CN102496142B - 基于模糊的三马尔可夫场sar图像分割方法 - Google Patents
基于模糊的三马尔可夫场sar图像分割方法 Download PDFInfo
- Publication number
- CN102496142B CN102496142B CN201110356011XA CN201110356011A CN102496142B CN 102496142 B CN102496142 B CN 102496142B CN 201110356011X A CN201110356011X A CN 201110356011XA CN 201110356011 A CN201110356011 A CN 201110356011A CN 102496142 B CN102496142 B CN 102496142B
- Authority
- CN
- China
- Prior art keywords
- field
- label
- probability
- pixel point
- pixel
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003709 image segmentation Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 52
- 230000006870 function Effects 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 2
- 238000002372 labelling Methods 0.000 abstract 4
- 238000012360 testing method Methods 0.000 description 24
- 238000004088 simulation Methods 0.000 description 10
- 230000007547 defect Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于模糊的三马尔可夫场SAR图像分割方法,其实现步骤为:(1)输入待分割的SAR图像;(2)初始化标号场;(3)模糊化标号场;(4)建立附加场;(5)获得模糊联合先验概率;(6)构建后验边缘的分割模型;(7)最大化后验边缘概率去模糊更新标号场分割;(8)判断标号场的变化率是否大于阈值;(9)输出最终分割结果。本发明既可以保持图像中不同区域的边缘的准确性,又可以提高分割结果的区域一致性,具有计算效率和分割精度高的优点。可应用于合成孔径雷达SAR图像分割和SAR图像目标识别。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及目标识别领域中基于模糊理论的三马尔可夫场合成孔径雷达(SAR)图像分割方法。该方法可应用于目标识别图像信息的获取、SAR图像目标识别,能够对图像的不同区域准确地进行分割。
背景技术
图像分割是通过对图像的分析,将有意义的或者感兴趣的特征部分提取出来,是成功进行图像分析、理解和描述的关键技术。合成孔径雷达(SAR)是一种高分辨率成像雷达,它以全天候、全天时、多波段、多极化、可变侧视角以及穿透能力强等诸多优点被广泛应用于军事和国民经济领域。SAR图像分割的主要应用分为两种,一种是将感兴趣的目标提取出来,另一种是将图像中不同的地物按照不同的类别分割成互不重叠的区域。由于SAR图像具有很严重的相干斑噪声,而且在缺乏先验的条件下对图像分割非常困难,因此SAR图像的处理经常建立在统计模型的基础上。
马尔可夫随机场模型方法利用观测图像、统计决策和估计理论把图像分割问题转化为能量函数的最优化问题。它能很好地描述了当前像素与其邻域中像素之间的相互关系,又能反映图像的随机性和潜在的结构性质。基于马尔可夫随机场模型的分割方法能较好地分割噪声图像和纹理复杂的SAR图像。当前流行的基于马尔可夫模型的分割方法有:基于隐马尔可夫树模型的分割方法和基于空间像素的分割方法等。例如:
西安电子科技大学在其专利申请“基于第二代Bandelet域隐马尔科夫树模型的图像分割方法”(专利申请号:200810232009.X,公开号:CN101425184A)中提出了一种基于第二代Bandelet域隐马尔科夫树模型的图像分割方法。这种方法首先对图像提取图像块进行多尺度变换,训练参数,然后建立树模型利用最大似然概率分割,最后融合各尺度的分割结果得到分割结果,虽然充分利用了SAR图像的多分辨信息,但是仍然存在的不足是,这种方法没有深入挖掘图像像素点之间的空间相关性,所以区域一致性不高,且分割的过程比较复杂。
