CN104299233A - 基于超像素块的蜂群和灰色关联算法的sar图像分割方法 - Google Patents
基于超像素块的蜂群和灰色关联算法的sar图像分割方法 Download PDFInfo
- Publication number
- CN104299233A CN104299233A CN201410519756.7A CN201410519756A CN104299233A CN 104299233 A CN104299233 A CN 104299233A CN 201410519756 A CN201410519756 A CN 201410519756A CN 104299233 A CN104299233 A CN 104299233A
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- block
- image
- represent
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于超像素块的蜂群和灰色关联算法的SAR图像分割方法:其实现步骤是:(1)预处理待分割SAR图像;(2)计算超像素块;(3)初始化每个超像素块的灰度空间;(4)在每个超像素块里面用蜂群算法进行寻优,找到最优聚类中心;(5)初始化超像素块聚类中心与其他相邻的像素块的聚类中心之间的距离;(6)根据加权公式定义出像素块在领域内的和每个领域的关联程度;(7)循环(6)直到每个像素块都归类的权值最优的类中去;(8)得到分割结果。由于本发明采用将待分割SAR图像分割成超像素块的方法,使图像中的像素点具有位置信息约束,使图像不会发生错乱,提高了图像局部完整性。
Description
技术领域
本发明属于图像处理技术领域,涉及图像分割技术领域中的一种空间和灰度相关特征超像素的图像分割方法。本发明采用基于简单线性迭代超像素聚类(Simple Linear Iterative Clustering,SLIC)和灰度关联度的图像分割方法,对于合成孔径雷达(Synthetic Aperture Rader,SAR)图像进行处理。
背景技术
图像分割是把图像分割成若干个特定的、具有独特兴致的区域,再提取感兴趣目标的技术和过程。它是图像识别、特征提取和计算机视觉等高级图像操作的必须步骤。近年来,图像分割领域出现了许多新的方法和思想,比如模糊c-均值和超像素分割的方法,这样的方法可以使图像的分割区域一致性和鲁棒性加强,但是对于环境复杂、噪声强、灰度不均匀的待分割图像,不能达到很好的效果,还需要改进。
超像素块被应用到计算机视觉领域的方法越来越多,超像素块是一种不同于以往像素的概念,它是比像素略大的像素块,可以看作是一种对图像的预分割。这样处理可以提高图像处理的准确度,而且可以提高处理的效率。
南京航天航空大学提出的专利申请“一种模糊聚类图像分割方法”(专利申请号CN201310072342.X公开号CN103150731A)公开了一种模糊聚类图像的分割的方法。该方法实现的具体步骤是:首先输入待分割图像:再用K-means算法对图像初始聚类获得K个聚类中心;然后,将获得的K个聚类中心作为模糊c均值聚类算法的初始聚类中心;最后得到分割图像。该方法存在的不足是,缺少对待分割图像中像素点位置信息的约束,可能会破坏图像局部纹理信息的一致性,导致分割结果鲁棒性不好。
西安电子科技大学提出的专利申请“基于空间相关特征超像素块的SAR图像分割方法”(申请号201410088850.1申请公布号CN 103824300 A)公开了一种基于空间相关特征超像素块的SAR图像分割方法。该方法的具体实现步骤是:首先,输入待分割图像,计算超像素块,初始化修正隶属度矩阵,计算修正隶属度,计算位置信息隶属度和纹理信息隶属度,再判断是否满足循环终止条件,是则获得分割结果否则重新计算修正隶属度。该方法存在的不足是,经常要重复计算修正隶属度,在分割复杂图像时,容易出现图像分割错乱的结果。
发明内容
本发明提出了一种基于超像素块的蜂群和灰色关联算法的SAR图像分割方法,改善了超像素的中心选取,提高了分割区域一致性、鲁棒性,轮廓清晰。
为了实现上述目的,本发明包括以下步骤:
(1)预处理待分割SAR图像;
(1a)输入一幅待分割SAR图像;
(2b)对图像用lee滤波去除噪声;
(2)计算超像素块;
(2a)采用线性迭代聚类的方法,将带分割SAR图像分割成超像素块;
(3)初始化每个超像素块的灰度空间;
(3a)计算每个超像素块的灰度平均值。
(4)在每个超像素块里面用蜂群算法进行寻优,设初始超像素中心为初始蜜源xi,找到最优聚类中心;
(4a)根据公式xi=xmin+rand(0,1)*(xmax-xmin)初始化蜂群,式中xi∈L,L为标记场;
(4b)引领蜂记录自己当前的最优值,并在当前蜜源附近领域搜素,产生一个新解的公式:vij=xij+θij(xij-xkj)。式中的k为随机生成且k≠i;θij为[-1,1]之间的随机数。
(4c)应用贪婪原则在xij和vij之间做出选择;
(4d)根据公式和 <math>
<mrow>
<mi>fit</mi>
<mo>=</mo>
<mfenced open='{' close=''>
<mtable>
<mtr>
