CN104408715A - 基于自适应模糊c均值聚类模糊化的sar图像分析方法 - Google Patents
基于自适应模糊c均值聚类模糊化的sar图像分析方法 Download PDFInfo
- Publication number
- CN104408715A CN104408715A CN201410664971.6A CN201410664971A CN104408715A CN 104408715 A CN104408715 A CN 104408715A CN 201410664971 A CN201410664971 A CN 201410664971A CN 104408715 A CN104408715 A CN 104408715A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- attribute
- incompatibility
- conditional attribute
- value
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Abstract
本发明属于图像数据分析技术领域,具体公开了一种基于自适应模糊C均值聚类模糊化的SAR图像分析方法。本发明首先基于现有的FCM处理输出模糊决策表的模糊化处理结果,然后基于不相容度的取值逐渐增大各类别数cm的取值,cm每加1,则输各条件属性对应的模糊化处理结果,当不相容度大于预设阈值时,再从最小重要度的条件属性开始,逐渐调整对应条件属性的类别数cm,最后基于各条件属性的当前类别数cm所对应的模糊化处理结果,输出当前SAR图像的模糊化预处理结果。本发明用于SAR图像的目标识别,其输出的模糊化预处理结果能显著提升目标正确识别率。
Description
技术领域
本发明属于图像数据分析技术领域,具体涉及一种基于改进的模糊C均值聚类模糊化的SAR图像分析方法。
背景技术
合成孔径雷达SAR(Synthetic Aperture Radar)不只具备全天时和全天候的优点,还具有穿透力强、分辨率高的特点,所以SAR图像能够更细致且全面地描述目标信息。在对SAR图像进行目标识别时,首先是进行特征提取,再基于所提取的特征信息进行分类训练,进而完成对SAR图像的目标识别。当前对SAR图像的特征提取主要基于物理性质的特征和基于数学变换的特征。其中基于物理性质的特征又可细分为计算机视觉特征和电磁散射特征。其中计算机视觉特征又包括点特征、线特征和区域特征;而电磁特征主要有散射中心特征和极化特征。基于数学变换的特征主要有:二维离散傅里叶变换、小波变换、主分量分析。
由于往往提取SAR图像的特征向量维数比较大,存在相干斑噪声并且相干斑噪声严重降低了图像的可解译程度,而且目前所有的去斑算法都是在去除斑点噪声和保持纹理、边缘等细节信息之间的折衷,严重影响了后续的分类和识别等应用,加上不同目标姿态和成像角度的影响,这些都影响了SAR图像的特征提取,造成了无法得到SAR图像的精确特征信息。因而,模糊粗糙集作为一种专门处理不确定、不精确信息的数学工具,能够在不需要任何先验知识的情况下,从庞大数据集中发现隐含知识及分类规则。这为SAR目标特征分析提供了一个新的途径。
由于模糊粗糙集是由粗糙集扩展而来的,所以它们的本质是一样的,也有着相同的分析处理数据的框架。采用模糊粗糙集对SAR图像进行目标识别的步骤主要有四个:模糊化预处理、约简、提取决策规则、规则匹配。其中,模糊化预处理是指对模糊决策表(对所采集的SAR图像进行特征提取后所构建的模糊决策表)的属性进行的模糊化预处理。模糊化,是指将论域U划分为几个模糊等价类,之所以将划分的结果称为模糊等价类,是因为在模糊化过程中每个对象的属性值并不会像离散化那样最后用精确的语言变量来表示,而是用属于每个等价类的隶属度来表示,这样每个对象就可以属于多个模糊等价类,其中属于的程度不一样。所以模糊化的结果既保留了对象的原属性值在同一区间内与其它值之间的差异性,又保留了相邻区间内的与其它值之间的过渡性。
当前,在模糊化预处理中常用的分析方法是模糊C均值聚类FCM(Fuzzy C-means),其处理过程主要包括:首先,基于建模糊决策表初始化聚类中心,其中U表 示论域;表示模糊属性集合,包括条件属性集和决策属性集 其中上标m表示条件属性标识符,M表示条件属性集C所包括的条件属性的个数;表示论域U上的一个模糊属性,并且可将U划分为pj个模糊等价类(符号pj的下标用于标识不同的模糊属性),即以模糊决策表DT的每个条件属性所对应的模糊等价类为样本点,基于预设的目标类别数(每个条件属性的目标类别数的取值相同),根据点密度方法确定每个条件属性的聚类中心;其次,基于当前得到的各聚类中心值计算每个条件属性的隶属度矩阵;并不断的迭代更新聚类中心,迭代的结束条件为前后两次迭代计算出来的目标函数差异小于预设值或者达到预设最大迭代次数;最后,基于当前得到的聚类中心(每个条件属性的最优聚类中心)计算每个条件属性的隶属度矩阵,输出模糊化处理结果(每个条件属性的最优聚类中心和隶属度矩阵)。