西北工业大学在其专利申请“一种无监督马尔可夫随机场图像分割方法”(专利申请号:200710017875.2,公开号:CN101286227A)中提出了一种无监督马尔可夫随机场图像分割方法。这种方法利用了SAR图像本身像素点之间的空域相关性,通过新的势能函数提高了抗噪声性能,虽然步骤简单,但是仍然存在的不足是,没有充分利用图像信息,会造成分割精度较低。
2007年,D.Benboudjema和W.Pieczynski在文献1“Unsupervised StatisticalSegmentation of Nonstationary Images Using Triplet Markov Fields”(IEEE Trans.Pattern Analysis and Machine Intelligence,vol.29,pp.1367-1378,2007)中提出了基于三马尔可夫随机场模型的非平稳图像的无监督分割方法。该方法将三马尔可夫场图像分割方法用于非平稳图像中,在模拟和真实的SAR图像中均得到了较好的分割结果,但是仍然存在的不足是,能量函数的惩罚形式容易造成边缘像素点的错分割。
发明内容
本发明的目的在于解决上述现有技术的不足,提出了一种基于模糊理论的三马尔可夫场SAR图像分割方法,利用模糊马尔可夫场的方法对标号场进行模糊化,并改进了三马尔可夫场中先验概率中能量函数的形式,在保证分割结果区域一致性的同时,提高了分割结果区域边缘的准确性。
本发明实现上述目的的思路是:先对待分割SAR图像进行均值漂移分割初始化标号场,模糊化标号场,再对待分割图像进行K-means聚类提取图像的纹理特征建立附加场,然后利用标号场、附加场、观测场这三个联合场的马尔可夫性建模图像的联合分布,最后利用贝叶斯最大后验边缘概率准分割图像,逐点更新像素点标号,得到最终分割结果。
本发明的步骤包括如下:
(1)输入待分割的SAR图像;
(2)初始化标号场;
(3)建立附加场,利用K-means聚类工具,将待分割的SAR图像聚为输入的类别数,聚类后的矩阵作为附加场;
(4)利用隶属度函数模糊化标号场;
(5)获得联合模糊先验概率:
5a)利用下式计算能量函数:
其中,W(x,u)为标号场x和附加场u的能量函数,∑为求和符号,(s,t)是像素集合中的一对相邻像素点,C为像素点所属的集合,a1为约束标号场能量的参数,||xs-xt||为标号场的惩罚函数,xs为当前像素点的标号值,xt为当前像素邻域像素点的标号值,为约束附加场能量的参数,a,b为附加场中包含的两种纹理类别,δ(us,ut,a)、δ(us,ut,b)为附加场的惩罚函数,us为当前像素点的类别,ut为当前像素邻域像素点的类别;
5b)利用下式获得联合模糊先验概率;
p(x,u)=γexp[-W(x,u)]
其中,p(x,u)为标号场x和附加场u的联合模糊先验概率,γ为归一化常数,W(x,u)为标号场x和附加场u的能量函数;
(6)构建贝叶斯后验边缘概率的分割模型:
6a)利用下式计算图像中各像素点的似然概率;
其中,p(ys|xs)为似然概率,ys为像素点的灰度值,xs为像素点的标号,s为像素点,Γ为伽马函数,L为SAR图像的等效视数,σ为各类灰度的均值;
6b)利用统计概率公式计算三马尔可夫场联合概率分布;
6c)利用贝叶斯后验概率方法计算各像素点的后验边缘概率;
(7)利用贝叶斯最大后验边缘概率准则确定每个像素点新的标号,逐点更新标号场中各像素点的标号,分割图像;
(8)将更新前后标号场中变化的像素点个数和标号场像素点总数的比率作为终止条件,如果比率大于输入的阈值,返回步骤(4),否则执行下一步骤;
(9)输出最终分割结果。
本发明与现有技术相比具有以下优点:
第一,由于本发明采用均值漂移分割方法初始化图像的标号场,克服了现有技术多尺度方法所带来的分割结果中图像分割区域边缘不准确的不足,使得本发明所分割的图像可以保持边缘准确性。
第二,由于本发明采用模糊理论将标号场模糊化的同时,修改了联合分布中能量函数的形式,削弱了初始标号场错分割对最终分割结果的影响,克服了现有技术惩罚函数过重造成错分割的不足,使得本发明提高了分割结果的边缘准确性。
第三,由于本发明提取图像的纹理特征建立图像的附加场,克服了现有技术利用图像信息不充分的不足,使得本发明所分割的图像提高了图像中同质区域的区域一致性。
附图说明
图1为本发明的流程图;
图2为本发明使用的三幅原始测试图像和在测试图像上分割两类的结果图;
图3为本发明使用的三幅原始测试图像和在测试图像上分割三类的结果图。
具体实施方式
下面结合附图1对本发明的步骤做进一步的详细描述。
步骤1.输入待分割的SAR图像。
步骤2.初始化标号场。对待分割的SAR图像进行均值漂移分割,输入窗口宽度为5,输出分割结果图,将分割结果图中灰度值相同的像素标记为一类,得到的标号矩阵作为初始标号场。
