CN102184524A - 基于规范切的邻域学习文化基因图像分割方法 - Google Patents
基于规范切的邻域学习文化基因图像分割方法 Download PDFInfo
- Publication number
- CN102184524A CN102184524A CN 201110092677 CN201110092677A CN102184524A CN 102184524 A CN102184524 A CN 102184524A CN 201110092677 CN201110092677 CN 201110092677 CN 201110092677 A CN201110092677 A CN 201110092677A CN 102184524 A CN102184524 A CN 102184524A
- Authority
- CN
- China
- Prior art keywords
- population
- pixel
- standard
- cut
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于规范切的邻域学习文化基因图像分割方法,主要解决现有图像分割方法没有用到像素之间相互学习的问题。其实现步骤为:首先对一幅图像进行基于像素的二维随机0/1编码,形成初始种群,并以规范切作为图像分割结果的全局衡量标准;再根据克隆规模对种群中的个体进行克隆;然后对克隆后的个体依次执行变异、邻域学习和克隆选择操作;再根据当前种群中个体的规范切值保存最优规范切值对应的最优图像作为分割结果;最后根据终止条件的要求输出最优图像分割结果。本发明对无噪和加噪图像进行分割,具有区域一致性强、收敛稳定和全局最优的特点,可用于图像识别和检测。
Description
技术领域
本发明属于图像处理技术领域,涉及数字图像地分割处理,具体地说是一种基于规范切的邻域学习文化基因图像分割方法,可用于图像识别和检测。
背景技术
图像分割在图像分析、图像识别、图像检测等方面占有非常重要的地位,它是指从图像中将某个特定区域与其它部分进行分离并提取出来,也就是区分图像中的“前景目标”和“背景”。
图像分割的方法根据图像特性的不同,大致可以分为三大类:第一类是阈值法,它根据图像中目标和背景灰度值的差异,合理采用某一门限值,可有效地将目标和背景区分开;第二类是边界分割法,它通过检测某个区域的边界来进行分割;第三类是区域提取法,它主要根据图像中特定区域与其它背景区域特性上的不同来进行分割。虽然在上述三类方法的基础上提出了很多的图像分割方法,但是图像的结构属性对结果影响都很大,不具有通用性,而且在分割的过程中很少考虑图像的全局分布。
因此,近年来基于进化计算的图像分割技术成为一个新的研究热点。而属于进化计算分支的文化基因算法因为用到了相互学习的思想,受到越来越多的关注。目前提出的文化基因算法用于解决图像分割问题的方法有:
焦李成等人在发表于2010年3月IEEE进化计算杂志的文章“Natural and Remote Sensing Image Segmentation Using Memetic Computation”中提出了一种文化基因图像分割方法。首先采用标记分水岭方法对一幅图像进行预分割,并采用小波变换和灰度共生矩阵相结合的方式对图像提取特征,然后用图论原理对种群中的每个个体进行编码,最后采用交叉、变异、评价和选择的策略对种群执行进化操作,当满足终止条件后输出结果。虽然该方法采用标记分水岭和对图像提取特征这两步预处理能够得到区域一致性较好的图像分割结果,但是这两步预处理都会严重干扰后面的进化过程,从而影响图像分割的效果。而且这种文化基因图像分割方法在种群进化过程中,没有用到种群中个体内部之间相互学习的思想,因此得到的图像分割结果收敛速度慢。
发明内容
本发明的目的是克服图像预分割和提取图像特征对最终分割结果的影响以及提高文化基因图像分割方法的收敛速度,提出一种基于规范切的邻域学习文化基因图像分割方法,以简化文化基因图像分割方法的过程,提高图像分割结果的区域一致性和收敛速度,实现对图像的全局最优分割。
实现本发明的技术方案包括如下步骤:
(1)对一幅输入图像进行基于图像像素的二维随机0/1编码,形成初始种群中的个体;
(2)计算输入图像中像素点与像素点之间的权值:
其中,i和j表示输入图像中的任意一个像素点,wi,j表示像素点i和像素点j之间的权值,Fi和Fj分别是像素点i和像素点j的灰度值,Xi和Xj分别是像素点i和像素点j在输入图像中的空间位置;
(3)将所有像素点相互之间的权值wi,j构成一个输入图像的权值矩阵D:
D=(w1,1,w1,2,……,w1,M
w2,1,w2,2,……,w2,M