对模糊化预处理后的模糊决策表而言,如果每个条件属性的目标类别数过大,虽然能保持原SAR图像决策表的相容性,但是却使提取到的决策规则过于复杂,从而影响系统的工作效率;如果过小,虽能使提取到的决策规则更简洁,但会导致原信息丢失过多,并引入过多的矛盾对象,基于此,有必要对现有的FCM处理方式进行改进,使其在考虑模糊决策表的不相容度前提下,能自适应的调整每个条件属性的目标类别数,以提升系统处理的简洁性和准确性。
发明内容
本发明的发明目的在于:为了提高对SAR图像进行目标识别的处理效率和保证其准确性,对现有的FCM模糊化预处理进行改进,公开了一种自适应的模糊C均值聚类模糊化的SAR图像分析方法。
本发明的基于自适应的模糊C均值聚类模糊化的SAR图像分析方法,包括下列步骤:
步骤1:输入SAR图像,进行特征提取并构建模糊决策表
步骤2:设置模糊决策表的每个条件属性的目标类别数cm均设置为决策属性集的类别数s,从而避免现有FCM模糊化预处理时的聚类中心的随机初始化,以提高处理效率;
步骤3:根据条件属性的目标类别数cm,基于FCM处理输出每个条件属性的模糊化处理结果:与类别数cm的取值相对应的最优聚类中心值和隶属度矩阵;
步骤4:基于各类别数cm的当前取值,计算模糊决策表的不相容度其中符号card(·)表示计算括号中对象的个数,表示模糊决策表DT的论域U中不相容的对象,所 述不相容的对象具体指具有相同的条件属性却有不同决策属性的对象;
步骤5:若α≤ε(ε为预设阈值),则执行步骤6;否则分别令各cm=cm+1后执行步骤3;
步骤6:设置优选先相容度αbest=α,优选类别数cbest=cm(因为各),并根据公式(1-3)计算每个条件属性的重要度ρm并排序:
对于条件属性决策属性集D包括s个决策类Tk(k=1,2,…,s),则属于决策类Tk的对象集在条件属性下的对象属性值均值为:
公式(1)中,αim(下标i用于标识不同的对象)表示在条件属性中属于决策类Tk的对象属性值,表示对应决策类Tk的对象数目;
并定义每个对象属性值αim和均值之间的差异值σim为:对象属性值αim与均值的绝对差除以条件属性中属于决策类Tk的所有对象属性值与该均值之差中的最大值,如公式(2)所示:
从公式(2)式可知,差异值σim∈[0,1];当σim趋于0时表示对象αim在决策类Tk中差异较小,当σim趋于1时表示对象αim在决策类Tk中差异逐渐变大。
基于上述公式(1)和(2)计算条件属性的重要度ρm,即:
其中N表示模糊决策表所包含的对象数目,即模糊决策表DT的论域U所包含的对象数目;
步骤7:基于重要度ρm的排序,从小到大依次对各条件属性执行下述处理:
步骤7-1:将当前处理的条件属性的类别数cm=cm-1,并计算当前的不相容度 若α≥αbest,则执行步骤7-2;否则执行步骤7-1;
步骤7-2:若α=αbest,则执行步骤8;否则,执行步骤7-3;
步骤7-3:记录当前条件属性的类别数cm和模糊化处理结果,并基于下一个条件属性执行步骤7-1;
步骤8:基于每个条件属性的当前类别数cm所对应的模糊化处理结果,输出所述SAR图像的模糊化预处理结果。
综上所述,由于采用了上述技术方案,本发明的有益效果是:根据划分后的模糊决策表的相容性和属性间的相关性,自适应地确定每个条件属性的类别数目,获得模糊决策表的一个最优划分。将该自适应模糊化方法应用到SAR图像特征属性模糊化中,避免了现有的FCM的聚类中心的随机初始化,有效地提高了系统的运行效率;能自适应地确定各条件属性的类别数目,在维持原模糊决策表的相容性的同时,又能得到一个较小类别数目组合,其模糊化预处理结果的优化大大提高了SAR图像中目标正确识别率。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明具体实施方式的实现流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图和实施方式,对本发明作进一步地详细描述。
本发明可针对多目标多传感器所采集的SAR图像进行模糊化预处理,从而提升SAR图像中目标正确识别率,参见图1,其具体处理包括下列步骤:
步骤S1:输入所采集的SAR图像;
步骤S2:对输入SAR图像的进行特征提取构建模糊决策表为了更全面的描述所输入的SAR图像,在本进行特征提取时,除了提取现有处理方式中所涉及的图像不变特征外,还可以增加图像的灰度的特征以和灰度纹理特征;