步骤3.建立附加场。
利用K-means聚类工具,将待分割的SAR图像聚为输入的类别数,聚类后的矩阵作为附加场,本方法将图像聚为两类,表示SAR图像中含有两类不同的纹理。
步骤4.模糊化标号场。按照下式计算标号场中每一个像素点的隶属度向量;
其中,μSm为像素点s属于标号m类的隶属度,取值范围为[0,1],Nm为像素点s的邻域中属于m类的像素点个数,为像素点s的邻域中像素点总数的求和符号,然后将像素点s在隶属度向量中的最大值作为当前像素点的标号值xs,其中,隶属度向量为:{μs1,μs2,…,μsk},μs1为像素点s属于标号为1的隶属度,μs2为像素点s属于标号为2的隶属度,μsk为像素点s属于标号为k类的隶属度,μ为隶属度的值,k为标号场的总类别数。
步骤5.获得联合模糊先验概率。
首先,利用下式计算能量函数:
其中,W(x,u)为能量函数,∑为求和符号,(s,t)是像素集合中的一对相邻像素点,C为像素点所属的集合,a1为约束标号场能量的参数,本发明取值为a1=2,||xs-xt||为标号场的惩罚函数,xs为当前像素点的标号值,xt为当前像素邻域像素点的标号值,为约束附加场能量的参数,本发明取值为 a,b为附加场中包含的两种纹理类别,δ(us,ut,a)、δ(us,ut,b)为附加场的惩罚函数,us为当前像素点的类别,ut为当前像素邻域像素点的类别;标号场的惩罚函数按下式计算:
其中,||xs-xt||为标号场的惩罚函数,xs为当前像素点的标号值,xt为当前像素邻域像素点的标号值,为标号场的标号m取值从标号1到标号k的求和,k为标号场的总类别数,||为绝对值符号,μSm为像素点s属于标号m类的隶属度,μtm为像素点t属于标号m类的隶属度;
附加场的惩罚函数按下式计算:
其中,δ(us,ut,a)为附加场类别为a的惩罚函数,us为当前像素点的类别,ut为当前像素邻域像素点的类别;
其中,δ(us,ut,b)为附加场类别为b的惩罚函数,us为当前像素点的类别,ut为当前像素邻域像素点的类别。
然后,利用下式获得联合模糊先验概率;
p(x,u)=γexp[-W(x,u)]
其中,p(x,u)为标号场x和附加场u的联合模糊先验概率,γ为归一化常数,W(x,u)为模糊标号场x和附加场u的能量函数;
步骤6.构建贝叶斯后验边缘概率的分割模型。
利用下式计算图像中各像素点的似然概率:
其中,p(ys|xs)为似然概率,ys为像素点的灰度值,xs为像素点的标号,s为像素点,Γ为伽马函数,L为SAR图像的等效视数,σ为待估计的各类灰度的均值,本发明使用最大似然法估计,然后利用下式计算三马尔可夫场联合概率分布:
p(x,u,y)=p(x,u)·p(y|x,u)=γexp[-W(x,u)+∑s∈Slogp(ys|xs)]
其中,p(x,u,y)为标号场x和附加场u和灰度值场y的三马尔可夫场联合概率分布,p(x,u)为联合先验概率,p(y|x,u)为似然概率,γ为归一化常数,W(x,u)为联合先验概率中标号场x和附加场u的能量函数,s为像素点,S为像素点所属的集合,∑为求和符号,p(ys|xs)为各像素点的似然概率,ys为像素点的灰度值,xs为像素点的标号;
最后,利用贝叶斯后验概率方法计算各像素点的后验边缘概率:首先,对三马尔可夫场进行联合概率分布进行吉布斯采样,在像素的8个邻域像素点计算局部条件概率,依概率随机取值赋给当前像素点,采样20-50次标号场和附加场的样本,选出样本中每个像素点出现次数最多的标号值,计算各像素点的后验概率p(xs,us|y);然后,利用下式计算各像素点的后验边缘概率。
其中,p(xs|y)为后验边缘概率,xs为像素点的标号,y为灰度值场,s为像素点,∑为求和符号,us为附加场中像素点的类别,Λ为附加场类别所属的集合。
步骤7.利用下式贝叶斯最大后验边缘概率准则确定每个像素点新的标号,逐点更新标号场中各像素点的标号,分割图像:
其中,为本次分割后的标号,xs为逐个选取标号集合中的标号,s为像素点,arg max为求最大值符号,Pω∈Ω(xs=ω|y)为后验边缘概率,ω为标号值,Ω为标号值所属的集合,Ω={ω1,ω2,…,ωk},k为标号场的类别总数。
步骤8.将更新前后标号场中变化的像素点个数和标号场像素点总数的比率作为终止条件,如果比率大于输入的阈值,返回步骤4,否则执行下一步骤。其中,阈值为一个较小的常数,取值范围是[10-6,10-8],因为当更新前后标号场中变化的像素点很少或者没有变化的像素点时,停止迭代,认为已经达到最优,所以本方法的阈值为10-8。
步骤9.输出最终分割结果。
本发明的效果可通过以下仿真进一步说明。
1仿真条件