……,……,……
wN,1,wN,2,……,wN,M)
其中,N是输入图像的像素行数,M是输入图像的像素列数;
(4)根据权值矩阵,计算初始种群中个体的规范切目标函数:
其中,V是一幅图像的像素点总集合,A为像素点集V下的目标点集,B为像素点集V下的背景点集,Ncut(A,B)是目标点集A和背景点集B之间的规范切目标函数,cut(A,B)是目标点集A中所有像素点到背景点集B中所有像素点的权值和:
assoc(A,V)是目标点集A中所有像素点到像素点集V中所有像素点的权值和:
assoc(B,V)是背景点集B中所有像素点到像素点集V中所有像素点的权值和:
(5)根据初始种群中个体的规范切目标函数,初始化种群的最优解和对应最优解的最优图像分割结果;
(6)初始化最大进化代数,克隆规模和种群规模;
(7)根据克隆规模q,将当前种群中的每个个体都克隆为q个;
(8)对克隆后种群中的所有个体执行变异操作,每个个体的变异概率为1,个体中每个像素点的变异概率随着进化代数而变化,计算公式如下:
pm=1-0.01×it/gen
其中,pm是变异概率,it是当前进化代数,gen是最大进化代数;
(9)对变异后种群中的所有个体执行邻域学习操作:如果个体中每个中心像素点上下左右四个邻域像素点属于同一类,则中心像素点强制标记为这个相同的类别,否则,中心像素点以概率0.5进行反转变异;
(10)利用步骤(4)中的规范切目标函数公式,计算邻域学习后种群中所有个体的规范切目标函数;
(11)根据规范切目标函数对邻域学习后的种群进行克隆选择,更新克隆选择后种群的最优解和对应最优解的最优图像分割结果,如果当前进化代数大于初始化中的最大进化代数,就输出最优个体对应的图像分割结果,否则,返回步骤(7)。
本发明与现有的图像分割方法相比具有如下优点:
(A)本发明由于采用直接对图像中的像素执行邻域学习文化基因图像分割,因而避免了预分割和提取图像特征对图像分割结果的影响;
(B)本发明中由于采用的变异概率是随着进化代数的增长而减小,可使文化基因图像分割能稳定收敛,降低了变异的随机性;
(C)本发明通过对种群中的个体执行邻域学习操作,改善了文化基因图像分割方法的局部搜索性能,提高了无噪和加噪图像分割结果的区域一致性和收敛稳定性;
(D)本发明由于采用规范切作为图像分割结果的评价准则,能够实现对图像的全局最优分割。
附图说明
图1是本发明的整体实现流程图;
图2是本发明中对种群个体编码的示例图;
图3是本发明中邻域学习操作的示意图;
图4是本发明实验中用到的原始图像;
图5是图4中的方框截图;
图6是本发明与现有3种方法对应图4的实验对比结果图;
图7是本发明对加入均值为0,方差为0.01高斯噪声后的图像与现有3种方法对应图4的实验对比结果图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1,对一幅输入图像进行基于图像像素的二维随机0/1编码,形成初始种群中个体。
基于图像像素的二维随机0/1编码,是通过给输入图像的每个像素点随机分配标签0或标签1产生初始种群中所有个体,并以二维矩阵的形式对初始种群中的所有个体进行存储,形成初始种群。对于一幅大小为6×6的图像,形成初始种群中的一个随机初始化个体如图2所示。
步骤2,初始化种群中的最优解和对应最优解的最优图像分割结果,并初始化最大进化代数gen,种群规模P和克隆规模q。
初始种群形成以后,计算初始种群中所有个体的规范切目标函数值,种群中的最小规范切目标函数值表示种群中的最优解,选择出初始种群中的最优解和对应最优解的最优图像分割结果,完成对最优解和最优图像分割结果的初始化。
计算种群中个体的规范切目标函数要用到输入图像中像素点之间的权值,如果将输入图像所有像素点之间的权值以权值矩阵的形式存储,当需要计算不同个体的规范切目标函数时,只需直接调用权值矩阵中对应像素点之间的权值,减少了重复计算权值带来的计算量。输入图像中像素点之间的权值:
其中,i和j表示输入图像中的任意一个像素点,wi,j表示像素点i和像素点j之间的权值,Fi和Fj分别是像素点i和像素点j的灰度值,Xi和Xj分别是像素点i和像素点j在输入图像中的空间位置。
计算出输入图像所有像素点之间的权值后,输入图像的权值矩阵可以表示为:
D=(w1,1,w1,2,……,w1,M
w2,1,w2,2,……,w2,M
……,……,……
wN,1,wN,2,……,wN,M)
其中,N是输入图像的像素行数,M是输入图像的像素列数。
根据权值矩阵计算种群中个体的规范切目标函数:
其中,V是一幅图像的像素点总集合,A为像素点集V下的目标点集,B为像素点集V下的背景点集,Ncut(A,B)是目标点集A和背景点集B之间的规范切目标函数,cut(A,B)是目标点集A中所有像素点到背景点集B中所有像素点的权值和:
assoc(A,V)是目标点集A中所有像素点到像素点集V中所有像素点的权值和:
assoc(B,V)是背景点集B中所有像素点到像素点集V中所有像素点的权值和:
其中,wi,j对应权值矩阵中第i行第j列的数值。
本发明在初始化过程中,设置最大进化代数为gen=600,种群规模为P=100,克隆规模为q=10,所有的实验结果都是在这种设置下得到的,但不局限于这种设置。
步骤3,根据克隆规模q,将当前种群中的每个个体都克隆为q个。
在这一步中,将当前种群中的每个个体都克隆为q个,如果初始种群规模为P,则克隆后的种群规模扩展为P×q。
步骤4,对克隆后种群中的所有个体执行变异操作。
种群中每个个体的变异概率为1,个体中每个像素点的变异概率随着进化代数而变化:
pm=1-0.01×it/gen
其中,pm是变异概率,it是当前进化代数,gen是最大进化代数。
对克隆后种群中的所有个体执行变异操作,是指对个体中的每个像素点进行变异操作之前,产生一个范围在0到1之间的随机数,如果该随机数小于当前代的变异概率,则将个体中对应像素点的标签从0更改为1或者从1更改为0,否则,个体中对应像素点的标签不变。
步骤5,对变异后种群中的所有个体执行邻域学习操作。
如果变异后种群中的个体每个中心像素点上下左右四个邻域像素点属于同一类,如图3的邻域学习操作示例图,则中心像素点强制标记为这个相同的类别,否则,中心像素点以概率0.5进行反转变异。
步骤6,利用步骤2中所述的规范切目标函数公式,计算邻域学习后种群中所有个体的规范切目标函数值,并根据规范切目标函数值对邻域学习后的种群进行克隆选择,更新克隆选择后种群的最优解和对应最优解的最优图像分割结果。
根据规范切目标函数对邻域学习后的种群进行克隆选择,是指对邻域学习后种群中的所有个体计算规范切目标函数值,从种群的每10个个体中选择出规范切目标函数值最优的一个个体取代与克隆前对应的种群中的个体,最终生成与初始种群规模相同的新种群。
(6a)设置初始种群为:X=(x1,x2,......,xP),xi表示初始种群X中的个体,i=1,……,P,P是种群规模;
(6b)对初始种群X执行克隆操作,形成新种群X`=(x11,......,x1q,x21,.....,x2q,.....,xP1,......,xPq),xij表示克隆种群X中的xi得到的个体,i=1,……,P,j=1,……,q,q是克隆规模;
(6c)对克隆操作后的种群X`执行变异和邻域学习操作,形成新种群X``=(x`11,......,x`1q,x`21,......,x`2q,......,x`P1,......,x`Pq),X``表示变异和邻域学习操作后形成的新种群,x`ij表示对X`中的xij执行变异和邻域学习操作后形成的个体,i=1,……,P,j=1,……,q;
(6d)克隆选择操作就是分别从x`i1,......,x`iq中选择出目标函数值最优的一个个体,取代X中的xi,x`i1,......,x`iq表示X``中的q个个体,i=1,……,P。
如果当前代种群中的最优解优于之前保存的最优解,则取代保存的最优解,对应最优解的最优图像分割结果取代之前保存的最优图像分割结果;否则,最优解和最优图像分割结果保持不变。
步骤7,如果当前进化代数大于初始化中的最大进化代数,就输出种群中的最优解对应的最优图像分割结果,否则,返回步骤(3),循环进行种群的进化过程,直到输出最优图像分割结果。
本发明的效果可以通过仿真实验具体说明:
1.实验条件
实验所用微机CPU为Intel Pentium43.0GHz内存1GB,编程平台是Matlab 7.0.1。实验中采用的图像数据来为图4所示的光学图像,实验所用的图像大小为40×40。初始化最大进化代数gen=600,克隆规模q=10和种群规模P=100;
2.实验内容
本实验分别针对无噪和加噪图像进行了两类实验:
实验一,用本发明的方法和现有的3种方法直接对图5中的三幅图像进行分割对比,其中现有的3种方法是:基于规范切的文化基因图像分割方法;基于最大灰度方差的邻域学习文化基因图像分割方法;模糊C均值方法,实验结果如图6所示,其中6(a)是本发明的分割结果,6(b)是基于规范切的文化基因图像分割结果,6(c)是基于最大灰度方差的邻域学习文化基因图像分割结果,6(d)是模糊C均值分割结果。
实验二,是用本发明方法和所述现有3种对图5中的三幅图像在加入均值为0,方差为0.01高斯噪声后进行分割的对比,实验结果如图7所示,其中7(a)、7(b)、7(c)和7(d)分别对应本发明和所述3种对比方法的分割结果。
3.实验结果