步骤S3:设定优选不相容度αbest的初始值为0,每个条件属性的类别数cm的初始值均设置为决策属性的类别数,阈值ε可基于实际需求进行设定,本具体实施方式中设置为0.1;
步骤S4:根据各条件属性的目标类别数cm,基于FCM处理输出每个条件属性的模糊化处理结果:与类别数cm的取值相对应的最优聚类中心值和隶属度矩阵;
步骤S5:基于各类别数cm的当前取值,基于公式计算模糊决策表的不相容度α;
步骤S6:判断不相容度α与优选不相容度αbest的绝对差是否小于或等于阈值ε(因为在该步骤中αbest的取值为0,所以也可以直接判断α≤ε),若是,则执行步骤S8;否则执行步骤S7;
步骤S7:在循环执行步骤S4-S6中逐渐增大每个类别数cm,即设置各cm=cm+1(m=1,2,…,M)后执行步骤S4;
步骤S8:基于不相容度α、类别数cm的当前取值对优选不相容度αbest、优选类别数cbest的取值进行更新,即αbest=α,cbest=cm,因为当前各类别数cm的取值均为同一个值,优选类别数cbest取M个cm中的任意一个均可;
步骤S9:根据公式(1)-(3)计算每个条件属性的重要度ρm并排序。在本具体实施方式中,限定任意两个相邻的条件属性(与)间重要度满足ρm<ρm+1(m<m+1,且m=1,2,…,M);
虽然本发明在上述步骤中为各类别数cm指定了统一的条件属性类别数目,但在步骤S10——S15的迭代处理过程中,会从重要度最小的条件属性开始,基于当前不相容度的取值范围逐渐减少对应条件属性的类别数目,并计算每次减少后的不相容度α,直到不相容度α不再减小。当条件属性的聚类类别数目均减少时,不仅没有改变决策表的不相容度,而且还能减小不相容度:
步骤S10:基于当前的条件属性集排序,设置从重要度最小的条件属性开始迭代处理,即初始化m=1后执行步骤S11;
步骤S11:基于m的当前取值,设置的类别数cm=cm-1后执行步骤S12;
步骤S12:计算当前的不相容度α;
步骤S13:若α≥αbest,则执行步骤S14;否则执行步骤S11;
步骤S14:若α=αbest,则执行步骤S15,否则执行步骤S16;
步骤S15:记录条件属性的当前类别数cm及对应的模糊化结果(基于步骤S4所输出的不同类别数目所对应模糊化结果查找获取);并令m=m+1后执行步骤S11;
步骤S16:基于每个条件属性的当前类别数cm所对应的模糊化处理结果构成当前SAR图像的模糊化预处理结果并输出。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (3)
1.基于自适应的模糊C均值聚类模糊化的SAR图像分析方法,其特征在于,包括下列步骤:
步骤1:输入SAR图像,进行特征提取并构建模糊决策表其中,U表示论域,表示模糊属性集合,C表示条件属性集,D表示决策属性集;
步骤2:设置模糊决策表的每个条件属性的目标类别数cm为决策属性集D的类别数s,其中m=1,2,...,M,M表示条件属性集C所包含的条件属性的个数;
步骤3:根据条件属性的目标类别数cm,基于FCM处理输出每个条件属性的模糊化处理结果:与类别数cm的取值相对应的最优聚类中心值和隶属度矩阵;
步骤4:基于各类别数cm的当前取值,计算模糊决策表的不相容度α,所述不相容度α为模糊决策表的论域中不相容的对象个数与总对象个数的比值,所述不相容的对象指具有相同条件属性、不同决策属性的对象;
步骤5:若不相容度α小于或等于预设阈值ε,则执行步骤6;否则每个类别数cm加1后执行步骤3;
步骤6:设置优选不相容度αbest为不相容度α的当前取值,优选类别数cbest为类别数cm的当前取值,计算每个条件属性的重要度ρm并排序;
所述重要度ρm的计算公式为:其中N表示模糊决策表所包含的对象数目;差异值其中αim表示在条件属性中属于决策类Tk的对象i的对象属性值,表示对应决策类Tk的对象数目;对象属性值均值
步骤7:基于重要度ρm排序,从小到大依次对各条件属性执行下述处理:
步骤7-1:将当前处理的条件属性的类别数cm设置为cm=cbest-1,并计算当前的不相容度α,若所述不相容度α大于或等于优选不相容度αbest,则执行步骤7-2;否则执行步骤7-1;
步骤7-2:若所述不相容度α等于优选不相容度αbest,则执行步骤8;否则,执行步骤7-3;
步骤7-3:记录当前条件属性的类别数cm和对应的模糊化处理结果,并对下一个条件属性执行步骤7-1;
步骤8:基于每个条件属性的当前类别数cm所对应的模糊化处理结果,输出所述SAR图像的模糊化预处理结果。
2.如权利要求1所述的方法,其特征在于,所述步骤5中的预设阈值ε的取值为0.1。