本发明的仿真是在主频2.5GHZ的Pentium Dual_Core CPU E5200、内存1.98GB的硬件环境和MATLAB R2007a的软件环境下进行的。
2仿真内容
图2为本发明仿真试验中使用三幅原始测试SAR图像和现有技术与本发明在三幅测试图像上分割两类的结果对比图,大小均为256×256,其中,图2(a)、图2(b)和图2(c)为两类目标的原始测试SAR图像。图2(d)为利用文献1的方法对图2(a)测试图像的分割结果图,图2(e)为利用文献1的方法对图2(b)测试图像的分割结果图,图2(f)为利用文献1的方法对图2(c)测试图像的分割结果图。图2(g)为利用本发明的方法对图2(a)测试图像的分割结果图,图2(h)为利用本发明的方法对图2(b)测试图像的分割结果图,图2(i)为利用本发明的方法对图2(c)测试图像的分割结果图。
图3为本发明仿真试验中使用三幅原始测试SAR图像和现有技术与本发明在三幅测试图像上分割三类的结果对比图,大小均为256×256,其中,图3(a),图3(b)和图3(c)为三幅三类目标的原始测试SAR图像。图3(d)为利用文献1的方法对图3(a)测试图像的分割结果图,图3(e)为利用文献1的方法对图3(b)测试图像的分割结果图,图3(f)为利用文献1的方法对图3(c)测试图像的分割结果图。图3(g)为利用本发明的方法对图3(a)测试图像的分割结果图,图3(h)为利用本发明的方法对图3(b)测试图像的分割结果图,图3(i)为利用本发明的方法对图3(c)测试图像的分割结果图。
3仿真效果分析
通过上述两类和三类目标的原始测试SAR图像的仿真实验以及分割结果对比图,可以看出本发明方法在不同SAR图像中都可以进行准确的分割。
图2是三幅对水域和陆地两类目标SAR图像的分割。图2(a)纹理较简单,边缘较清晰,图2(b)和图2(c)原图中陆地纹理复杂,水陆交接处边缘复杂。由图2(g)、图2(h)、图2(i)本发明方法的仿真结果可以看到,由于本发明采用模糊随机场的方法建模能量函数使得图像分割精度得到了明显的提高。在图2(g)中水域从图像中清晰的分割出来,边缘完整准确,区域一致性好。在图2(h)中,在准确的保持区域边缘的同时,提高了陆地区域的区域一致性。在图2(i)中,延伸至水域中的港口部分的边缘和区域一致比图2(f)结果中保持的很好。本方法的三个结果图2(g)、图2(h)、图2(i)中消除了区域中的杂点,而在图2(d)、图2(e)、图2(f)文献1方法的结果中同质区域中还存在错分割的杂点。
图3是对三类目标SAR图像的分割。图3(a)是对水域、农田、城区的分割,图3(b)是对机场跑道与草地、建筑物的分割。图3(c)是对水域、草地和灌木丛的分割。由图3(g)、图3(h)、图3(i)仿真结果可以看到,虽然对纹理复杂的城市区域很难分割出来,但是由于本发明采用模糊随机场的方法建模能量函数的同时,采用Gamma统计分布的概率密度计算三马尔可夫场中的似然概率,提高了分割结果的区域一致性和抗噪性。在图3(g)和图3(h)中,白色代表的城市区域从图像中清晰的分割出来,并且区域一致性很高,而在图3(d)和图3(e)中城市区域并没有完整的分割出来。在图3(i)中,对具有复杂纹理的灌木丛也可以保持边缘的准确性和区域一致性,比图3(f)分割结果中的区域一致性好很多。
Claims (8)
1.一种基于模糊的三马尔可夫场SAR图像分割方法,包括如下步骤:
(1)输入待分割的SAR图像;
(2)初始化标号场:对待分割的SAR图像进行均值漂移分割,输入窗口宽度为5,输出分割结果图,将分割结果图中灰度值相同的像素标记为一类,得到的标号矩阵作为初始标号场,标号场的取值为1、2、……k,k为标号场的总类别数,取值为正整数;
(3)建立附加场:利用K-means聚类工具,将待分割的SAR图像聚为输入的类别数,聚类后的矩阵作为附加场;
(4)利用隶属度函数模糊化标号场;
(5)获得联合模糊先验概率:
5a)利用下式计算能量函数:
其中,W(x,u)为标号场x和附加场u的能量函数,∑为求和符号,(s,t)是像素集合中的一对相邻像素点,C为像素点所属的集合,α1为约束标号场能量的参数,||xs-xt||为标号场的惩罚函数,xs为当前像素点的标号值,xt为当前像素邻域像素点的标号值,为约束附加场能量的参数,a,b为附加场中包含的两种纹理类别,δ(us,ut,a)、δ(us,ut,b)为附加场的惩罚函数,us为当前像素点的类别,ut为当前像素邻域像素点的类别;
5b)利用下式获得联合模糊先验概率:
p(x,u)=γexp[-W(x,u)]
其中,p(x,u)为标号场x和附加场u的联合模糊先验概率,γ为归一化常数,W(x,u)为标号场x和附加场u的能量函数;
(6)构建贝叶斯后验边缘概率的分割模型:
6a)利用下式计算图像中各像素点的似然概率:
其中,p(ys|xs)为似然概率,ys为像素点的灰度值,xs为像素点的标号,s为像素点,Γ为伽马函数,L为SAR图像的等效视数,σ为各类灰度的均值;
6b)利用统计概率公式计算三马尔可夫场联合概率分布;
6c)利用贝叶斯后验概率方法计算各像素点的后验边缘概率;
(7)利用贝叶斯最大后验边缘概率准则确定每个像素点新的标号,逐点更新标号场中各像素点的标号,分割图像;
(8)将更新前后标号场中变化的像素点个数和标号场像素点总数的比率作为终止条件,如果比率大于输入的阈值,返回步骤(4),否则执行下一步骤;
(9)输出最终分割结果。
2.根据权利要求1所述的基于模糊的三马尔可夫场SAR图像分割方法,其特征在于:步骤(4)所述的模糊化标号场的方法为:
第1步,按照下式隶属度函数计算标号场中每一个像素点的隶属度向量:
第2步,将像素点s在隶属度向量中的最大值作为当前像素点的标号值xs,其中,隶属度向量为:{μs1,μs2,…,μsk},μs1为像素点s属于标号为1的隶属度,μs2为像素点s属于标号为2的隶属度,μsk为像素点s属于标号为k类的隶属度,μ为隶属度的值,k为标号场的总类别数。
3.根据权利要求1所述的基于模糊的三马尔可夫场SAR图像分割方法,其特征在于:步骤5a)所述的能量函数中的惩罚函数分别按下式计算:
标号场的惩罚函数按下式计算:
其中,||xs-xt||为标号场的惩罚函数,xs为当前像素点的标号值,xt为当前像素邻域像素点的标号值,为标号场的标号m取值从标号1到标号k的求和,k为标号场的总类别数,||为绝对值符号,μsm为像素点s属于标号m的隶属度,μtm为像素点t属于标号m类的隶属度;
附加场的惩罚函数按下式计算:
其中,δ(us,ut,a)为附加场类别为a的惩罚函数,us为当前像素点的类别,ut为当前像素邻域像素点的类别;
其中,δ(us,ut,b)为附加场类别为b的惩罚函数,us为当前像素点的类别,ut为当前像素邻域像素点的类别。
5.根据权利要求1所述的基于模糊的三马尔可夫场SAR图像分割方法,其特征在于:步骤6b)所述的统计概率公式为:
p(x,u,y)=p(x,u)·p(y|x,u)=γexp[-W(x,u)+∑s∈Slogp(ys|xs)]
其中,p(x,u,y)为标号场x和附加场u和灰度值场y的三马尔可夫场联合概率分布,p(x,u)为联合先验概率,p(y|x,u)为似然概率,γ为归一化常数,W(x,u)为联合先验概率中标号场x和附加场u的能量函数,s为像素点,S为像素点所属的集合,∑为求和符号,p(ys|xs)为各像素点的似然概率,ys为像素点的灰度值,xs为像素点的标号。
6.根据权利要求1所述的基于模糊的三马尔可夫场SAR图像分割方法,其特征在于:步骤6c)所述的贝叶斯后验概率方法如下:
第1步,对三马尔可夫场进行联合概率分布进行吉布斯采样,利用吉布斯随机场概率公式依概率随机取值,采样20-50次标号场和附加场的样本,选出样本中每个像素点出现次数最多的标号值,计算各像素点的后验概率p(xs,us|y);
第2步,利用下式计算各像素点的后验边缘概率p(xs|y):
其中,p(xs|y)为后验边缘概率,xs为像素点的标号,y为灰度值场,s为像素点,∑为求和符号,us为附加场中像素点的类别,Λ为附加场类别所属的集合。
8.根据权利要求1所述的基于模糊的三马尔可夫场SAR图像分割方法,其特征在于:步骤(8)所述的阈值范围为:[10-6,10-8]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110356011XA CN102496142B (zh) | 2011-11-10 | 2011-11-10 | 基于模糊的三马尔可夫场sar图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110356011XA CN102496142B (zh) | 2011-11-10 | 2011-11-10 | 基于模糊的三马尔可夫场sar图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102496142A CN102496142A (zh) | 2012-06-13 |
CN102496142B true CN102496142B (zh) | 2013-11-20 |
Family
ID=46187964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110356011XA Active CN102496142B (zh) | 2011-11-10 | 2011-11-10 | 基于模糊的三马尔可夫场sar图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102496142B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102903102A (zh) * | 2012-09-11 | 2013-01-30 | 西安电子科技大学 | 基于非局部的三马尔可夫随机场sar图像分割方法 |
CN103279960B (zh) * | 2013-06-18 | 2016-08-31 | 天津重方科技有限公司 | 一种基于x射线背散射图像的人体隐藏物的图像分割方法 |
CN103606164B (zh) * | 2013-12-03 | 2016-11-02 | 西安电子科技大学 | 基于高维三重马尔可夫场的sar图像分割方法 |
CN103745472B (zh) * | 2014-01-15 | 2016-11-23 | 西安电子科技大学 | 基于条件三重马尔可夫场的sar图像分割方法 |
CN103914846B (zh) * | 2014-04-10 | 2016-11-23 | 西安电子科技大学 | 基于三重判别随机场的sar图像分割方法 |
CN104156964B (zh) * | 2014-08-14 | 2017-03-08 | 陈荣元 | 一种综合mrf和贝叶斯网络的遥感影像区域分割方法 |
CN106570880B (zh) * | 2016-10-28 | 2019-10-11 | 中国人民解放军第三军医大学 | 结合模糊聚类和马尔科夫随机场的脑组织mri图像分割方法 |
-
2011
- 2011-11-10 CN CN201110356011XA patent/CN102496142B/zh active Active
Non-Patent Citations (12)
Title |
---|
Dalila Benboudjema et al.Unsupervised image segmentation using triplet Markov fields.《Computer Vision and Image Understanding》.2005,第99卷全文. |
Dalila Benboudjema et al.Unsupervised Statistical Segmentation of Nonstationary Images Using Triplet Markov Fields.《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》.2007,第29卷(第8期),全文. |
Fusion Segmentation Algorithm for SAR Images Based on HMT in Contourlet Domain and D-S Theory of Evidence;Yan Wu et al;《ICCSA 2009》;20091231;第LNCS 5593卷;全文 * |
Unsupervised image segmentation using triplet Markov fields;Dalila Benboudjema et al;《Computer Vision and Image Understanding》;20050613;第99卷;全文 * |
Unsupervised multi-class segmentation of SAR images using triplet Markov fields models based on edge penalty;Yan Wu et al;《Pattern Recognition Letters》;20110418;第32卷;全文 * |
Unsupervised Statistical Segmentation of Nonstationary Images Using Triplet Markov Fields;Dalila Benboudjema et al;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20070831;第29卷(第8期);全文 * |
Yan Wu et al.Fusion Segmentation Algorithm for SAR Images Based on HMT in Contourlet Domain and D-S Theory of Evidence.《ICCSA 2009》.2009,第LNCS 5593卷全文. |
Yan Wu et al.Unsupervised multi-class segmentation of SAR images using triplet Markov fields models based on edge penalty.《Pattern Recognition Letters》.2011,第32卷全文. |
侯彪 等.基于小波域隐马尔科夫树模型的图像分割.《红外与毫米波学报》.2009,第28卷(第2期),全文. |
冯前进 等.模糊马尔可夫场模型与图像分割新算法.《南方医科大学学报》.2006,第26卷(第5期),全文. |
基于小波域隐马尔科夫树模型的图像分割;侯彪 等;《红外与毫米波学报》;20090430;第28卷(第2期);全文 * |
模糊马尔可夫场模型与图像分割新算法;冯前进 等;《南方医科大学学报》;20061231;第26卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN102496142A (zh) | 2012-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102402685B (zh) | 基于Gabor特征的三马尔可夫场SAR图像分割方法 | |
CN102496142B (zh) | 基于模糊的三马尔可夫场sar图像分割方法 | |
CN104915676A (zh) | 基于深层特征学习和分水岭的sar图像分类 | |
CN103745472B (zh) | 基于条件三重马尔可夫场的sar图像分割方法 | |
CN103426175B (zh) | 基于特征值度量谱聚类的极化sar图像分割方法 | |
CN109446894B (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
CN104732552B (zh) | 基于非平稳条件场的sar图像分割方法 | |
CN111008644B (zh) | 基于局部动态能量函数fcn-crf模型的生态变化监测方法 | |
CN102903102A (zh) | 基于非局部的三马尔可夫随机场sar图像分割方法 | |
CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
Li et al. | A novel image template matching based on particle filtering optimization | |
CN106991686A (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
Kwon et al. | ETVOS: An enhanced total variation optimization segmentation approach for SAR sea-ice image segmentation | |
CN109712149A (zh) | 一种基于小波能量和模糊c均值的图像分割方法 | |
CN105447488B (zh) | 基于素描线段拓扑结构的sar图像目标检测方法 | |
CN110852317A (zh) | 一种基于弱边缘的小尺度目标检测方法 | |
CN104346814A (zh) | 基于层次视觉语义的sar图像分割方法 | |
CN106600611B (zh) | 基于稀疏三重马尔可夫场的sar图像分割方法 | |
Gao et al. | Agricultural image target segmentation based on fuzzy set | |
CN111626380A (zh) | 一种基于超像素和卷积网络的极化sar图像分类方法 | |
Yang et al. | A data mining approach for heavy rainfall forecasting based on satellite image sequence analysis | |
CN103295236B (zh) | 马尔可夫多特征随机场模型构建方法及其脑部mr图像分割技术 | |
Kuchkorov et al. | Perspectives of deep learning based satellite imagery analysis and efficient training of the U-Net architecture for land-use classification | |
CN111210433B (zh) | 一种基于各向异性势函数的马氏场遥感图像分割方法 |
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 |