从图6可以看出,本发明得到图像分割结果6(a)比基于规范切的文化基因图像分割方法得到的结果6(b)区域一致性更好,比基于最大灰度方差的邻域学习文化基因图像分割方法得到的结果6(c)全局性更好,比模糊C均值方法得到的结果6(d)分割出的区域更完整,边界更连续。
从图7可以看出,本发明对加噪图像得到的分割结果7(a)比3种对比实验得到的结果7(b)、7(c)和7(d)分割出的区域都更稳定,斑点噪声更少。
Claims (5)
1.一种基于规范切的邻域学习文化基因图像分割方法,包括如下步骤:
(1)对一幅输入图像进行基于图像像素的二维随机0/1编码,形成初始种群中的个体;
其中,i和j表示输入图像中的任意一个像素点,wi,j表示像素点i和像素点j之间的权值,Fi和Fj分别是像素点i和像素点j的灰度值,Xi和Xj分别是像素点i和像素点j在输入图像中的空间位置;
(3)将所有像素点相互之间的权值wi,j构成一个输入图像的权值矩阵D:
D=(w1,1,w1,2,……,w1,M
w2,1,w2,2,……,w2,M
……,……,……
wN,1,wN,2,……,wN,M)
其中,N是输入图像的像素行数,M是输入图像的像素列数;
(4)根据权值矩阵,计算初始种群中个体的规范切目标函数:
其中,V是一幅图像的像素点总集合,A为像素点集V下的目标点集,B为像素点集V下的背景点集,Ncut(A,B)是目标点集A和背景点集B之间的规范切目标函数,cut(A,B)是目标点集A中所有像素点到背景点集B中所有像素点的权值和:
assoc(A,V)是目标点集A中所有像素点到像素点集V中所有像素点的权值和:
assoc(B,V)是背景点集B中所有像素点到像素点集V中所有像素点的权值和:
(5)根据初始种群中个体的规范切目标函数,初始化种群的最优解和对应最优解的最优图像分割结果;
(6)初始化最大进化代数,克隆规模和种群规模;
(7)根据克隆规模q,将当前种群中的每个个体都克隆为q个;
(8)对克隆后种群中的所有个体执行变异操作,每个个体的变异概率为1,个体中每个像素点的变异概率随着进化代数而变化,计算公式如下:
pm=1-0.01×it/gen
其中,pm是变异概率,it是当前进化代数,gen是最大进化代数;
(9)对变异后种群中的所有个体执行邻域学习操作:如果个体中每个中心像素点上下左右四个邻域像素点属于同一类,则中心像素点强制标记为这个相同的类别,否则,中心像素点以概率0.5进行反转变异;
(10)利用步骤(4)中的规范切目标函数公式,计算邻域学习后种群中所有个体的规范切目标函数值;
(11)根据规范切目标函数值对邻域学习后的种群进行克隆选择,更新克隆选择后种群的最优解和对应最优解的最优图像分割结果,如果当前进化代数大于初始化中的最大进化代数,就输出最优个体对应的图像分割结果,否则,返回步骤(7)。
2.根据权利要求1所述的基于规范切的邻域学习文化基因图像分割方法,其中步骤(1)所述的对一幅输入图像进行基于图像像素的二维随机0/1编码,是通过给输入图像的每个像素点随机分配标签0或标签1产生初始种群中的一个个体,并以二维矩阵的形式对初始种群中的每一个个体进行存储。
3.根据权利要求1所述的基于规范切的邻域学习文化基因图像分割方法,其中步骤(6)所述的初始化最大进化代数,克隆规模和种群规模,是在初始化过程中,设置最大进化代数为600,种群规模为100,克隆规模为10。
4.根据权利要求1所述的基于规范切的邻域学习文化基因图像分割方法,其中步骤(8)所述的对克隆后种群中的所有个体执行变异操作,是指对个体中的每个像素点进行变异操作之前,产生一个范围在0到1之间的随机数,如果该随机数小于当前代的变异概率,则将个体中对应像素点的标签从0更改为1或者从1更改为0,否则,个体中对应像素点的标签不变。
5.根据权利要求1所述的基于规范切的邻域学习文化基因图像分割方法,其中步骤(11)所述的根据规范切目标函数对邻域学习后的种群进行克隆选择,是指对邻域学习后种群中的所有个体计算规范切目标函数值,从种群的每10个个体中选择出规范切目标函数值最优的一个个体取代与克隆前对应的种群中的个体,最终生成与初始种群规模相同的新种群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110092677 CN102184524B (zh) | 2011-04-13 | 2011-04-13 | 基于规范切的邻域学习文化基因图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110092677 CN102184524B (zh) | 2011-04-13 | 2011-04-13 | 基于规范切的邻域学习文化基因图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102184524A true CN102184524A (zh) | 2011-09-14 |