3.如权利要求1或2所述的方法,其特征在于,所述步骤2中,所提取的特征信息包括SAR图像的灰度特征以及灰度纹理特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410664971.6A CN104408715A (zh) | 2014-11-20 | 2014-11-20 | 基于自适应模糊c均值聚类模糊化的sar图像分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410664971.6A CN104408715A (zh) | 2014-11-20 | 2014-11-20 | 基于自适应模糊c均值聚类模糊化的sar图像分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104408715A true CN104408715A (zh) | 2015-03-11 |
Family
ID=52646344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410664971.6A Pending CN104408715A (zh) | 2014-11-20 | 2014-11-20 | 基于自适应模糊c均值聚类模糊化的sar图像分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408715A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108828583A (zh) * | 2018-06-15 | 2018-11-16 | 西安电子科技大学 | 一种基于模糊c均值点迹分簇方法 |
CN110175618A (zh) * | 2019-05-29 | 2019-08-27 | 苏州大学 | Sar目标特征精炼表达方法 |
CN111582370A (zh) * | 2020-05-08 | 2020-08-25 | 重庆工贸职业技术学院 | 一种基于粗糙集优化的脑转移瘤预后指标约简及分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551905A (zh) * | 2009-05-08 | 2009-10-07 | 西安电子科技大学 | 基于模糊c均值聚类和空间信息的多尺度纹理图像分割方法 |
US20100239170A1 (en) * | 2009-03-18 | 2010-09-23 | Asnis Gary I | System and method for target separation of closely spaced targets in automatic target recognition |
-
2014
- 2014-11-20 CN CN201410664971.6A patent/CN104408715A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100239170A1 (en) * | 2009-03-18 | 2010-09-23 | Asnis Gary I | System and method for target separation of closely spaced targets in automatic target recognition |
CN101551905A (zh) * | 2009-05-08 | 2009-10-07 | 西安电子科技大学 | 基于模糊c均值聚类和空间信息的多尺度纹理图像分割方法 |
Non-Patent Citations (2)
Title |
---|
WARIN CHUMSAMRONG ET AL: "Synthetic aperture radar (SAR) image segmentation using a new modified fuzzy c-means algorithm", 《IEEE INTERNATIONAL GEOSCIENCE & REMOTE SENSING SYMPOSIUM》 * |
周雪: "基于模糊粗糙集的识别技术及其应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108828583A (zh) * | 2018-06-15 | 2018-11-16 | 西安电子科技大学 | 一种基于模糊c均值点迹分簇方法 |
CN108828583B (zh) * | 2018-06-15 | 2022-06-28 | 西安电子科技大学 | 一种基于模糊c均值点迹分簇方法 |