<mtd>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
<mo>+</mo>
<mi>abs</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mtext><0,</mtext>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</math> fiti代表蜜源质量,计算转移概率Pi;
(4e)根据转移概率Pi,跟随蜂选择引领峰进行跟随,并根据vij=xij+θij(xij-xkj)产生一个解;
(4f)记录最优解,得到新的超像素中心;
(4g)若达到最大循环数,标记出最优,不然转步骤(4b);
(5)初始化超像素块聚类中心与其他相邻的像素块的聚类中心之间的距离;
(5a)按照下式得出灰度距离:
lk代表检测点的像素值,li代表领域点的像素值。
(5b)按照下式得出空间距离:
(xk,yk)代表检测点的坐标,(xi,yi)代表领域点的坐标。
(6)用灰色关联度方法得出像素块在领域内的和每个领域像素块的关联程度;
(7)循环(6)直到每个像素块都归类到Ds最优的类中去;
(8)把所有的超像素块都标记后,得出分割结果。
本发明与现有技术相比,具有以下优点:
第一,由于本发明采用将待分割SAR图像分割成超像素块的方法,使图像中的像素点具有位置信息约束,使图像不会发生错乱,提高了图像局部完整性。
第二,由于本发明采用了人工蜂群算法,在超像素块中寻找出最优的超像素中心,在下一步计算像素归属中,提高了精确度,降低了像素块的误分,提高了分割区域的鲁棒性。
附图说明
图1是发明流程图;
图2是本发明的SAR图像分割仿真图。
具体实施方式
下面结合附图对本发明做进一步的描述。
实现本发明的具体步骤如图1所示:
步骤1,预处理一张待分割的SAR图像,用lee滤波去除噪声。
步骤2,计算超像素块。
采用SLIC方法,将当前待分割图像分割成为超像素块。
SLIC方法的具体步骤如下:
第一步:凭经验给定总共要划分成K个超像素块,计算出图像总像素数N,
然后根据计算出超像素的边长大小D。
第二步:按照预定好的将图像分块,把初始超像素中心设定在矩形块中心上,对每个初始聚类中心的3×3领域求梯度,然后把聚类中心移动到邻域梯度最低的点上。
第三步:遍历图像中所有像素,把图像中每个不是超像素中心的点标记出来。
第四步:遍历每个标记出来的像素,计算每个像素点和在2D×2D附近区域内的超像素中心的评判距离,对于每个像素点到像素中心的距离,如果比原来的小就更新该像素的归属,并记录下像素距离中心点的距离。
灰度距离由下式计算
lk代表检测点的像素值,li代表领域点的像素值。
空间距离由下式计算
(xk,yk)代表检测点的坐标,(xi,yi)代表领域点的坐标。
评判距离由下式计算
其中,dlab是灰度距离,dxy代表空间距离,通过变量m来控制权重,m的作用是用于调节超像素的紧密性,m值越大,超像素间越紧密。
步骤3,在每个超像素块里面用蜂群算法进行寻优,找到最优聚类中心。
第一步:将超像素块中的所有像素点都看作是蜜源,根据公式xi=xmin+rand(0,1)*(xmax-xmin)初始化蜂群,式中xi∈L,L为标记场。
第二步:引领蜂记录自己当前的最优值,并在当前蜜源附近领域搜素,产生一个新解的公式:vij=xij+θij(xij-xkj)。
式中的k为随机生成且k≠i;θij为[-1,1]之间的随机数。
第三步:应用贪婪原则在xij和vij之间做出选择;
第四步:根据公式和 <math>
<mrow>
<mi>fit</mi>
<mo>=</mo>
<mfenced open='{' close=''>
<mtable>
<mtr>
<mtd>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
<mo>+</mo>
<mi>abs</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mtext><0,</mtext>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</math> fiti代表蜜源质量,计算转移概率Pi;
第五步:根据转移概率Pi,跟随蜂选择引领峰进行跟随,并根据vij=xij+θij(xij-xkj)产生一个解;
第六步:记录最优解,得到新的超像素中心;
第七步:若达到最大循环数,标记出最优,不然转第二步;
步骤4,依据灰色关联度分析归类超像素块。
第一步:通过计算超像素中心像素u的灰度值和其相邻的八个领域超像素中心点的灰度值构成参考序列,选取未归类的超像素的中心像素v的灰度值和其八领域像素中心点灰度值构成比较序列,进行灰色关联度分析,超像素中心u与v领域间的灰色关联度计算如下:
式中luv是参考序列与比较序列之间的灰色关联系数;ζ是分辨系数(ζ<0.5);U、V分别表示参考和比较数据序列。
第二步:关联度大于一定值时,更新超像素块归属,否则超像素标记不变。
步骤5,获得分割图像。
下面结合仿真图对本发明的效果作进一步的描述。
1.仿真条件:
仿真实验环境为:MATLAB R2008a,CPU Intel(R)Core(TM)i3-2130 CPU3.40GHZ,内存4.00GB,windows7旗舰版
