项目名称: 高分辨率SAR图像自动分割的连续多标记凸松弛方法研究

项目编号: No.61463005

项目类型: 地区科学基金项目

立项/批准年度: 2015

项目学科: 其他

项目作者: 方江雄

作者单位: 东华理工大学

项目金额: 46万元

中文摘要: 高分辨率SAR图像解译技术在生产生活中已得到了广泛的应用。SAR图像分割是SAR图像自动解译的基础和前提,其分割质量的好坏直接影响到目标解译等工作。然而,现有的多相图像分割模型,分割高分辨率SAR图像仍存在乘性斑点噪声污染、非凸能量泛函的局部极优、预先未知的目标区域数和计算效率低等问题。本项目针对此类问题,提出高分辨率SAR图像自动分割的连续多标记凸松弛方法。研究内容如下:(1)研究连续多标记凸松弛SAR图像分割模型。建立基于贝叶斯理论的连续多标记分割框架,开发适用于计算该分割模型的连续多标记凸松弛方法,并对分割方法进行性能评估。(2)研究基于非监督先验的连续多标记凸松弛分割模型。在连续多标记凸松弛分割模型基础上,通过分析非监督分割模型,进一步建立基于非监督先验的连续多标记分割框架,开发适用于计算该分割模型的连续多标记凸松弛方法,从而更好地评价分割算法的性能。

中文关键词: 高分辨率SAR图像;自动图像分割;连续多标记;凸松弛方法

英文摘要: Interpretation of high resolution SAR image has been widely applied in our daily life.SAR image segmentation, which is a basic part of automatic interpretation of SAR images, whose segmentation performance directly affects the works such as the target interpretation. However, there are some problems for the existing multiphase SAR image segmentation models, such as multiplicative speckle noise, the unconvex and local minimum of the energy functional, the unknown number of segmented regions and low computational efficiency. To solve these problems, we propose the continuous multi-label convex relaxation approach for the automatic segmentation of high resolution SAR images. The research includes as follows: (1) A continuous multi-label convex relaxation formulation for the high resolution SAR image segmentation is proposed. Firstly, the continuous multi-label segmentation framework based on Bayesian theory is established. Then, the continous multi-label convex relaxation method applied to solve the segmentation model is developed. Finally, the performance for the segmentation method is evaluated. (2)A continuous multi-label convex relaxation formulation with unsupervised prior for the high SAR image segmentation is proposed. By analyzing unsupervised segmentation model based on the multi-label convex relaxation formulation, the continuous multi-label segmentation framework and the continous multi-label convex relaxation method are established, and the performance for the segmentation method is evaluated.

英文关键词: High Resolution SAR Images;Automatic Image Segmentation;Continuous Multi-label;Convex Relaxation Approach

成为VIP会员查看完整内容
0

相关内容

【CVPR2022】整合少样本学习的分类和分割
专知会员服务
26+阅读 · 2022年3月31日
专知会员服务
27+阅读 · 2021年10月6日
专知会员服务
27+阅读 · 2021年9月6日
专知会员服务
31+阅读 · 2021年7月25日
专知会员服务
69+阅读 · 2021年3月23日
【NeurIPS 2020】对比学习全局和局部医学图像分割特征
专知会员服务
43+阅读 · 2020年10月20日
 图像内容自动描述技术综述
专知会员服务
85+阅读 · 2019年11月17日
【CVPR2022】整合少样本学习的分类和分割
专知
2+阅读 · 2022年3月31日
【CVPR2022】ContrastMask:对比学习来分割各种
专知
0+阅读 · 2022年3月21日
迁移学习方法在医学图像领域的应用综述
CT影像肺结节分割研究进展
专知
4+阅读 · 2021年4月23日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
多项NLP任务新SOTA,Facebook提出预训练模型BART
机器之心
22+阅读 · 2019年11月4日
图像分割概述 & ENet 实例
AI研习社
14+阅读 · 2019年2月19日
深度图像先验:无需学习即可生成新图像
论智
45+阅读 · 2017年12月4日
国家自然科学基金
0+阅读 · 2017年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
2+阅读 · 2022年4月19日
Deep learning for cardiac image segmentation: A review
Arxiv
21+阅读 · 2019年11月9日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
小贴士
相关VIP内容
【CVPR2022】整合少样本学习的分类和分割
专知会员服务
26+阅读 · 2022年3月31日
专知会员服务
27+阅读 · 2021年10月6日
专知会员服务
27+阅读 · 2021年9月6日
专知会员服务
31+阅读 · 2021年7月25日
专知会员服务
69+阅读 · 2021年3月23日
【NeurIPS 2020】对比学习全局和局部医学图像分割特征
专知会员服务
43+阅读 · 2020年10月20日
 图像内容自动描述技术综述
专知会员服务
85+阅读 · 2019年11月17日
相关资讯
相关基金
国家自然科学基金
0+阅读 · 2017年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员