CN110175618A (zh) * | 2019-05-29 | 2019-08-27 | 苏州大学 | Sar目标特征精炼表达方法 |
CN111582370A (zh) * | 2020-05-08 | 2020-08-25 | 重庆工贸职业技术学院 | 一种基于粗糙集优化的脑转移瘤预后指标约简及分类方法 |
CN111582370B (zh) * | 2020-05-08 | 2023-04-07 | 重庆工贸职业技术学院 | 一种基于粗糙集优化的脑转移瘤预后指标约简及分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | A feature-reduction multi-view k-means clustering algorithm | |
Liang et al. | On the sampling strategy for evaluation of spectral-spatial methods in hyperspectral image classification | |
CN102236675B (zh) | 图像特征点匹配对处理、图像检索方法及设备 | |
US6532305B1 (en) | Machine learning method | |
CN108876796A (zh) | 一种基于全卷积神经网络和条件随机场的道路分割系统及方法 | |
CN1103086C (zh) | 考虑到距离和方向的模式匹配装置及其方法 | |
CN104834922A (zh) | 基于混合神经网络的手势识别方法 | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
CN101763514A (zh) | 基于特征重要度排序谱聚类的图像分割方法 | |
CN102346851B (zh) | 基于njw谱聚类标记的图像分割方法 | |
CN103886334A (zh) | 一种多指标融合的高光谱遥感影像降维方法 | |
CN105809113A (zh) | 三维人脸识别方法及应用其的数据处理装置 | |
Olugbara et al. | Pixel intensity clustering algorithm for multilevel image segmentation | |
CN110602120A (zh) | 一种面向网络的入侵数据检测方法 | |
CN104408715A (zh) | 基于自适应模糊c均值聚类模糊化的sar图像分析方法 | |
CN107564008A (zh) | 基于关键像素模糊聚类的快速sar图像分割方法 | |
CN111539444A (zh) | 一种修正式模式识别及统计建模的高斯混合模型方法 | |
CN105512682A (zh) | 一种基于Krawtchouk矩和KNN-SMO分类器的密级标识识别方法 | |
Mia et al. | An efficient image segmentation method based on linear discriminant analysis and K-means algorithm with automatically splitting and merging clusters | |
Abeysinghe et al. | Clustering algorithms on imbalanced data using the SMOTE technique for image segmentation | |
CN112766336A (zh) | 一种最大化随机平滑下提高模型可验证防御性能的方法 | |
CN114117141A (zh) | 一种自适应密度聚类方法、存储介质及系统 | |
CN114095268A (zh) | 用于网络入侵检测的方法、终端及存储介质 | |
Chouaib et al. | Fast feature selection for handwritten digit recognition | |
Wu | A method of character verification code recognition in network based on artificial intelligence technology |
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: 20150311 |
|
WD01 | Invention patent application deemed withdrawn after publication |