2.仿真内容:
本发明的仿真实验的结果如图2所示。图2用本发明的方法与现有技术的基于lee滤波和恒虚警检测算法的分割方法,分别对一幅大小为139×138的SAR图像进行分割,分割类别数为2。图2a是本发明所用的实验图片,图2b用本发明的方法产生的超像素分割结果,图2c是本方法的分割结果,图2d是结合lee滤波和恒虚警检测算法结合分割的结果。
3.实验结果与分析:
从图2d可以看出现有技术的SAR图像分割方法分割出来的图像出现了图像轮廓模糊,目标特征不明显,噪声干扰较强的状况。从图2c可以看出,本发明中提出的图像分割方法,能够最大限度的减少噪声对图像分割结果的干扰,分割区域稳定,边缘信息保留完整,并且很好的保留了目标的特征。
综上所述,本发明提出的分割方法,使分割区域的边缘信息保留完整,而且具有良好的区域一致性。本发明优于现有的图像分割技术。
Claims (3)
1.基于超像素块的蜂群和灰色关联算法的SAR图像分割方法,其特征在于该方法包含以下步骤:
(1)预处理待分割SAR图像;
(1a)输入一幅待分割SAR图像;
(2b)对图像用lee滤波去除噪声;
(2)计算超像素块;
(2a)采用SLIC的方法,将带分割SAR图像分割成超像素块;
(3)初始化每个超像素块的灰度空间;
(3a)计算每个超像素块的灰度平均值;
(4)在每个超像素块里面用蜂群算法进行寻优,设初始超像素中心为初始蜜源xi,找到最优聚类中心;
(4a)根据公式xi=xmin+rand(0,1)*(xmax-xmin)初始化蜂群,式中xi∈L,L为标记场;
(4b)引领峰记录自己当前的最优值,并在当前蜜源附近领域搜素,产生一个新解的公式:vij=xij+θij(xij-xkj);式中的k为随机生成且k≠i;θij为[-1,1]之间的随机数;
(4c)应用贪婪原则在xij和vij之间做出选择;
(4d)根据公式和 <math>
<mrow>
<mi>fit</mi>
<mo>=</mo>
<mfenced open='{' close=''>
<mtable>
<mtr>
<mtd>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
<mo>+</mo>
<mi>abs</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mtext><0,</mtext>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</math> fiti代表蜜源质量,计算转移概率Pi;
(4e)根据转移概率Pi,跟随蜂选择引领峰进行跟随,并根据vij=xij+θij(xij-xkj)产生一个解;
(4f)记录最优解,得到新的超像素中心;
(4g)若达到最大循环数,标记出最优,不然转步骤(4b);
(5)初始化超像素块聚类中心与其他相邻的像素块的聚类中心之间的距离;
(5a)按照下式得出灰度距离:
lk代表检测点的像素值,li代表领域点的像素值;
(5b)按照下式得出空间距离:
(xk,yk)代表检测点的坐标,(xi,yi)代表领域点的坐标;
(6)用灰色关联度方法得出像素块在领域内的和每个领域像素块的关联程度;
(7)循环(6)直到每个像素块都归类到Ds最优的类中去;
(8)把所有的超像素块都标记后,得出分割结果。
2.根据权利要求1所述的基于超像素块的蜂群和灰色关联算法的SAR图像分割方法,其特征在于,步骤(2a)所述SLIC方法的具体步骤如下:
第一步:凭经验给定总共要划分成K个超像素块,计算出图像总像素数N,
然后根据计算出超像素的边长大小D;
第二步:按照预定好的将图像分块,把初始超像素中心设定在矩形块中心上,对每个初始聚类中心的3*3领域求梯度,然后把聚类中心移动到邻域梯度最低的点上;
第三步:遍历图像中所有像素,把图像中每个不是超像素中心的点标记出来;
第四步:遍历每个标记出来的像素,计算每个像素点和在2D*2D附近区域内的超像素中心的评判距离,对于每个像素点到像素中心的距离,如果比原来的小就更新该像素的归属,并记录下像素距离中心点的距离;
灰度距离由下式计算
lk代表检测点的像素值,li代表领域点的像素值;
空间距离由下式计算
(xk,yk)代表检测点的坐标,(xi,yi)代表领域点的坐标;
评判距离由下式计算
其中,dlab是灰度距离,dxy代表空间距离,通过变量m来控制权重,m的作用是用于调节超像素的紧密性,m值越大,超像素间越紧密。
3.根据权利要求1所述的基于超像素块的蜂群和灰色关联算法的SAR图像分割方法,其特征在于,步骤(6)所述的灰色关联度方法步骤如下:
第一步:通过计算超像素中心像素u的灰度值和其相邻的八领域超像素中心点的灰度值构成参考序列,选取未归类的超像素的中心像素v的灰度值和其相邻的八领域像素中心点灰度值构成比较序列,进行灰色关联度分析,超像素中心u与v领域间的灰色关联度计算如下:
式中luv是参考序列与比较序列之间的灰色关联系数;ζ是分辨系数(ζ<0.5);U、V分别表示参考和比较数据序列;
第二步:关联度大于一定值时,更新超像素块归属,否则超像素标记不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410519756.7A CN104299233A (zh) | 2014-09-30 | 2014-09-30 | 基于超像素块的蜂群和灰色关联算法的sar图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410519756.7A CN104299233A (zh) | 2014-09-30 | 2014-09-30 | 基于超像素块的蜂群和灰色关联算法的sar图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104299233A true CN104299233A (zh) | 2015-01-21 |
Family
ID=52318955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410519756.7A Pending CN104299233A (zh) | 2014-09-30 | 2014-09-30 | 基于超像素块的蜂群和灰色关联算法的sar图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104299233A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680181A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 基于似然比特征的sar图像超像素分割方法 |
CN104899877A (zh) * | 2015-05-20 | 2015-09-09 | 中国科学院西安光学精密机械研究所 | 基于超像素和快速三分图的图像前景提取方法 |
CN106127782A (zh) * | 2016-06-30 | 2016-11-16 | 北京奇艺世纪科技有限公司 | 一种图像分割方法及系统 |
CN106650790A (zh) * | 2016-11-21 | 2017-05-10 | 中国科学院东北地理与农业生态研究所 | 一种基于蜂群智能的遥感影像聚类方法 |
CN112034428A (zh) * | 2020-08-04 | 2020-12-04 | 北京理工大学 | 基于灰色关联的雷达无源干扰识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400368A (zh) * | 2013-06-25 | 2013-11-20 | 西安电子科技大学 | 基于图论和超像素的并行快速sar图像分割方法 |
US20140050391A1 (en) * | 2012-08-17 | 2014-02-20 | Nec Laboratories America, Inc. | Image segmentation for large-scale fine-grained recognition |
CN103824300A (zh) * | 2014-03-12 | 2014-05-28 | 西安电子科技大学 | 基于空间相关特征超像素块的sar图像分割方法 |
CN103984953A (zh) * | 2014-04-23 | 2014-08-13 | 浙江工商大学 | 基于多特征融合与Boosting决策森林的街景图像的语义分割方法 |
-
2014
- 2014-09-30 CN CN201410519756.7A patent/CN104299233A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140050391A1 (en) * | 2012-08-17 | 2014-02-20 | Nec Laboratories America, Inc. | Image segmentation for large-scale fine-grained recognition |
CN103400368A (zh) * | 2013-06-25 | 2013-11-20 | 西安电子科技大学 | 基于图论和超像素的并行快速sar图像分割方法 |
CN103824300A (zh) * | 2014-03-12 | 2014-05-28 | 西安电子科技大学 | 基于空间相关特征超像素块的sar图像分割方法 |
CN103984953A (zh) * | 2014-04-23 | 2014-08-13 | 浙江工商大学 | 基于多特征融合与Boosting决策森林的街景图像的语义分割方法 |
Non-Patent Citations (1)
Title |
---|
刘进立: "SAR图像分割与特征提取方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680181A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 基于似然比特征的sar图像超像素分割方法 |
CN104899877A (zh) * | 2015-05-20 | 2015-09-09 | 中国科学院西安光学精密机械研究所 | 基于超像素和快速三分图的图像前景提取方法 |
CN106127782A (zh) * | 2016-06-30 | 2016-11-16 | 北京奇艺世纪科技有限公司 | 一种图像分割方法及系统 |
CN106127782B (zh) * | 2016-06-30 | 2019-10-18 | 北京奇艺世纪科技有限公司 | 一种图像分割方法及系统 |
CN106650790A (zh) * | 2016-11-21 | 2017-05-10 | 中国科学院东北地理与农业生态研究所 | 一种基于蜂群智能的遥感影像聚类方法 |
CN112034428A (zh) * | 2020-08-04 | 2020-12-04 | 北京理工大学 | 基于灰色关联的雷达无源干扰识别方法 |
CN112034428B (zh) * | 2020-08-04 | 2021-11-26 | 北京理工大学 | 基于灰色关联的雷达无源干扰识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104599275B (zh) | 基于概率图模型的非参数化的rgb-d场景理解方法 | |
CN104778457B (zh) | 基于多示例学习的视频人脸识别方法 | |
Dornaika et al. | Building detection from orthophotos using a machine learning approach: An empirical study on image segmentation and descriptors | |
Ning et al. | Interactive image segmentation by maximal similarity based region merging | |
CN105389550B (zh) | 一种基于稀疏指引与显著驱动的遥感目标检测方法 | |
CN106909902B (zh) | 一种基于改进的层次化显著模型的遥感目标检测方法 | |
CN110175615B (zh) | 模型训练方法、域自适应的视觉位置识别方法及装置 | |
CN108629783B (zh) | 基于图像特征密度峰值搜索的图像分割方法、系统及介质 | |
CN104299233A (zh) | 基于超像素块的蜂群和灰色关联算法的sar图像分割方法 | |
CN109409240A (zh) | 一种结合随机游走的SegNet遥感图像语义分割方法 | |
CN104392241A (zh) | 一种基于混合回归的头部姿态估计方法 | |
CN102663431A (zh) | 一种基于区域加权的图像匹配计算方法 | |
CN107577758B (zh) | 一种基于多区域交叉权值的图像卷积特征的生成方法 | |
CN110147841A (zh) | 基于弱监督及无监督部件检测和分割的细粒度分类方法 | |
CN114387505A (zh) | 一种高光谱与激光雷达多模态遥感数据分类方法及系统 | |
CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 | |
Katkar et al. | A novel approach for medical image segmentation using PCA and K-means clustering | |
JP2010067252A (ja) | オブジェクト領域抽出装置及びオブジェクト領域抽出プログラム | |
Alsanad et al. | Real-time fuel truck detection algorithm based on deep convolutional neural network | |
Lefèvre et al. | Hyperspectral image classification from multiscale description with constrained connectivity and metric learning | |
Luo et al. | A unified framework for interactive image segmentation via Fisher rules | |
CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
Li et al. | Hierarchical clustering driven by cognitive features | |
Mu et al. | Automatic segmentation of images with superpixel similarity combined with deep learning | |
CN103456019B (zh) | 基于约束对的半监督核k均值聚类的图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150121 |
|
WD01 | Invention patent application deemed withdrawn after publication |