为了克服传统马尔可夫随机场模型在海洋溢油识别中对合成孔径雷达(Synthetic Aperture Radar,SAR)图像相干斑噪声高敏感性以及溢油边界识别模糊等问题,文章提出一种超像素尺度下边缘约束隐马尔可夫随机场(Hidden Markov Random Fields,H...为了克服传统马尔可夫随机场模型在海洋溢油识别中对合成孔径雷达(Synthetic Aperture Radar,SAR)图像相干斑噪声高敏感性以及溢油边界识别模糊等问题,文章提出一种超像素尺度下边缘约束隐马尔可夫随机场(Hidden Markov Random Fields,HMRF)的SAR图像溢油识别算法(Edge-Corrected HMRF at the Super-Pixel Scale,SE-HMRF)。利用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)对SAR图像进行超像素分割,克服SAR图像中相干斑噪声的影响。为了提高溢油识别的准确性,在超像素分割基础上构建HMRF描述图像的空间关系,根据贝叶斯定理将溢油识别问题转化为能量函数最小化问题;为了克服SLIC对溢油边缘过分割或欠分割,将溢油边缘信息引入到能量函数中约束溢油识别结果。为了验证本文提出算法对溢油识别的准确性,选取Sentinel-1卫星SAR图像进行对比实验,本文提出算法溢油识别结果的Kappa系数和概率兰德指数分别达到0.951和0.954,全局一致性误差仅为0.024,定性评价与定量评价的结果均优于对比算法,说明文章提出算法能够在保持识别效率的同时获得准确的溢油识别结果。展开更多
对单目红外图像进行深度估计,不仅有利于3D场景理解,而且有助于进一步推广和开发夜间视觉应用。针对红外图像无颜色、纹理不丰富、轮廓不清晰等缺点,本文提出一种新颖的深度条件随机场网络学习模型(deep conditional random field netwo...对单目红外图像进行深度估计,不仅有利于3D场景理解,而且有助于进一步推广和开发夜间视觉应用。针对红外图像无颜色、纹理不丰富、轮廓不清晰等缺点,本文提出一种新颖的深度条件随机场网络学习模型(deep conditional random field network,DCRFN)来估计红外图像的深度。首先,与传统条件随机场(conditional random field,CRF)模型不同,DCRFN不需预设成对特征,可通过一个浅层网络架构提取和优化模型的成对特征。其次,将传统单目图像深度回归问题转换为分类问题,在损失函数中考虑不同标签的有序信息,不仅加快了网络的收敛速度,而且有助于获得更优的解。最后,本文在DCRFN损失函数层计算不同空间尺度的成对项,使得预测深度图的景物轮廓信息相比于无尺度约束模型更加丰富。实验结果表明,本文提出的方法在红外数据集上优于现有的深度估计方法,在局部场景变化的预测中更加平滑。展开更多
文摘为了克服传统马尔可夫随机场模型在海洋溢油识别中对合成孔径雷达(Synthetic Aperture Radar,SAR)图像相干斑噪声高敏感性以及溢油边界识别模糊等问题,文章提出一种超像素尺度下边缘约束隐马尔可夫随机场(Hidden Markov Random Fields,HMRF)的SAR图像溢油识别算法(Edge-Corrected HMRF at the Super-Pixel Scale,SE-HMRF)。利用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)对SAR图像进行超像素分割,克服SAR图像中相干斑噪声的影响。为了提高溢油识别的准确性,在超像素分割基础上构建HMRF描述图像的空间关系,根据贝叶斯定理将溢油识别问题转化为能量函数最小化问题;为了克服SLIC对溢油边缘过分割或欠分割,将溢油边缘信息引入到能量函数中约束溢油识别结果。为了验证本文提出算法对溢油识别的准确性,选取Sentinel-1卫星SAR图像进行对比实验,本文提出算法溢油识别结果的Kappa系数和概率兰德指数分别达到0.951和0.954,全局一致性误差仅为0.024,定性评价与定量评价的结果均优于对比算法,说明文章提出算法能够在保持识别效率的同时获得准确的溢油识别结果。
文摘对单目红外图像进行深度估计,不仅有利于3D场景理解,而且有助于进一步推广和开发夜间视觉应用。针对红外图像无颜色、纹理不丰富、轮廓不清晰等缺点,本文提出一种新颖的深度条件随机场网络学习模型(deep conditional random field network,DCRFN)来估计红外图像的深度。首先,与传统条件随机场(conditional random field,CRF)模型不同,DCRFN不需预设成对特征,可通过一个浅层网络架构提取和优化模型的成对特征。其次,将传统单目图像深度回归问题转换为分类问题,在损失函数中考虑不同标签的有序信息,不仅加快了网络的收敛速度,而且有助于获得更优的解。最后,本文在DCRFN损失函数层计算不同空间尺度的成对项,使得预测深度图的景物轮廓信息相比于无尺度约束模型更加丰富。实验结果表明,本文提出的方法在红外数据集上优于现有的深度估计方法,在局部场景变化的预测中更加平滑。