CN102184524B CN102184524B (zh) | 2012-12-05 |
Family
ID=44570694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110092677 Active CN102184524B (zh) | 2011-04-13 | 2011-04-13 | 基于规范切的邻域学习文化基因图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102184524B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839257A (zh) * | 2013-12-24 | 2014-06-04 | 西安电子科技大学 | 一种广义高斯k&i的sar图像变化检测方法 |
CN106203447A (zh) * | 2016-07-06 | 2016-12-07 | 华东理工大学 | 一种基于像素遗传的前景目标提取方法 |
CN108921853A (zh) * | 2018-06-22 | 2018-11-30 | 西安电子科技大学 | 基于超像素和免疫稀疏谱聚类的图像分割方法 |
CN109934231A (zh) * | 2019-01-08 | 2019-06-25 | 河北科技大学 | 基于多方向灰度共生矩阵的棒材端面字符图像识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271572A (zh) * | 2008-03-28 | 2008-09-24 | 西安电子科技大学 | 基于免疫克隆选择聚类的图像分割方法 |
CN101299243A (zh) * | 2008-06-27 | 2008-11-05 | 西安电子科技大学 | 基于免疫谱聚类的图像分割方法 |
CN101477686A (zh) * | 2009-01-21 | 2009-07-08 | 西安电子科技大学 | 基于克隆选择的无监督图像分割方法 |
CN101866490A (zh) * | 2010-06-30 | 2010-10-20 | 西安电子科技大学 | 基于差分免疫克隆聚类的图像分割方法 |
US20100322489A1 (en) * | 2009-06-18 | 2010-12-23 | Omisa Inc. | System and method for image segmentation |
-
2011
- 2011-04-13 CN CN 201110092677 patent/CN102184524B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271572A (zh) * | 2008-03-28 | 2008-09-24 | 西安电子科技大学 | 基于免疫克隆选择聚类的图像分割方法 |
CN101299243A (zh) * | 2008-06-27 | 2008-11-05 | 西安电子科技大学 | 基于免疫谱聚类的图像分割方法 |
CN101477686A (zh) * | 2009-01-21 | 2009-07-08 | 西安电子科技大学 | 基于克隆选择的无监督图像分割方法 |
US20100322489A1 (en) * | 2009-06-18 | 2010-12-23 | Omisa Inc. | System and method for image segmentation |
CN101866490A (zh) * | 2010-06-30 | 2010-10-20 | 西安电子科技大学 | 基于差分免疫克隆聚类的图像分割方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839257A (zh) * | 2013-12-24 | 2014-06-04 | 西安电子科技大学 | 一种广义高斯k&i的sar图像变化检测方法 |
CN103839257B (zh) * | 2013-12-24 | 2017-01-11 | 西安电子科技大学 | 一种广义高斯k&i的sar图像变化检测方法 |
CN106203447A (zh) * | 2016-07-06 | 2016-12-07 | 华东理工大学 | 一种基于像素遗传的前景目标提取方法 |
CN106203447B (zh) * | 2016-07-06 | 2019-12-06 | 华东理工大学 | 一种基于像素遗传的前景目标提取方法 |
