项目名称: 基于变分法与纹理分解的SAR图像分割与目标检测研究

项目编号: No.11271100

项目类型: 面上项目

立项/批准年度: 2013

项目学科: 数理科学和化学

项目作者: 吴勃英

作者单位: 哈尔滨工业大学

项目金额: 40万元

中文摘要: 本项目旨在研究基于变分法与纹理分解的SAR图像分割与目标检测,主要内容包括:结合活动轮廓水平集技术、非局部算子和SAR图像的纹理、几何拓扑等特征信息,提出强相干斑噪声的图像分割模型、强纹理图像的图像分割模型、以及感兴趣物体的无监督分割模型,利用分裂Bregman技术和Chambolle投影技术研究其高效快速算法;利用变分法和构造合适的纹理特征函数空间,建立基于变分PDE的图像分解模型和基于纹理信息的SAR图像分割算法。通过本项目的研究,我们将得到一系列SAR图像分割算法,发展变分偏微分方程在SAR图像分割与分解中的应用。图像分割在SAR图像理解的过程中是非常重要的环节,而变分偏微分方程则是图像处理的一种有效手段。因而,本项目的研究是对多学科交叉融合的促进,它即能解决SAR图像分割中的很多问题,又能够建立统一的理论框架,不仅具有很大的实用价值,而且具有重要的理论价值和科学意义。

中文关键词: 图像恢复;图像分割;目标检测;变分法;偏微分方程

英文摘要: Based on the variational method and texture information, the project consider SAR image segmentation and target detection. The main contents include: combining the active contour level set, non-local operator and the SAR image texture, geometry topology and other features. We propose image segmentation model for the strong speckle noise and texture image and unsupervised segmentation model for interesting objects,and take advantage of the split Bregman and Chambolle projection technology to study the fast and efficient algorithms; using variational method and a suitable texture space, we propose image decomposition model based on variational PDE, and then based on texture information propose the segmentation algorithm for SAR images. Through the research, the purpose of this project is to obtain a series of SAR image segmentation algorithms and develop the PDE on the application of the SAR image segmentation. Image segmentation is an important aspects in the SAR image processing, and obviously PDE is an important and efficient technique. The project is to promote the combination of many subjects, which can solve many problems in the SAR image segmentation and propose a theoretical framework. It not only has great practical value, but also has important theoretical value and scientific significance.

英文关键词: image restoration;image segmentation;target detection;variational method;PDE

成为VIP会员查看完整内容
0

相关内容

浙大《深度学习低样本目标检测》综述论文
专知会员服务
74+阅读 · 2021年12月13日
专知会员服务
31+阅读 · 2021年7月26日
专知会员服务
29+阅读 · 2021年4月5日
专知会员服务
70+阅读 · 2021年3月23日
专知会员服务
31+阅读 · 2021年2月17日
专知会员服务
33+阅读 · 2021年2月7日
专知会员服务
114+阅读 · 2021年1月11日
专知会员服务
85+阅读 · 2021年1月7日
图像分割方法综述
专知会员服务
54+阅读 · 2020年11月22日
深度学习目标检测方法及其主流框架综述
专知会员服务
147+阅读 · 2020年6月26日
图像分割在医学影像中的应用
极市平台
2+阅读 · 2022年2月16日
目标检测之殇—小目标检测
极市平台
5+阅读 · 2021年11月3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
最全综述 | 图像目标检测
计算机视觉life
31+阅读 · 2019年6月24日
最全综述 | 图像分割算法
计算机视觉life
14+阅读 · 2019年6月20日
综述 | CVPR2019目标检测方法进展
计算机视觉life
15+阅读 · 2019年4月3日
基于区域的目标检测——细粒度
计算机视觉战队
14+阅读 · 2018年2月1日
基于深度学习的肿瘤图像分割研究取得进展
中科院之声
17+阅读 · 2017年9月17日
国家自然科学基金
0+阅读 · 2014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 · 2013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
0+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
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年4月19日
Arxiv
0+阅读 · 2022年4月19日
Arxiv
0+阅读 · 2022年4月16日
Arxiv
14+阅读 · 2021年3月10日
Deformable Style Transfer
Arxiv
14+阅读 · 2020年3月24日
小贴士
相关VIP内容
浙大《深度学习低样本目标检测》综述论文
专知会员服务
74+阅读 · 2021年12月13日
专知会员服务
31+阅读 · 2021年7月26日
专知会员服务
29+阅读 · 2021年4月5日
专知会员服务
70+阅读 · 2021年3月23日
专知会员服务
31+阅读 · 2021年2月17日
专知会员服务
33+阅读 · 2021年2月7日
专知会员服务
114+阅读 · 2021年1月11日
专知会员服务
85+阅读 · 2021年1月7日
图像分割方法综述
专知会员服务
54+阅读 · 2020年11月22日
深度学习目标检测方法及其主流框架综述
专知会员服务
147+阅读 · 2020年6月26日
相关资讯
图像分割在医学影像中的应用
极市平台
2+阅读 · 2022年2月16日
目标检测之殇—小目标检测
极市平台
5+阅读 · 2021年11月3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
最全综述 | 图像目标检测
计算机视觉life
31+阅读 · 2019年6月24日
最全综述 | 图像分割算法
计算机视觉life
14+阅读 · 2019年6月20日
综述 | CVPR2019目标检测方法进展
计算机视觉life
15+阅读 · 2019年4月3日
基于区域的目标检测——细粒度
计算机视觉战队
14+阅读 · 2018年2月1日
基于深度学习的肿瘤图像分割研究取得进展
中科院之声
17+阅读 · 2017年9月17日
相关基金
国家自然科学基金
0+阅读 · 2014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 · 2013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
0+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
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员