CN103366367B - 基于像素数聚类的模糊c-均值灰度图像分割方法 - Google Patents
基于像素数聚类的模糊c-均值灰度图像分割方法 Download PDFInfo
- Publication number
- CN103366367B CN103366367B CN201310244384.7A CN201310244384A CN103366367B CN 103366367 B CN103366367 B CN 103366367B CN 201310244384 A CN201310244384 A CN 201310244384A CN 103366367 B CN103366367 B CN 103366367B
- Authority
- CN
- China
- Prior art keywords
- cluster centre
- gray level
- pixel
- gray
- class
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于像素数聚类的模糊C-均值灰度图像分割方法,主要解决灰度图像分割准确率低的问题。其实现步骤是:(1)读入一幅灰度图像并统计灰度直方图;(2)随机初始化聚类中心;(3)计算每个灰度级到每个聚类中心的欧式距离;(4)由欧式距离计算每个灰度级到每个聚类中心所包含的像素总个数;(5)由像素总个数判断每个灰度级的类别,得到分类结果;(6)由分类结果计算每类的灰度均值作为新聚类中心;(7)由新聚类中心计算隶属度矩阵;(8)由隶属度矩阵更新聚类中心;(9)重复步骤(3)到步骤(8)直到满足终止条件,输出更新后聚类中心;(10)由更新后聚类中心对灰度图像进行分类,得到分割结果图。本发明具有图像分割精度高的优点,可用于提取灰度图像的细节信息。
Description
技术领域
本发明属于图像处理领域,涉及图像的分割方法,尤其涉及一种灰度图像的分割方法,可用于提取灰度图像的细节信息,为图像处理后续的目标识别、特征提取等工作提供较好的信息。
背景技术
随着各种成像技术的发展,人们对处理图像的需求与应用日益增加,图像分割在图像理解过程中是非常重要的环节之一,是图像处理与解析的基础,因此对图像分割方法的研究具有十分重要的意义。图像分割是根据图像的某些特征或特征集合,如纹理、灰度、颜色等的相似性准则从输入图像中提取出感兴趣目标或区域的过程。
近年来,人们根据原有的图像分割方法与其他学科相结合并不断改进的基础上提出了许多新颖有效的图像分割方法,他们大致可以分为基于阈值分割法、区域增长法、形态学分割法和进化聚类等方法。在这些方法中由于图像具有模糊性和不确定性,所以模糊聚类的方法得到了广泛的应用,尤其是模糊C-均值法FCM,它是聚类算法中最为典型的一种非监督的模糊聚类方法,并被广泛的应用于图像分割、数据聚类、模式识别等领域。
FCM聚类分割方法是一种基于优化模糊目标函数的聚类方法,它的主要实现过程是将图像中向量空间的样本点按照某种规则度量划分成所要求取的K个子空间,评判聚类结果中每个像素的特征是根据该数据与聚类中心的隶属程度,该隶属度是用一个0~1区间的数值来表示,增加了类别间的模糊性,由此FCM聚类分割算法具有良好的局部收敛特性,而且它适合在高维特征空间中进行像素的分类。然而FCM算法在处理图像分割时的不足之处在于:(1)FCM算法用于图像分割时,采用随机初始化的方式进行聚类,对于数据集中含有不均等的类的情况下极易造成误判;(2)FCM算法采用以逐个点的分布信息显示分类的结果,降低了图像中同灰度级像素间的相互关联性,同时对于像素个数较少的灰度级可能造成错误分类的现象,由此导致图像过分割及结果有好有坏等现象,甚至有时会造成图像分割的失败,为后续图像处理提供的信息造成误差。
发明内容
本发明的目的在于针对上述现有方法的不足,提出了一种基于像素数聚类的模糊C-均值灰度图像分割方法,以提高灰度图像分割中细节部分的保留,提高图像分割的精度,为后续图像处理提供的信息减小误差。
实现本发明目的技术方案包括如下步骤:
(1)读入一幅不含噪声的灰度图像I,并统计灰度图像I的灰度直方图GH为GH={nl,l=0,1,...,255},l是灰度图像I的灰度级,nl是灰度级l的像素点个数;
(2)根据灰度直方图GH随机初始化聚类中心C为C={ci,i=1,...,N},ci为第i类的聚类中心,N为灰度图像I的分割类别数;
(3)根据聚类中心C计算每个灰度级l到每个聚类中心ci的欧式距离dil;
(4)根据欧式距离dil,计算每个灰度级l到每个聚类中心ci所包含的小于该灰度级l到该聚类中心ci的所有灰度级的像素点个数Sil:
其中,nk是灰度级为k的像素点的个数,dik是灰度级k到每个聚类中心ci的欧式距离,dil是灰度级l到聚类中心ci的欧氏距离,L是灰度图像I中灰度级的总个数;
(5)在像素点个数Sil中,以灰度级l为基准,找到灰度级l与每个聚类中心ci的像素点个数Sil中最小的聚类中心cf,并将灰度级l分到最小的聚类中心cf所对应的第f类,由此得到分类结果G;
(6)根据分类结果G,计算分类结果G中第i类的像素均值F,并将第i类的像素均值F作为第i类的聚类中心vi,由此组成新聚类中心V为V={vi,i=1,....,N};
(7)根据新聚类中心V,用模糊C均值FCM方法对新聚类中心V进行更新操作,生成更新后聚类中心Z;
(8)根据更新后聚类中心Z,计算每个灰度级l与聚类中心zi之间的欧式距离wil;
(9)根据欧式距离wil和灰度直方图GH,计算每个灰度级l到每个聚类中心zi所包含的小于该灰度级l到该聚类中心zi的所有灰度级的像素点个数Pil:
其中,wik是灰度级k到每个聚类中心zi的欧式距离,wil是灰度级l到聚类中心zi的欧氏距离;
(10)在像素点个数Pil中,以灰度级l为基准,找到灰度级l与每个聚类中心zi的像素点个数Pil中最小的聚类中心zf,并将灰度级l分到最小的聚类中心zf所对应的第f类,由此得到最终的分类结果。
本发明与现有技术相比具有以下优点:
1.本发明由于用统计每个灰度级到每个聚类中心所包含的像素点个数,以像素点个数对灰度图像的灰度级进行分类,用分类后灰度图像的灰度均值来初始聚类中心,可以有效地减少随机初始聚类中心带来的误差,提高了图像分割的精度;
2.本发明由于用直方图中灰度级到聚类中心的距离来统计每个灰度级的像素个数,可以有效的保留图像像素较少类别中的细节图像信息,有效地减小错分率。
附图说明
图1是本发明的实现流程图;
图2是用本发明和现有模糊C-均值方法对灰度图像House进行两分类和三分类的实验结果对比图;
图3是用本发明和现有模糊C-均值方法对灰度图像lena进行两分类和三分类的实验结果对比图。
具体实施方式
下面结合附图对本发明的具体实施步骤和效果做进一步的详细描述:
参照图1,本发明的实现步骤如下:
步骤1,读入一幅不含噪声的灰度图像I。
在本实施例中,读入一幅灰度图像House,其大小为227×227。
步骤2,统计灰度图像I的灰度直方图GH为:GH={nl,l=0,1,...,255},l是灰度图像I的灰度级,nl是灰度级l的像素点个数。
步骤3,根据灰度直方图GH随机初始化聚类中心C为:C={ci,i=1,...,N},ci为第i类的聚类中心,N为灰度图像I的分割类别数。
在本实施例中,随机生成聚类中心C=(c1,c2),灰度图像I的分割类别数N=2。
步骤4,根据聚类中心C计算每个灰度级l到每个聚类中心ci的欧式距离dil为:dil=||l-ci||2。
在本实施例中,采用的灰度图像House共有254个灰度级,且灰度图像I的分割类别数N=2,所以欧式距离dil为254×2的矩阵。
步骤5,根据欧式距离dil,以每个聚类中心ci为基准,对欧式距离dil从小到大排序,得到排序后的距离Dil。
步骤6,根据排序后的距离Dil,计算每个灰度级l到每个聚类中心ci所包含的小于该灰度级l到该聚类中心ci的所有灰度级的像素点个数Sil:
其中,GH(k)是灰度级为k的像素点的个数,dik是灰度级k到每个聚类中心ci的欧式距离,dil是灰度级l到聚类中ci的欧氏距离,L是灰度图像I中灰度级的总个数。
在本实施例中,将到聚类中心最小的灰度级存储为1,按照排序后的灰度级依次将其存储为小于它的灰度级的像素个数之和。
步骤7,在像素点个数Sil中,以灰度级l为基准,找到灰度级l与每个聚类中心ci的像素点个数Sil中最小的聚类中心cf,并将灰度级l分到最小的聚类中心cf所对应的第f类,由此得到灰度图像I的分类结果G。
步骤8,根据灰度图像I的分类结果G,计算分类结果G中第i类的像素均值F,并将第i类的像素均值F作为第i类的聚类中心vi,由此组成新聚类中心V为V={vi,i=1,....,N}。
步骤9,根据新聚类中心V,计算灰度图像I的模糊隶属度矩阵U为:
U={uib,i=1,...,N,b=1,...,M},
其中,M是灰度图像I的像素点总个数,uib是灰度图像I中第b个像素点xb属于第i类的模糊隶属度,表示为:
其中,d(xb,va)是像素点xb与聚类中心va之间的欧氏距离,a=1,...,N。
在本实施例中,灰度图像I的像素点总个数M为227×227。
步骤10,根据模糊隶属度矩阵U,对新聚类中心V进行更新操作,生成更新后聚类中心Z为:Z={zi,i=1,....,N},zi为更新后聚类中心Z中的第i类的聚类中心,表示为:
步骤11,根据更新后聚类中心Z和模糊隶属度矩阵U,计算更新后聚类中心Z的致密分离有效性目标函数XB:
其中,dmin=min||zi-za||2是更新后聚类中心Z中第i类的聚类中心zi与第a类的聚类中心za之间距离平方的最小值,d2(xb,zi)是更新后聚类中心Z中第i类的聚类中心zi与灰度图像I中第b个像素点xb之间的欧氏距离。
在本实例中,采用的目标函数是致密分离有效性目标函数XB,它表示像素模糊均方距离之和与聚类中心的最小分离性之比,要想得到致密且分离性较好的聚类结果,期望致密分离有效性目标函数XB的值较小。
步骤12,定义目标函数的精度ε=0.0001和目标函数值XB的初始值XB(0)=0,比较目标函数的精度ε,初始值XB(0)与目标函数XB之间的关系,若目标函数XB满足:
|XB-XB(0)|<ε,
则输出更新后聚类中心Z,并将目标函数XB的值赋给目标函数XB的初始值XB(0),否则,返回步骤(4)。
上述步骤9-步骤12为本发明采用现有模糊C均值FCM方法,但不局限于该方法,例如遗传方法,免疫克隆方法,K均值方法等。
步骤13,根据更新后聚类中心Z,计算每个灰度级l与聚类中心zi之间的欧式距离wil为:wil=||l-zi||2。
步骤14,根据欧式距离wil和灰度直方图GH,计算每个灰度级l到每个聚类中心zi所包含的小于该灰度级l到该聚类中心zi的所有灰度级的像素点个数Pil:
其中,wik是灰度级k到每个聚类中心zi的欧式距离,wil是灰度级l到聚类中心zi的欧氏距离。
步骤15,在像素点个数Pil中,以灰度级l为基准,找到灰度级l与每个聚类中心zi的像素点个数Pil中最小的聚类中心zf,并将灰度级l分到最小的聚类中心zf所对应的第f类,由此得到最终的分类结果。
本发明的效果可以通过以下实验进一步说明:
本发明的对比实验为现有的模糊C-均值图像分割方法,图像分割结果以灰度图像进行对比。
1.实验条件:
本发明分别用两幅灰度图像进行实验,第一幅是House灰度图像,图像大小为227×227像素,灰度级为256。第二幅是lena灰度图像,图像大小为256×256像素,灰度级为256。对以上两幅图像分别用模糊C-均值方法和本发明方法进行图像分割的实现。
2.实验内容与结果:
实验1,是用本发明方法和模糊C-均值方法对第一幅House灰度图像进行分割实验,结果如图2,其中,图2(a)是House原始灰度图像,图2(b)是采用对比实验模糊C-均值方法得到的两分类分割结果图,图2(c)是采用对比实验模糊C-均值方法得到的三分类分割结果图,图2(d)是采用本发明方法得到的两分类分割结果图,图2(e)是采用本发明方法得到的三分类分割结果图。从图2(b)、图2(c)、图2(d)和图2(e)可以看出:与对比实验结果相比,本发明方法能更好地处理图像的细节信息,有效地分割出阴影部分的区域,提高了图像分割的精度,为后续目标识别,特征提取等操作提供更好的细节信息。
实验2,是用本发明方法和模糊C-均值方法对第二幅lena灰度图像进行分割实验,结果如图3,其中,图3(a)是lena原始灰度图像,图3(b)是采用对比实验模糊C-均值方法得到的两分类分割结果图,图3(c)是采用对比实验模糊C-均值方法得到的三分类分割结果图,图3(d)是采用本发明方法得到的两分类分割结果图,图3(e)是采用本发明方法得到的三分类分割结果图。从图3(b)、图3(c)、图3(d)和图3(e)可以看出:与对比实验方法结果相比,本发明方法能更加有效地提取出最优的聚类中心,能更有效的提取出图像中物体的细节信息,提高了图像分割的精度。
综上,本发明提出的基于像素数聚类的模糊C-均值灰度图像分割方法,可以有效地保留灰度图像中的细节信息,减小错分率,有效地提高了灰度图像分割的精度,将灰度图像分割出较为理想的效果,为灰度图像分割的后续操作提供更好的平台。
Claims (2)
1.一种基于像素数聚类的模糊C-均值灰度图像分割方法,包括如下步骤:
(1)读入一幅不含噪声的灰度图像I,并统计灰度图像I的灰度直方图GH为GH={nl,l=0,1,...,255},l是灰度图像I的灰度级,nl是灰度级l的像素点个数;
(2)根据灰度直方图GH随机初始化聚类中心C为C={ci,i=1,...,N},ci为第i类的聚类中心,N为灰度图像I的分割类别数;
(3)根据聚类中心C计算每个灰度级l到每个聚类中心ci的欧式距离dil;
(4)根据欧式距离dil,计算每个灰度级l到每个聚类中心ci所包含的小于该灰度级l到该聚类中心ci的所有灰度级的像素点个数Sil:
其中,nk是灰度级为k的像素点的个数,dik是灰度级k到每个聚类中心ci的欧式距离,dil是灰度级l到聚类中心ci的欧氏距离,L是灰度图像I中灰度级的总个数;
(5)在像素点个数Sil中,以灰度级l为基准,找到灰度级l与每个聚类中心ci的像素点个数Sil中最小的聚类中心cf,并将灰度级l分到最小的聚类中心cf所对应的第f类,由此得到分类结果G;
(6)根据分类结果G,计算分类结果G中第i类的像素均值F,并将第i类的像素均值F作为第i类的聚类中心vi,由此组成新聚类中心V为V={vi,i=1,....,N};
(7)根据新聚类中心V,用模糊C均值FCM方法对新聚类中心V进行更新操作,生成更新后聚类中心Z;
(8)根据更新后聚类中心Z,计算每个灰度级l与聚类中心zi之间的欧式距离wil;
(9)根据欧式距离wil和灰度直方图GH,计算每个灰度级l到每个聚类中心zi所包含的小于该灰度级l到该聚类中心zi的所有灰度级的像素点个数Pil:
其中,wik是灰度级k到每个聚类中心zi的欧式距离,wil是灰度级l到聚类中心zi的欧氏距离;
(10)在像素点个数Pil中,以灰度级l为基准,找到灰度级l与每个聚类中心zi的像素点个数Pil中最小的聚类中心zf,并将灰度级l分到最小的聚类中心zf所对应的第f类,由此得到最终的分类结果。
2.根据权利要求1所述的灰度图像分割方法,其中步骤(7)所述的用FCM方法对新聚类中心V进行更新操作的具体步骤如下:
7a)根据新聚类中心V,计算灰度图像I的模糊隶属度矩阵U为:
U={uib,i=1,...,N,b=1,...,M},
其中,M是灰度图像I的像素点总个数,uib是灰度图像I中第b个像素点xb属于第i类的模糊隶属度,表示为:
其中,d(xb,va)是像素点xb与聚类中心va之间的欧氏距离,a=1,...,N;
7b)根据模糊隶属度矩阵U,对新聚类中心V进行更新,生成更新后聚类中心Z为Z={zi,i=1,....,N},zi为更新后聚类中心Z中的第i类的聚类中心,表示为:
7c)根据更新后聚类中心Z和模糊隶属度矩阵U,计算更新后聚类中心Z的致密分离有效性目标函数XB:
其中,dmin=min||zi-za||2是更新后聚类中心Z中第i类的聚类中心zi与第a类的聚类中心za之间距离平方的最小值,d2(xb,zi)是更新后聚类中心Z中第i类的聚类中心zi与灰度图像I中第b个像素点xb之间的欧氏距离;
7d)若目标函数XB满足:|XB-XB(0)|<ε时,输出更新后聚类中心Z,并将目标函数XB的值赋给目标函数XB的初始值XB(0),否则,转到步骤(3),
其中,ε是目标函数的精度,XB(0)是目标函数值XB的初始值,且初始值XB(0)=0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310244384.7A CN103366367B (zh) | 2013-06-19 | 2013-06-19 | 基于像素数聚类的模糊c-均值灰度图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310244384.7A CN103366367B (zh) | 2013-06-19 | 2013-06-19 | 基于像素数聚类的模糊c-均值灰度图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103366367A CN103366367A (zh) | 2013-10-23 |
CN103366367B true CN103366367B (zh) | 2015-11-11 |
Family
ID=49367635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310244384.7A Expired - Fee Related CN103366367B (zh) | 2013-06-19 | 2013-06-19 | 基于像素数聚类的模糊c-均值灰度图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103366367B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559716A (zh) * | 2013-11-12 | 2014-02-05 | 广州太普信息技术有限公司 | 一种缺陷图像的自动分割方法 |
CN104299237A (zh) * | 2014-10-20 | 2015-01-21 | 上海电机学院 | 将非监督聚类转化为自监督分类的图像分割方法 |
CN105261004B (zh) * | 2015-09-10 | 2018-03-06 | 西安电子科技大学 | 基于均值漂移和邻域信息的模糊c均值图像分割方法 |
CN105488800A (zh) * | 2015-11-30 | 2016-04-13 | 上海联影医疗科技有限公司 | 特征提取方法、计算机辅助诊断的方法及其系统 |
WO2017092615A1 (zh) | 2015-11-30 | 2017-06-08 | 上海联影医疗科技有限公司 | 一种计算机辅助诊断系统及方法 |
CN105976379A (zh) * | 2016-05-11 | 2016-09-28 | 南京邮电大学 | 一种基于布谷鸟优化的模糊聚类彩色图像分割方法 |
CN106204607B (zh) * | 2016-07-15 | 2019-05-21 | 西安电子科技大学 | 基于波动参数划分的sar图像变化检测方法 |
CN106228552A (zh) * | 2016-07-20 | 2016-12-14 | 湖南文理学院 | 基于调和k均值聚类的灰度图像直方图快速分割方法 |
CN106447909B (zh) * | 2016-09-23 | 2019-04-26 | 深圳怡化电脑股份有限公司 | 竖列冠字号识别方法及装置 |
CN107977952A (zh) * | 2016-10-21 | 2018-05-01 | 冯原 | 医学图像分割方法及装置 |
CN106997593A (zh) * | 2017-03-30 | 2017-08-01 | 鲁东大学 | 基于医学组织器官自身特性的模糊聚类医学图像分割方法 |
CN109308694B (zh) * | 2018-08-31 | 2020-07-31 | 中国人民解放军总医院 | 骨折分型的形成方法及装置 |
CN110866527A (zh) * | 2018-12-28 | 2020-03-06 | 北京安天网络安全技术有限公司 | 一种图像分割方法、装置、电子设备及可读存储介质 |
CN110992683B (zh) * | 2019-10-29 | 2021-07-27 | 山东科技大学 | 一种基于动态图像感知的交叉口盲区预警方法及系统 |
CN112348827B (zh) * | 2020-10-26 | 2021-07-13 | 深圳市瑞云科技有限公司 | 一种基于聚类算法的vr游戏系统和方法 |
CN112488242B (zh) * | 2020-12-18 | 2023-12-19 | 深圳供电局有限公司 | 电力计量终端异常检测方法、装置、计算机设备和介质 |
CN115147421B (zh) * | 2022-09-05 | 2023-04-25 | 深圳市洪桦环保科技有限公司 | 一种用于建筑垃圾回收的再生骨料分级评价方法 |
CN116563312B (zh) * | 2023-07-11 | 2023-09-12 | 山东古天电子科技有限公司 | 一种用于双屏机显示图像分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719277A (zh) * | 2009-12-31 | 2010-06-02 | 华中科技大学 | 一种遗传模糊聚类图像分割方法 |
CN101980298A (zh) * | 2010-11-04 | 2011-02-23 | 西安电子科技大学 | 基于多智能体遗传聚类算法的图像分割方法 |
CN102663681A (zh) * | 2012-03-11 | 2012-09-12 | 西安电子科技大学 | 基于排序k-均值算法的灰度图像分割方法 |
-
2013
- 2013-06-19 CN CN201310244384.7A patent/CN103366367B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719277A (zh) * | 2009-12-31 | 2010-06-02 | 华中科技大学 | 一种遗传模糊聚类图像分割方法 |
CN101980298A (zh) * | 2010-11-04 | 2011-02-23 | 西安电子科技大学 | 基于多智能体遗传聚类算法的图像分割方法 |
CN102663681A (zh) * | 2012-03-11 | 2012-09-12 | 西安电子科技大学 | 基于排序k-均值算法的灰度图像分割方法 |
Non-Patent Citations (3)
Title |
---|
《Fuzzy c-means clustering with spatial information for image segmentation》;Keh-Shih Chuang等;《Computerized Medical Imaging and Graphics》;20061231(第30期);全文 * |
《基于空间邻域信息的FCM图像分割算法》;李艳灵等;《华中科技大学学报(自然科学版)》;20090630;第37卷(第6期);全文 * |
《基于空间邻域信息的二维模糊聚类图像分割》;余锦华等;《光电工程》;20070430;第34卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103366367A (zh) | 2013-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103366367B (zh) | 基于像素数聚类的模糊c-均值灰度图像分割方法 | |
CN109344736B (zh) | 一种基于联合学习的静态图像人群计数方法 | |
CN110837836A (zh) | 基于最大化置信度的半监督语义分割方法 | |
CN109086770B (zh) | 一种基于精准尺度预测的图像语义分割方法及模型 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN112016605B (zh) | 一种基于边界框角点对齐和边界匹配的目标检测方法 | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN110991532B (zh) | 基于关系视觉注意机制的场景图产生方法 | |
CN103984959A (zh) | 一种基于数据与任务驱动的图像分类方法 | |
CN112668579A (zh) | 基于自适应亲和力和类别分配的弱监督语义分割方法 | |
CN104850865A (zh) | 一种多特征迁移学习的实时压缩跟踪方法 | |
CN112200186B (zh) | 基于改进yolo_v3模型的车标识别方法 | |
CN109165658B (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 | |
CN103745233B (zh) | 基于空间信息迁移的高光谱图像分类方法 | |
CN105046714A (zh) | 一种非监督的基于超像素和目标发现机制的图像分割方法 | |
CN104751469A (zh) | 基于核模糊c均值聚类的图像分割方法 | |
CN104217213A (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
CN103186776A (zh) | 基于多特征和深度信息的人体检测方法 | |
CN111144462B (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN104598898B (zh) | 一种基于多任务拓扑学习的航拍图像快速识别系统及其快速识别方法 | |
CN102663681A (zh) | 基于排序k-均值算法的灰度图像分割方法 | |
CN112258525A (zh) | 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 | |
CN106056627A (zh) | 一种基于局部鉴别性稀疏表示的鲁棒目标跟踪方法 | |
CN115019133A (zh) | 基于自训练和标签抗噪的图像中弱目标的检测方法及系统 | |
CN113177554B (zh) | 甲状腺结节识别与分割方法、系统、存储介质及设备 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210514 Address after: Room 1306, block a, Rongcheng Yungu, No.57, Keji 3rd road, high tech Zone, Xi'an, Shaanxi 710005 Patentee after: SHAANXI GUOBO ZHENGTONG INFORMATION TECHNOLOGY Co.,Ltd. Address before: 710071 No. 2 Taibai South Road, Shaanxi, Xi'an Patentee before: XIDIAN University |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151111 |