CN108921853A (zh) * | 2018-06-22 | 2018-11-30 | 西安电子科技大学 | 基于超像素和免疫稀疏谱聚类的图像分割方法 |
CN108921853B (zh) * | 2018-06-22 | 2022-03-04 | 西安电子科技大学 | 基于超像素和免疫稀疏谱聚类的图像分割方法 |
CN109934231A (zh) * | 2019-01-08 | 2019-06-25 | 河北科技大学 | 基于多方向灰度共生矩阵的棒材端面字符图像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102184524B (zh) | 2012-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321813B (zh) | 基于行人分割的跨域行人重识别方法 | |
CN110428428B (zh) | 一种图像语义分割方法、电子设备和可读存储介质 | |
Guan et al. | Scale variance minimization for unsupervised domain adaptation in image segmentation | |
Wang et al. | Salient object detection based on multi-scale contrast | |
CN109740652B (zh) | 一种病理图像分类方法和计算机设备 | |
CN107169504B (zh) | 一种基于扩展非线性核残差网络的手写字符识别方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN105528575B (zh) | 基于上下文推理的天空检测方法 | |
CN108921019B (zh) | 一种基于GEI和TripletLoss-DenseNet的步态识别方法 | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
CN106203430A (zh) | 一种基于前景聚集度和背景先验的显著性物体检测方法 | |
Jiang et al. | Hyperspectral image classification with spatial consistence using fully convolutional spatial propagation network | |
CN107633226A (zh) | 一种人体动作跟踪识别方法及系统 | |
CN103020971A (zh) | 从图像中自动分割目标对象的方法 | |
CN102005034A (zh) | 基于区域聚类的遥感影像分割方法 | |
CN106504255A (zh) | 一种基于多标签多示例学习的多目标图像联合分割方法 | |
CN104021560B (zh) | 基于多目标进化算法的图像分割方法 | |
CN110334656A (zh) | 基于信源概率加权的多源遥感图像水体提取方法及装置 | |
CN107506792A (zh) | 一种半监督的显著对象检测方法 | |
CN102722578B (zh) | 一种基于拉普拉斯正则化无监督的聚类特征选取方法 | |
CN102184524B (zh) | 基于规范切的邻域学习文化基因图像分割方法 | |
Yuan et al. | Efficient cloud detection in remote sensing images using edge-aware segmentation network and easy-to-hard training strategy | |
CN104794726B (zh) | 一种水下图像并行分割方法及装置 | |
Han et al. | The edge-preservation multi-classifier relearning framework for the classification of high-resolution remotely sensed imagery | |
Yuan et al. | Modeling spatial layout for scene image understanding via a novel multiscale sum-product network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |