界定图像的纹理区域和平滑区域;使用相似框搜索和匹配策略,提升匹配效果,并适当保留更多边缘细节,从而改善图像去噪的效果。实验结果表明,所提出的算法相较于其他传统的船舶图像去噪算法不仅能很好地保留船舶图像的边缘细节特点,而且能在一定程度上提高船舶图像的峰值信噪比,具有良好的去噪效果,可以用于智能航海领域船舶图像的去噪。
文摘由于简单线性迭代聚类(simple linear iterative clustering,SLIC)算法对含有相干斑噪声的合成孔径雷达(synthetic aperture radar,SAR)图像边缘分割不理想,提出了一种基于变差系数(coefficient of variation,CV)的SAR图像超像素分割算法。该算法首先对SAR图像进行各项异性高斯平滑预处理,使得图像相干斑得到平滑的同时边缘信息不被破坏;其次,采用CV估计边缘信息,使得图像的同质区与边缘区更容易区分;最后用加入边缘信息的SLIC算法进行聚类,生成超像素。实验结果表明:该算法在SAR图像分割下与3种经典超像素算法相比,其召回率至少提高了5%,且超像素个数大于400时,欠分割错误率降低了2%。该算法使得SAR图像超像素分割的准确度提高,其边缘和图像真实边缘更加贴切。
文摘岩石薄片图像的分析往往依赖于专业人员在显微镜下观察并给出鉴定结果,不但费时费力,并且受设备影响较大。近些年,针对薄片图像的自动识别方法已经被提出。然而,这些方法大多采用监督学习与深度学习相结合的方式,由于需要大量人工标注而受到限制,为方法的推广与应用带来巨大困难。此外,模型在不同的地层、岩性等目标应用时,由于不同地质环境中岩石的差异性,其泛化性也受到极大限制。本文针对该问题提出了一种简单线性迭代聚类算法(simple linear iterative cluster,SLIC)与半监督自训练结合的方法,仅依靠6%的人工标注便能够实现岩石图像的自动化分割与组分识别,极大地增强岩石图像自动识别方法在实际应用中的价值。该方法首先使用超像素算法SLIC对岩石图像进行预分割,随后基于分割片的颜色特征进行粗合并,并根据最小外接矩形进行切割;切割下来的岩石组分分割图像作为后续处理的基础数据集,这里仅需要人工标注6%的岩石组分数据;随后,这些数据通过一个改进的半监督自训练方法,以改进的VGG16模型作为主模型、ResNet18模型作为评判模型,不断生成高置信度的伪标签,利用迭代优化调整,将其扩展到整个数据集,最终获得一个具有较高的稳定性、准确性及一致性的组分识别模型。实际数据的测试与分析表明,本文所提出SLIC和半监督自训练结合的方法,对6类岩石组分的识别准确率可达到96%。该方法能够在数据差异不大的条件下,帮助用户基本实现自动化的组分识别。而当数据集产生较大差异时,仅需标注小部分样品即可实现自动组分识别。本方法具有较高的泛化性和可靠性,能够在实际应用提供足够的准确性与便利性。
