自适应融合特征的C-V模型提升遥感图像分割性能

本文探讨的是融合特征选择机制的自适应水平集在遥感图像分割中的应用。传统水平集 Chan-Vese (C-V) 模型侧重于颜色特征，而在遥感图像中，纹理信息的重要性不容忽视。遥感图像的特点使得对颜色和纹理特征的处理需更加细致和灵活。为解决这一问题，作者提出了一种创新方法，首先将颜色特征和纹理特征作为一个综合的初始特征集，通过构建相似性函数来衡量这些特征之间的距离，实现特征选择的自适应性。这种方法能够根据不同图像的特性和需求动态调整不同特征分量的权重，这有助于更好地适应遥感图像中不同目标的分割需求。 C-V模型在此基础上被扩展，通过将这些经过特征选择和权重调整后的特征整合到模型中，实现了对遥感图像的分割。这种方法相较于传统的C-V模型，不仅在分割效果上有所提升，而且显著减少了计算时间，提高了算法的效率。此外，这种方法的灵活性使其能够应对不同类型的遥感图像，包括具有梯度和无梯度的场景，以及彩色图像的处理。 李士进、王万国和万定生三位研究者，来自河海大学计算机与信息学院，通过他们的工作，展示了如何将自适应特征选择机制融入水平集方法，这对于提高遥感图像分割的精度和实用性具有重要意义。他们的研究成果有望推动遥感图像处理领域的进一步发展，并为后续的图像分析和目标识别任务提供新的技术手段。