CN106897679A - 一种基于改进模糊c均值聚类的语义变化检测方法及系统 - Google Patents

一种基于改进模糊c均值聚类的语义变化检测方法及系统 Download PDF

Info

Publication number
CN106897679A
CN106897679A CN201710075770.6A CN201710075770A CN106897679A CN 106897679 A CN106897679 A CN 106897679A CN 201710075770 A CN201710075770 A CN 201710075770A CN 106897679 A CN106897679 A CN 106897679A
Authority
CN
China
Prior art keywords
degree
image
class
change
center
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
Application number
CN201710075770.6A
Other languages
English (en)
Inventor
姜莹
谭德宝
李喆
向大享
申邵洪
文雄飞
张穗
陈希炽
赵静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changjiang River Scientific Research Institute Changjiang Water Resources Commission
Original Assignee
Changjiang River Scientific Research Institute Changjiang Water Resources Commission
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changjiang River Scientific Research Institute Changjiang Water Resources Commission filed Critical Changjiang River Scientific Research Institute Changjiang Water Resources Commission
Priority to CN201710075770.6A priority Critical patent/CN106897679A/zh
Publication of CN106897679A publication Critical patent/CN106897679A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于改进模糊C均值聚类的语义变化检测方法，包括如下步骤：步骤1：多时相遥感影像预处理操作；步骤2：对预处理后的多时相遥感影像进行重叠分块，并提取底层特征向量组合；步骤3：特征向量聚类划分；步骤4：提取分块影像的视觉直方图；步骤5：计算时相一影像与时相二影像对应分块的视觉直方图之差作为变化向量，并构建变化趋势图；步骤6：采用改进的模糊C均值算法对变化向量进行语义变化检测，识别变化与未变化区域，实现变化检测。本发明兼顾高分辨率遥感影像丰富的区域结构信息，弥补像元级光谱统计特征难以描述复杂目标的局限性，自动提取影像的高层次语义变化信息，有效提高了处理的时效性和精度。

Description

一种基于改进模糊C均值聚类的语义变化检测方法及系统
技术领域
本发明涉及摄影测量与遥感影像应用领域，具体是一种基于改进模糊C均值聚类的语义变化检测方法及系统。
背景技术
变化检测作为卫星遥感监测体系中的关键技术，其实质是分析同一地区不同时刻获取的遥感影像地物随时间变化的过程，主要任务包括以下几点：确定是否发生变化、确定变化的位置、确定变化的类型、确定时空变化趋势。
传统的变化检测方法大多基于统计意义层面，一般通过提取影像的灰度、形状及区域等底层视觉特征，衡量影像之间的相似程度来分离变化信息。而主观意义上的图像理解基于语义层次，与底层统计特征理解之间存在“语义鸿沟”，这就需要研究者从多个角度进行语义变化识别与理解层面的研究，自动提取影像的高层次语义变化信息。
针对以上问题，专家学者提出许多新的思路，如顾及上下文的检索方法、影像分割的检测方法、复杂模型构建方法等，尽可能利用图像的形状矩、纹理、上下文等特性，在具体用途中性能较佳。Jun Lu提出一种像素级、对象级决策级融合方案，能有效提取变化区域、改善邻域信息、减少误差放大现象等，但性能受到配准误差的约束。Hichri H等提出一种交互式分割方法，在决策过程中使用基于支持向量机和水平集方法表达空间上下文信息和变化信息。江利明[]基于Markov Random Field表征差异结果的邻域区间关系，借助EM阈值分割法准确提取变化信息。
浮瑶瑶针对复杂区域下细节缺失等问题，探讨了一种融合像素级检测结果的词袋模型思想，增加对变化区域的细节和语义表达。程晶将主题模型运用到的高分影像的处理中，借助相关度、斜率、截距等包含邻域信息的低层次特征，进行隐含的变化与不变的主题信息挖掘，很好的实现了语义变化信息提取。
本发明人在实现本发明的过程中经过研究发现：随着遥感影像分辨率的不断提高，地物的细节成分日渐丰富，由此衍生出“同物异谱”、“异物同谱”的问题，地物这种统计特征的不确定性与文本语义中的多义词、同义词概念类似，比如波谱匀质的地物既可以代表人工建筑也可以代表道路，这就对应文本理解中的多义词；不同材质的房屋波谱反射各异，对应于文本理解中的同义词，这为高分辨率遥感影像的变化检测提供一种全新的思路。
相关文献：
[1]陶超,谭毅华,彭碧发,等.一种基于概率潜在语义模型的高分辨率遥感影像分类方法[J].测绘学报,2011,40(2):156-162.
[2]Zhao R,Grosky W I.Narrowing the semantic gap-improved text-basedweb document retrieval using visual features[J].Multimedia,IEEE Transactionson,2002,4(2):189-200.
[3]Lu J,Li J,Chen G,et al.Improving Pixel-Based Change DetectionAccuracy Using an Object-Based Approach in Multitemporal SAR Flood Images[J].Selected Topics in Applied Earth Observations and Remote Sensing,IEEEJournal of,2015,8(7):3486-3496.
[4]Hichri H,Bazi Y,Alajlan N,et al.Interactive segmentation forchange detection in multispectral remote-sensing images[J].Geoscience andRemote Sensing Letters,IEEE,2013,10(2):298-302.
[5]江利明,廖明生,张路,等.顾及空间邻域关系的多时相SAR影像变化检测[J].武汉大学学报信息科学版,2006,31(4):312-315.
[6]浮瑶瑶.基于语义分析的高分SAR影像变化检测方法研究[D].上海交通大学,2014.
[7]程晶,霍宏,方涛.基于主题模型的高分辨率遥感影像变化检测[J].计算机工程,2012,38(15):204-207.
发明内容
本发明提供一种基于改进模糊C均值聚类的语义变化检测方法及系统，其整合了遥感影像预处理、底层特征提取、改进模糊C均值算法、高级视觉词典映射、语义变化信息提取等思想，兼顾高分辨率遥感影像丰富的区域结构信息，弥补像元级光谱统计特征难以描述复杂目标的局限性，自动提取影像的高层次语义变化信息，有效提高了处理的时效性和精度。
一种基于改进模糊C均值聚类的语义变化检测方法，包括如下步骤：
步骤1：多时相遥感影像预处理操作，即采用Wallis滤波器和直方图均衡算法对多时相影像进行滤波和增强处理，增大感兴趣区域的信息量，并抑制噪声干扰；
步骤2：对预处理后的多时相遥感影像进行重叠分块，并提取底层特征向量组合，重叠采样窗口大小可设定为5×5，分别提取两时相影像的加权灰度、LBP/LC纹理、Canny边缘等13维特征统计参量，作为中心像元的底层特征向量组合；
步骤3：特征向量聚类划分：以中心像元的特征向量X＝{x1,x2…xn}T为样本(其中X代表所有中心像元的特征向量集合，xn代表单个像元的特征向量，n代表总像元个数)，将满足最大-最小距离划分的特征分布作为初始聚类中心；遍历类别范围[Cmin,Cmax]，求解类内-类间隶属度熵和最小值对应的类别作为最佳类别数；以邻域像元的隶属度加权求和作为中心像元隶属度；采用模糊C均值算法对特征向量进行聚类划分；其中Cmin代表最小类别数，Cmax代表最大类别数，这两个值一般根据人工经验设定；
步骤4：提取分块影像的视觉直方图：将整幅影像视为文档集合，分块影像视为文档，影像的聚类中心对应文档集中的视觉单词，统计每个中心像元在重叠采样区(5×5)中视觉单词出现的次数，并构建对应的视觉直方图分布；
步骤5：计算时相一影像与时相二影像对应分块的视觉直方图之差作为变化向量，并构建变化趋势图，其中横坐标对应视觉单词的编号，纵坐标对应视觉单词的变化数量，正、负值表示时相一影像与时相二影像的变化方向；
步骤6：以中心像元的视觉单词变化向量ΔT＝{Δt1,Δt2…Δtn}l作为样本，令类别C＝2，以距离最远的两个特征向量作为初始聚类中心；以邻域像元隶属度加权求和作为中心像元隶属度；采用改进的模糊C均值算法对变化向量进行语义变化检测，识别变化与未变化区域，实现变化检测。
进一步，还包括步骤：参考土地利用解译数据对检测结果进行定量的精度评价。
进一步，步骤2中底层特征向量包括两时相影像的LBP/LC纹理特征、Canny边缘特征、光谱特征，其中LBP/LC纹理特征包括LBP/LC纹理的角二阶矩差、局部信息熵、局部平稳度、惯性矩统计量，Canny边缘特征包括边缘密度、边缘强度，光谱特征包括加权灰度均值、方差、偏度。
进一步，步骤3特征向量聚类划分中，包括子步骤：
步骤3.1：设定模糊度m和收敛值ε，随机设定初始隶属度矩阵U，令初始迭代步数l＝0；
步骤3.2：给定类别数遍历范围[Cmin,Cmax]，初始循环变量count＝Cmax，将中心像元的特征向量X＝{x1,x2…xn}T归一化，计算两两目标间的距离矩阵将满足dij∈max{maxDl}的目标加入到初始中心簇{Classk|k<count,k∈i,j}；
步骤3.3：计算X中剩余样本点到中心簇的距离矩阵l＝l+1，将满足max{mindn}对应的样本点加入到中心簇{Classk|k≤count}，重复3.3步骤直至k＝count时停止迭代；
步骤3.4：将中心像元的隶属度在邻域范围内加权求和，即邻域像元t的当前隶属度根据当前隶属度矩阵U获得，其权值
步骤3.5：采用公式修正隶属度矩阵及聚类中心，其中，t、r分别表示邻域像元和中心像元在邻域窗口内的位置编号，k、y为聚类中心编号，C为类别数，表示第l+1和l次迭代中，中心像元r对第k类聚类中心的隶属度；表示第l次迭代中，中心像元对第y类聚类中心的隶属度；xr表示中心像元r的特征向量，和表示第l次迭代获得的第k类和第y类聚类中心，y在[1,count]范围内遍历，可以与k相等；表示第l+1次迭代获得的第k类聚类中心；s为邻域窗口内像元数量；
步骤3.6：比较隶属度矩阵范数||U(l+1)-U(l)||，U(l+1)、Ul分别表示第l+1、l次迭代的隶属度矩阵；若||U(l+1)-U(l)||≤ε，按公式计算类内-类间隶属度熵和Ecount，结束迭代；否则，令l＝l+1，执行步骤3.5，其中，C1表示隶属度矩阵UC×N列向量最大值构成的类群C1＝max(U),表征聚类稳定状态时的类内划分，目标到该类中心的隶属度趋于1时，隶属度熵较小，对应的类内特征一致度较高，C2表示隶属度矩阵UC×N的列向量最小值构成的类群C2＝min(U)，表征聚类稳定时的类间划分，样隶属度趋于0时隶属度熵较小，对应的类间特征的离散度越高；
步骤3.7：count＝count-1，若count≥Cmin，选定初始中心簇{Classk|k≤count}，执行步骤3.4～3.6，当count<Cmin，结束迭代，选择Ebest＝min{Ecount}对应的count作为最佳类别数，按照当前聚类中心和隶属度矩阵对特征向量进行聚类。
进一步，步骤6中采用改进的模糊C均值算法对变化向量进行语义变化检测，包括如下子步骤：
步骤6.1：令类别C＝2，根据经验设定模糊度m和收敛值ε，随机设定初始隶属度矩阵U，令初始迭代步数l＝0；
步骤6.2：将中心像元的特征向量X＝{x1,x2…xn}T归一化，计算两两目标的距离矩阵将满足dij∈max{maxDl}的两个目标作为初始聚类中心；
步骤6.3：将中心像元的隶属度在邻域范围内加权求和后，采用公式修正隶属度矩阵及聚类中心；
步骤6.4：比较隶属度矩阵范数||U(l+1)-U(l)||，U(l+1)、Ul分别表示第l+1、l次迭代获得的隶属度矩阵；若||U(l+1)-U(l)||≤ε，结束迭代，按照当前聚类中心和隶属度矩阵对特征向量进行聚类；否则，令l＝l+1，执行步骤6.3。
进一步，步骤3中结合遥感影像地物分布特征，设定类别遍历范围[Cmin,Cmax]＝[2,10]。
一种基于改进模糊C均值聚类的语义变化检测系统，其特征在于包括以下模块：
影像预处理模块：用于对多时相遥感影像进行预处理操作，即采用Wallis滤波器和直方图均衡算法对多时相影像进行滤波和增强处理；
特征向量提取模块：用于对预处理后的多时相遥感影像进行重叠分块，提取取底层特征向量组合；
特征向量聚类划分模块：用于对特征向量进行模糊聚类划分，实现底层特征到高级视觉词汇的映射，其中，聚类中心对应视觉单词，分块影像可以用一个直方图分布表征，具体的，以中心像元的特征向量X＝{x1,x2…xn}T为样本，其中X代表所有中心像元的特征向量集合，xn代表单个像元的特征向量，n代表总像元个数，将满足最大-最小距离划分的特征分布作为初始聚类中心；遍历类别范围[Cmin,Cmax]，求解类内-类间隶属度熵和最小值对应的类别作为最佳类别数；以邻域像元的隶属度加权求和作为中心像元隶属度；采用模糊C均值算法对特征向量进行聚类划分；
视觉直方图提取模块：用于将整幅影像视为文档集合，分块影像视为文档，影像的聚类中心对应文档集中的视觉单词，统计每个中心像元在重叠采样区中视觉单词出现的次数，并构建对应的视觉直方图分布；
语义变化信息描述模块：用于检验直方图向量差的语义信息保留性能，即通过计算两个时相影像对应分块的视觉直方图之差作为变化向量，构建变化趋势图，横坐标对应视觉单词的编号，纵坐标对应视觉单词的变化数量，正、负值表示时相一影像与时相二影像的变化方向；
变化检测模块：用于以中心像元的视觉单词变化向量ΔT＝{Δt1,Δt2…Δtn}l作为样本，令类别C＝2，以距离最远的两个特征向量作为初始聚类中心；以邻域像元隶属度加权求和作为中心像元隶属度，采用改进的模糊C均值算法对变化向量进行二值变化检测，识别变化与未变化区域。
进一步，底层特征向量包括两时相影像的LBP/LC纹理特征、Canny边缘特征、光谱特征，其中LBP/LC纹理特征包括LBP/LC纹理的角二阶矩差、局部信息熵、局部平稳度、惯性矩统计量，Canny边缘特征包括边缘密度、边缘强度，光谱特征包括加权灰度均值、方差、偏度。
本发明的优点在于：
1、多特征组合，更丰富表达影像信息。
综合LBP/LC纹理的角二阶矩差、局部信息熵、平稳度、惯性矩等统计量，canny边缘密度和强度特征，加权灰度均值、方差、偏度等统计量作为底层特征向量组合，兼顾了高分辨率遥感影像丰富的区域结构信息，能弥补基于像元级光谱统计特征难以描述复杂目标的局限性，更好地表达影像内容。
2、利用模糊C均值聚类生成视觉词典，处理灵活简单有效。
传统的语义模型一般采用K-Means算法将多维特征向量进行聚类分析，类心集合作为对应的视觉词汇表。由于K-Means是一种“硬”聚类算法，即只能将某一聚类对象划分到一个聚类簇中，处理混合像元问题时不太灵活。而模糊分类作为一种“软”划分处理，采用隶属度对各个地物的类属度进行表征，该算法与现实更贴切。因此，本发明采用改进FCM替代传统的K-Means组成视觉词典，在划分效果上优势明显。
3、能定性定量提取语义变化信息，精度高且可靠性强。
以重叠采样区域为处理单元，计算时相一影像与时相二影像对应分块的直方图之差作为变化向量，再利用改进的模糊C均值聚类对变化区域归类划分，可以快速、有效获得变化区域的类型信息，结果可靠、精度有保障。
附图说明
图1是本发明基于改进模糊C均值聚类的语义变化检测方法的流程示意图；
图2是本发明中改进的模糊C均值算法的流程图。
具体实施方式
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。
图1所示为本发明基于改进模糊C均值聚类的语义变化检测方法其中一个实施例的流程示意图，所述方法包括如下步骤：
步骤1：多时相遥感影像预处理操作，即采用Wallis滤波器和直方图均衡算法对多时相影像进行滤波和增强处理，增大感兴趣区域的信息量，并抑制噪声干扰；
步骤2：对预处理后的多时相遥感影像进行重叠分块，并提取底层特征向量组合。重叠采样窗口大小可设定为5×5，分别提取两时相影像的光谱、LBP/LC纹理、Canny边缘等13维特征统计参量，作为中心像元的底层特征向量组合。
步骤2底层特征向量提取中，为了更好地表达图像内容，兼顾高分辨率遥感影像丰富的区域结构信息，弥补像元级光谱统计特征难以描述复杂目标的局限性，本发明采用LBP/LC纹理、Canny边缘、光谱等特征进行组合，作为各分块区域的底层特征向量。具体步骤如下：
(1)LBP/LC纹理特征
LBP的本质是：取r×r(比如3×3,5×5)邻域，比较p＝r×r-1邻域像元与中心像元的特征值大小，邻域值较大记为1，否则标记为0。将得到的p位二进制编码链，换算成十进制表征该中心的LBP值。LBP描述如下(其中gc为中心像素点，gp为邻域像素点)：
LC纹理的本质为：取r×r(比如3×3,5×5)，计算p＝r×r-1邻域中不小于中心像元的特征值累加和sum1，频数n1；小于中心值部分累加和sum2，频数n2，参考公式(2.2)依次计算各个窗口的局部纹理反差值LC(取值范围0～7)：
以两个时相对应的分块区域为处理单元，分别提取LBP/LC纹理影像邻域窗口的角二阶矩差、局部信息熵、平稳度、惯性矩这4种共8个统计量组成特征向量表征每个分块区域的纹理特征。
①角二阶矩(或能量)：
②局部信息熵：
③局部平稳度：
④惯性矩：
(2)Canny边缘特征提取
边缘能反映出影像局部范围的剧变，对影像的理解至关重要，一般需要经过滤波、增强、检测等环节，实现过程描述如下：
①多波段影像R/G/B加权灰度化：
②高斯滤波处理，一般采用高斯核卷积得到。
一维高斯核描述：
二维高斯核描述：
③x、y方向的梯度幅值和方向计算：
④利用公式(2.11)(2.12)计算边缘密度、边缘强度。
边缘密度ED(i,j)定义如下：
边缘强度EI(i,j)定义如下：
其中e(i,j)表示二值边缘差异影像，取值为0或1；(2M+1)×(2N+1)为邻域大小，一般取3×3或5×5；g(i,j)表示梯度影像，这里指边缘差异影像C(i,j)，取值范围0～255。
(3)光谱特征提取
以两个时相影像对应的分块区域为处理单元，分别计算光谱均值、标准差、偏度等统计特征。i,j表示邻域窗口像素位置，r×r表示邻域范围，一般取3×3或5×5，gij在该邻域范围内位于(i,j)位置上的像元灰度值，mk是第k个分块的灰度均值，Covk是第k个分块的灰度方差，Povk是第k个分块的邻域偏度：
①均值：
②方差：
③偏度：
步骤3：特征向量聚类划分：以中心像元的特征向量X＝{x1,x2…xn}T为样本，将满足最大-最小距离划分的特征分布作为初始聚类中心；遍历类别范围[Cmin,Cmax]，求解类内-类间隶属度熵和最小值对应的类别作为最佳类别数；以邻域像元的隶属度加权求和作为中心像元隶属度；采用模糊C均值算法对特征向量进行聚类划分。
步骤3特征向量聚类划分中，包括子步骤：
步骤3.1：设定模糊度m和收敛值ε，随机设定初始隶属度矩阵U，令初始迭代步数l＝0；
步骤3.2：给定类别数遍历范围[Cmin,Cmax]，初始循环变量count＝Cmax，将中心像元的特征向量X＝{x1,x2…xn}T归一化，计算两两目标间的距离矩阵将满足dij∈max{maxDl}的目标加入到初始中心簇{Classk|k<count,k∈i,j}；
步骤3.3：计算X中剩余样本点到中心簇的距离矩阵l＝l+1，将满足max{mindn}对应的样本点加入到中心簇{Classk|k≤count}，重复3.3步骤直至k＝count时停止迭代；
步骤3.4：将中心像元的隶属度在邻域范围内加权求和，即邻域像元t的当前隶属度根据当前隶属度矩阵U获得，其权值
步骤3.5：采用公式修正隶属度矩阵及聚类中心，其中，t、r分别表示邻域像元和中心像元在邻域窗口内的位置编号，k、y为聚类中心编号，C为类别数，表示第l+1和l次迭代中，中心像元r对第k类聚类中心的隶属度；表示第l次迭代中，中心像元对第y类聚类中心的隶属度；xr表示中心像元r的特征向量，和表示第l次迭代获得的第k类和第y类聚类中心，y在[1,count]范围内遍历，可以与k相等；表示第l+1次迭代获得的第k类聚类中心；s为邻域窗口内像元数量；
步骤3.6：比较隶属度矩阵范数||U(l+1)-U(l)||，U(l+1)、Ul分别表示第l+1、l次迭代的隶属度矩阵；若||U(l+1)-U(l)||≤ε，按公式计算类内-类间隶属度熵和Ecount，结束迭代；否则，令l＝l+1，执行步骤3.5，其中，C1表示隶属度矩阵UC×N列向量最大值构成的类群C1＝max(U),表征聚类稳定状态时的类内划分，目标到该类中心的隶属度趋于1时，隶属度熵较小，对应的类内特征一致度较高，C2表示隶属度矩阵UC×N的列向量最小值构成的类群C2＝min(U)，表征聚类稳定时的类间划分，样隶属度趋于0时隶属度熵较小，对应的类间特征的离散度越高；
步骤3.7：count＝count-1，若count≥Cmin，选定初始中心簇{Classk|k≤count}，执行步骤3.4～3.6，当count<Cmin，结束迭代，选择Ebest＝min{Ecount}对应的count作为最佳类别数，按照当前聚类中心和隶属度矩阵对特征向量进行聚类。
步骤4：提取分块影像的视觉直方图：将整幅影像视为文档集合，分块影像视为文档，影像的聚类中心对应文档集中的视觉单词，统计每个中心像元在重叠采样区(5×5)中视觉单词出现的次数，并构建对应的视觉直方图分布。
步骤4分块影像视觉直方图提取过程中，将文本检索的概念推用到遥感影像处理，将整幅影像视为文档集合，分块影像视为文档集的一篇篇文档，影像的聚类中心对应文档集中的视觉单词，每个中心像元在重叠采样区(5×5)中视觉单词出现的次数就构建视觉直方图分布。
步骤5：计算时相一影像与时相二影像对应分块的视觉直方图之差作为变化向量，并构建变化趋势图，其中横坐标对应视觉单词的编号，纵坐标对应视觉单词的变化数量，正、负值表示时相一影像与时相二影像的变化方向。视觉直方图能体现重叠分块中所有视觉词汇出现的概率，而直方图变化向量能描述视觉词汇在多个时相中发生的变化，因此视觉直方图变化向量能保留语义特性，通过计算直方图距离分析该变化向量，得到区域的变化语义信息。
步骤6：以中心像元的视觉单词变化向量ΔT＝{Δt1,Δt2…Δtn}l作为样本，令类别C＝2，以距离最远的两个特征向量作为初始聚类中心；以邻域像元隶属度加权求和作为中心像元隶属度；采用改进的模糊C均值算法对变化向量进行语义变化检测，识别变化与未变化区域，并参考土地利用解译数据进行定量的精度评价。评价模型可选用地类变化转移矩阵，统计从时相一影像的地类与时相二影像的地类之间互相转移的像元个数。在评定模糊C均值算法的改进性能时，采用虚检率、漏检率、总体分类精度PCC、kappa系数等指标进行精度评定，并输出最终评定结果。
本发明改进的模糊C均值聚类算法的流程图如图2所示，其流程如下：
①将M维特征空间的N个待定目标X＝{x1,x2…xn}T的各维向量归一化，计算得到两两目标间的距离矩阵。
②假定类别数范围[Cmin,Cmax]，初始循环变量count＝Cmin，遍历类别区间。
③对X中剩余样本点，记录到{Ci|i≤count}的距离较小者为将对应的样本点加入到中心簇{Ci|i≤count}，count++。
④调用FCM算法进行聚类，按公式(3.2.4)计算达到稳定状态时的类内-类间隶属度熵和。
⑤若count≤Cmax，重复③、④步，直到遍历搜索完所有类别数。
⑥选择满足Ep＝min{Ei}对应的类别数count，即为最佳的聚类中心数，并将此类别数得到的初始划分作为初始聚类中心，该状态即为最合理的归类结果。
步骤6中采用改进的模糊C均值算法对变化向量进行语义变化检测，包括如下子步骤：
步骤6.1：令类别C＝2，根据经验设定模糊度m和收敛值ε，随机设定初始隶属度矩阵U，令初始迭代步数l＝0；
步骤6.2：将中心像元的特征向量X＝{x1,x2…xn}T归一化，计算两两目标的距离矩阵将满足dij∈max{maxDl}的两个目标作为初始聚类中心；
步骤6.3：将中心像元的隶属度在邻域范围内加权求和后，采用公式修正隶属度矩阵及聚类中心；
步骤6.4：比较隶属度矩阵范数||U(l+1)-U(l)||，U(l+1)、Ul分别表示第l+1、l次迭代获得的隶属度矩阵；若||U(l+1)-U(l)||≤ε，结束迭代，按照当前聚类中心和隶属度矩阵对特征向量进行聚类；否则，令l＝l+1，执行步骤6.3。
本发明还提供一种基于改进模糊C均值聚类的语义变化检测系统，包括以下模块：
影像预处理模块：用于对多时相遥感影像进行预处理操作，即采用Wallis滤波器和直方图均衡算法对多时相影像进行滤波和增强处理，增大感兴趣区域的信息量，并抑制噪声干扰；
特征向量提取模块：用于对预处理后的多时相遥感影像进行重叠分块，提取LBP/LC纹理的角二阶矩差、局部信息熵、平稳度、惯性矩等统计量，canny边缘密度和强度特征，加权灰度均值、方差、偏度等13个特征统计参量，作为中心像元的底层特征向量组合。该模块兼顾了高分辨率遥感影像丰富的区域结构信息，能弥补像元级光谱统计特征难以描述复杂目标的局限性，更好地表达影像内容。
特征向量聚类划分模块：用于对特征向量进行模糊聚类划分，实现底层特征到高级视觉词汇的映射，其中，聚类中心对应视觉单词，分块影像可以用一个直方图分布(视觉单词概率分布)表征，具体的，以中心像元的特征向量X＝{x1,x2…xn}T为样本(其中X代表所有中心像元的特征向量集合，xn代表单个像元的特征向量，n代表总像元个数)，将满足最大-最小距离划分的特征分布作为初始聚类中心；遍历类别范围[Cmin,Cmax]，求解类内-类间隶属度熵和最小值对应的类别作为最佳类别数；以邻域像元的隶属度加权求和作为中心像元隶属度；采用模糊C均值算法对特征向量进行聚类划分。
视觉直方图提取模块：用于将整幅影像视为文档集合，分块影像视为文档，影像的聚类中心对应文档集中的视觉单词，统计每个中心像元在重叠采样区中视觉单词出现的次数，并构建对应的视觉直方图分布。
语义变化信息描述模块：用于检验直方图向量差的语义信息保留性能，即通过计算两个时相影像对应分块的视觉直方图之差作为变化向量，构建变化趋势图，横坐标对应视觉单词的编号，纵坐标对应视觉单词的变化数量，正、负值表示时相一影像与时相二影像的变化方向。
变化检测模块：用于以中心像元的视觉单词变化向量ΔT＝{Δt1,Δt2…Δtn}l作为样本，令类别C＝2，以距离最远的两个特征向量作为初始聚类中心；以邻域像元隶属度加权求和作为中心像元隶属度，采用改进的模糊C均值算法对变化向量进行二值变化检测，识别变化与未变化区域，并参考土地利用解译数据进行定量的精度评价。
本发明在整个变化检测过程主要包括三大阶段：第一阶段，底层特征向量组合；第二阶段，改进FCM聚类生成视觉词典；第三阶段，变化区域语义分析。
其中，在底层特征提取阶段，以重叠采样分块区作为处理单元，分别提取LBP/LC纹理的角二阶矩差、局部信息熵、局部平稳度、惯性矩等统计量，canny边缘密度和强度特征，灰度均值、方差、偏度等13个统计量组成特征向量作为底层特征向量组合。特征组合兼顾了高分辨率遥感影像丰富的区域结构信息，能弥补像元级光谱统计特征难以描述复杂目标的局限性，更好地表达影像内容。
在视觉词汇映射阶段，采用改进的FCM将分块区域的特征向量进行聚类分析，所有的类心对应样本集的词汇表。FCM算法是一种典型的“软聚类”，算法简单、收敛速度快，能有效弥补传统K-Means(硬划分)处理混合像元问题时不太灵活的缺陷。但该算法存在一些不足：该算法依然存在某些缺点：如类别数不能自动确定、易受噪声点干扰、过分依赖类心初值等。本发明对模糊C均值算法做三点改进，其一：引入邻域像素的位置和属性信息，构建相似加权隶属度修正函数，有效避免鼓励噪声干扰；其二：采用类内-类间隶属度熵和理论对FCM进行相应的改进，解决类别数难以自动确定的问题。其三：引入最大-最小距离模式来划分类心初值，解决FCM初始聚类中心有效划分的问题。最大最小距离思想的本质是选择远距离样本来迭代设置聚类中心，尽可能使类型离散分布，有效规避局部最优问题。
在变化区域语义分析阶段，以重叠采样区域为处理单元，计算两个时相对应分块的直方图之差作为变化向量，利用改进FCM算法对变化区域的直方图向量差进行聚类，并通过分析分块直方图分布及变化曲线，结合土地利用解译数据地类变化趋势，提取测区范围内的语义变化信息。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种基于改进模糊C均值聚类的语义变化检测方法，其特征在于包括如下步骤：
步骤1：多时相遥感影像预处理操作，即采用Wallis滤波器和直方图均衡算法对多时相影像进行滤波和增强处理；
步骤2：对预处理后的多时相遥感影像进行重叠分块，并提取底层特征向量组合；
步骤3：特征向量聚类划分：以中心像元的特征向量X＝{x1,x2…xn}T为样本，其中X代表所有中心像元的特征向量集合，xn代表单个像元的特征向量，n代表总像元个数，将满足最大-最小距离划分的特征分布作为初始聚类中心；遍历类别范围[Cmin,Cmax]，其中Cmin代表最小类别数，Cmax代表最大类别数，求解类内-类间隶属度熵和最小值对应的类别作为最佳类别数；以邻域像元的隶属度加权求和作为中心像元隶属度；采用模糊C均值算法对特征向量进行聚类划分；
步骤4：提取分块影像的视觉直方图：将整幅影像视为文档集合，分块影像视为文档，影像的聚类中心对应文档集中的视觉单词，统计每个中心像元在重叠采样区中视觉单词出现的次数，并构建对应的视觉直方图分布；
步骤5：计算时相一影像与时相二影像对应分块的视觉直方图之差作为变化向量，并构建变化趋势图，其中横坐标对应视觉单词的编号，纵坐标对应视觉单词的变化数量，正、负值表示时相一影像与时相二影像的变化方向；
步骤6：以中心像元的视觉单词变化向量ΔT＝{Δt1,Δt2…Δtn}l作为样本，令类别C＝2，以距离最远的两个特征向量作为初始聚类中心；以邻域像元隶属度加权求和作为中心像元隶属度；采用改进的模糊C均值算法对变化向量进行语义变化检测，识别变化与未变化区域，实现变化检测。
2.如权利要求1所述的基于改进模糊C均值聚类的语义变化检测方法，其特征在于：还包括步骤：参考土地利用解译数据对检测结果进行定量的精度评价。
3.如权利要求1所述的基于改进模糊C均值聚类的语义变化检测方法，其特征在于：步骤2中底层特征向量包括两时相影像的LBP/LC纹理特征、Canny边缘特征、光谱特征，其中LBP/LC纹理特征包括LBP/LC纹理的角二阶矩差、局部信息熵、局部平稳度、惯性矩统计量，Canny边缘特征包括边缘密度、边缘强度，光谱特征包括加权灰度均值、方差、偏度。
4.如权利要求1所述的基于改进模糊C均值聚类的语义变化检测方法，其特征在于：步骤3特征向量聚类划分中，包括子步骤：
步骤3.1：设定模糊度m和收敛值ε，随机设定初始隶属度矩阵U，令初始迭代步数l＝0；
步骤3.2：给定类别数遍历范围[Cmin,Cmax]，初始循环变量count＝Cmax，将中心像元的特征向量X＝{x1,x2…xn}T归一化，计算两两目标间的距离矩阵将满足dij∈max{maxDl}的目标加入到初始中心簇{Classk|k<count,k∈i,j}；
步骤3.3：计算X中剩余样本点到中心簇的距离矩阵l＝l+1，将满足max{min dn}对应的样本点加入到中心簇{Classk|k≤count}，重复3.3步骤直至k＝count时停止迭代；
步骤3.4：将中心像元的隶属度在邻域范围内加权求和，即邻域像元t的当前隶属度根据当前隶属度矩阵U获得，其权值
步骤3.5：采用公式修正隶属度矩阵及聚类中心，其中，t、r分别表示邻域像元和中心像元在邻域窗口内的位置编号，k、y为聚类中心编号，C为类别数，表示第l+1和l次迭代中，中心像元r对第k类聚类中心的隶属度；表示第l次迭代中，中心像元对第y类聚类中心的隶属度；xr表示中心像元r的特征向量，和表示第l次迭代获得的第k类和第y类聚类中心，y在[1,count]范围内遍历，可以与k相等；表示第l+1次迭代获得的第k类聚类中心；s为邻域窗口内像元数量；
步骤3.6：比较隶属度矩阵范数||U(l+1)-U(l)||，U(l+1)、Ul分别表示第l+1、l次迭代的隶属度矩阵；若||U(l+1)-U(l)||≤ε，按公式计算类内-类间隶属度熵和Ecount，结束迭代；否则，令l＝l+1，执行步骤3.5，其中，C1表示隶属度矩阵UC×N列向量最大值构成的类群C1＝max(U),表征聚类稳定状态时的类内划分，目标到该类中心的隶属度趋于1时，隶属度熵较小，对应的类内特征一致度较高，C2表示隶属度矩阵UC×N的列向量最小值构成的类群C2＝min(U)，表征聚类稳定时的类间划分，样隶属度趋于0时隶属度熵较小，对应的类间特征的离散度越高；步骤3.7：count＝count-1，若count≥Cmin，选定初始中心簇{Classk|k≤count}，执行步骤3.4～3.6，当count<Cmin，结束迭代，选择Ebest＝min{Ecount}对应的count作为最佳类别数，按照当前聚类中心和隶属度矩阵对特征向量进行聚类。
5.如权利要求1所述的基于改进模糊C均值聚类的语义变化检测方法，其特征在于：步骤6中采用改进的模糊C均值算法对变化向量进行语义变化检测，包括如下子步骤：
步骤6.1：令类别C＝2，根据经验设定模糊度m和收敛值ε，随机设定初始隶属度矩阵U，令初始迭代步数l＝0；
步骤6.2：将中心像元的特征向量X＝{x1,x2…xn}T归一化，计算两两目标的距离矩阵将满足dij∈max{max Dl}的两个目标作为初始聚类中心；
步骤6.3：将中心像元的隶属度在邻域范围内加权求和后，采用公式修正隶属度矩阵及聚类中心；
步骤6.4：比较隶属度矩阵范数||U(l+1)-U(l)||，U(l+1)、Ul分别表示第l+1、l次迭代获得的隶属度矩阵；若||U(l+1)-U(l)||≤ε，结束迭代，按照当前聚类中心和隶属度矩阵对特征向量进行聚类；否则，令l＝l+1，执行步骤6.3。
6.如权利要求1所述的基于改进模糊C均值聚类的语义变化检测方法，其特征在于：步骤3中结合遥感影像地物分布特征，设定类别遍历范围[Cmin,Cmax]＝[2,10]。
7.一种基于改进模糊C均值聚类的语义变化检测系统，其特征在于包括以下模块：
影像预处理模块：用于对多时相遥感影像进行预处理操作，即采用Wallis滤波器和直方图均衡算法对多时相影像进行滤波和增强处理；
特征向量提取模块：用于对预处理后的多时相遥感影像进行重叠分块，提取取底层特征向量组合；
特征向量聚类划分模块：用于对特征向量进行模糊聚类划分，实现底层特征到高级视觉词汇的映射，其中，聚类中心对应视觉单词，分块影像可以用一个直方图分布表征，具体的，以中心像元的特征向量X＝{x1,x2…xn}T为样本，其中X代表所有中心像元的特征向量集合，xn代表单个像元的特征向量，n代表总像元个数，将满足最大-最小距离划分的特征分布作为初始聚类中心；遍历类别范围[Cmin,Cmax]，求解类内-类间隶属度熵和最小值对应的类别作为最佳类别数；以邻域像元的隶属度加权求和作为中心像元隶属度；采用模糊C均值算法对特征向量进行聚类划分；
视觉直方图提取模块：用于将整幅影像视为文档集合，分块影像视为文档，影像的聚类中心对应文档集中的视觉单词，统计每个中心像元在重叠采样区中视觉单词出现的次数，并构建对应的视觉直方图分布；
语义变化信息描述模块：用于检验直方图向量差的语义信息保留性能，即通过计算两个时相影像对应分块的视觉直方图之差作为变化向量，构建变化趋势图，横坐标对应视觉单词的编号，纵坐标对应视觉单词的变化数量，正、负值表示时相一影像与时相二影像的变化方向；
变化检测模块：用于以中心像元的视觉单词变化向量ΔT＝{Δt1,Δt2…Δtn}l作为样本，令类别C＝2，以距离最远的两个特征向量作为初始聚类中心；以邻域像元隶属度加权求和作为中心像元隶属度，采用改进的模糊C均值算法对变化向量进行二值变化检测，识别变化与未变化区域。
8.如权利要求7所述的基于改进模糊C均值聚类的语义变化检测系统，其特征在于：底层特征向量包括两时相影像的LBP/LC纹理特征、Canny边缘特征、光谱特征，其中LBP/LC纹理特征包括LBP/LC纹理的角二阶矩差、局部信息熵、局部平稳度、惯性矩统计量，Canny边缘特征包括边缘密度、边缘强度，光谱特征包括加权灰度均值、方差、偏度。
CN201710075770.6A 2017-02-13 2017-02-13 一种基于改进模糊c均值聚类的语义变化检测方法及系统 Pending CN106897679A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710075770.6A CN106897679A (zh) 2017-02-13 2017-02-13 一种基于改进模糊c均值聚类的语义变化检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710075770.6A CN106897679A (zh) 2017-02-13 2017-02-13 一种基于改进模糊c均值聚类的语义变化检测方法及系统

Publications (1)

Publication Number Publication Date
CN106897679A true CN106897679A (zh) 2017-06-27

Family

ID=59198574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710075770.6A Pending CN106897679A (zh) 2017-02-13 2017-02-13 一种基于改进模糊c均值聚类的语义变化检测方法及系统

Country Status (1)

Country Link
CN (1) CN106897679A (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341795A (zh) * 2017-06-30 2017-11-10 武汉大学 一种知识驱动的高空间分辨率遥感影像自动变化检测方法
CN107423771A (zh) * 2017-08-04 2017-12-01 河海大学 一种两时相遥感图像变化检测方法
CN107633444A (zh) * 2017-08-29 2018-01-26 南京理工大学紫金学院 基于信息熵与模糊c均值聚类的推荐系统噪声过滤方法
CN107656154A (zh) * 2017-09-18 2018-02-02 杭州安脉盛智能技术有限公司 基于改进模糊c均值聚类算法的变压器故障诊断方法
CN107807986A (zh) * 2017-10-31 2018-03-16 中南大学 一种描述地物空间关系语义的遥感影像智能理解的方法
CN108171270A (zh) * 2018-01-05 2018-06-15 大连海事大学 一种基于哈希学习的高光谱图像分类方法
CN108334994A (zh) * 2018-03-20 2018-07-27 哈尔滨工业大学 一种供热管网流量及压力监测点优化布置方法
CN109002850A (zh) * 2018-07-06 2018-12-14 无锡众创未来科技应用有限公司 一种计算图像中食物热量的方法及装置
CN109299750A (zh) * 2018-11-20 2019-02-01 中国科学技术大学 分布式模糊c均值数据聚类方法
CN109389571A (zh) * 2017-08-03 2019-02-26 香港理工大学深圳研究院 一种遥感影像变化检测方法、装置及终端
CN109409389A (zh) * 2017-08-16 2019-03-01 香港理工大学深圳研究院 一种融合多特征的面向对象变化检测方法
CN109685767A (zh) * 2018-11-26 2019-04-26 西北工业大学 一种基于聚类融合算法的双模态脑肿瘤mri分割方法
CN111027612A (zh) * 2019-12-04 2020-04-17 国网天津市电力公司电力科学研究院 基于加权熵fcm的能源计量数据特征约简方法及装置
CN111709901A (zh) * 2020-05-22 2020-09-25 哈尔滨工业大学 基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法
CN112464421A (zh) * 2020-11-23 2021-03-09 长江水利委员会长江科学院 基于联合信息熵的供水管网漏损识别传感器优化布置方法
CN113590732A (zh) * 2021-08-02 2021-11-02 高崟 遥感解译样本点的显示方法、装置、电子设备及存储介质
CN114861729A (zh) * 2022-05-20 2022-08-05 西安邮电大学 无线传感器网络中时间序列异常的检测方法及装置
WO2023206888A1 (zh) * 2022-04-25 2023-11-02 广东玖智科技有限公司 一种ppg信号聚类中心获取方法及装置和ppg信号处理方法及装置
CN117612038A (zh) * 2023-11-22 2024-02-27 中国矿业大学(北京) 基于无人机影像的矿区植被碳汇精细演算方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489193A (zh) * 2013-09-30 2014-01-01 河海大学 基于融合策略的面向对象的高分辨率遥感影像变化检测方法
CN104834942A (zh) * 2015-05-22 2015-08-12 武汉大学 基于掩膜分类的遥感影像变化检测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489193A (zh) * 2013-09-30 2014-01-01 河海大学 基于融合策略的面向对象的高分辨率遥感影像变化检测方法
CN104834942A (zh) * 2015-05-22 2015-08-12 武汉大学 基于掩膜分类的遥感影像变化检测方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YING JIANG ET AL: "A change detection approach of high-resolution imagery combined the pre-classification with the post-classification comparison", 《2016 FIFTH INTERNATIONAL CONFERENCE ON AGRO-GEOINFORMATICS》 *
刘淑凤 等: "融合光谱和几何特征的高分辨率遥感变化检测研究", 《长江科学院院报》 *
浮瑶瑶: "基于语义分析的高分SAR影像变化检测方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
陈鹏 等: "基于改进FCM聚类算法的违禁品分类", 《计算机系统应用》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341795A (zh) * 2017-06-30 2017-11-10 武汉大学 一种知识驱动的高空间分辨率遥感影像自动变化检测方法
CN107341795B (zh) * 2017-06-30 2020-03-10 武汉大学 一种知识驱动的高空间分辨率遥感影像自动变化检测方法
CN109389571B (zh) * 2017-08-03 2020-03-17 香港理工大学深圳研究院 一种遥感影像变化检测方法、装置及终端
CN109389571A (zh) * 2017-08-03 2019-02-26 香港理工大学深圳研究院 一种遥感影像变化检测方法、装置及终端
CN107423771A (zh) * 2017-08-04 2017-12-01 河海大学 一种两时相遥感图像变化检测方法
CN107423771B (zh) * 2017-08-04 2020-04-03 河海大学 一种两时相遥感图像变化检测方法
CN109409389A (zh) * 2017-08-16 2019-03-01 香港理工大学深圳研究院 一种融合多特征的面向对象变化检测方法
CN107633444A (zh) * 2017-08-29 2018-01-26 南京理工大学紫金学院 基于信息熵与模糊c均值聚类的推荐系统噪声过滤方法
CN107633444B (zh) * 2017-08-29 2021-03-19 南京理工大学紫金学院 基于信息熵与模糊c均值聚类的推荐系统噪声过滤方法
CN107656154A (zh) * 2017-09-18 2018-02-02 杭州安脉盛智能技术有限公司 基于改进模糊c均值聚类算法的变压器故障诊断方法
CN107807986B (zh) * 2017-10-31 2019-12-17 中南大学 一种描述地物空间关系语义的遥感影像智能理解的方法
CN107807986A (zh) * 2017-10-31 2018-03-16 中南大学 一种描述地物空间关系语义的遥感影像智能理解的方法
CN108171270B (zh) * 2018-01-05 2021-08-27 大连海事大学 一种基于哈希学习的高光谱图像分类方法
CN108171270A (zh) * 2018-01-05 2018-06-15 大连海事大学 一种基于哈希学习的高光谱图像分类方法
CN108334994A (zh) * 2018-03-20 2018-07-27 哈尔滨工业大学 一种供热管网流量及压力监测点优化布置方法
CN108334994B (zh) * 2018-03-20 2021-05-07 哈尔滨工业大学 一种供热管网流量及压力监测点优化布置方法
CN109002850A (zh) * 2018-07-06 2018-12-14 无锡众创未来科技应用有限公司 一种计算图像中食物热量的方法及装置
CN109299750A (zh) * 2018-11-20 2019-02-01 中国科学技术大学 分布式模糊c均值数据聚类方法
CN109685767A (zh) * 2018-11-26 2019-04-26 西北工业大学 一种基于聚类融合算法的双模态脑肿瘤mri分割方法
CN111027612A (zh) * 2019-12-04 2020-04-17 国网天津市电力公司电力科学研究院 基于加权熵fcm的能源计量数据特征约简方法及装置
CN111027612B (zh) * 2019-12-04 2024-01-30 国网天津市电力公司电力科学研究院 基于加权熵fcm的能源计量数据特征约简方法及装置
CN111709901A (zh) * 2020-05-22 2020-09-25 哈尔滨工业大学 基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法
CN111709901B (zh) * 2020-05-22 2023-04-28 哈尔滨工业大学 基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法
CN112464421A (zh) * 2020-11-23 2021-03-09 长江水利委员会长江科学院 基于联合信息熵的供水管网漏损识别传感器优化布置方法
CN113590732A (zh) * 2021-08-02 2021-11-02 高崟 遥感解译样本点的显示方法、装置、电子设备及存储介质
CN113590732B (zh) * 2021-08-02 2023-11-24 高崟 遥感解译样本点的显示方法、装置、电子设备及存储介质
WO2023206888A1 (zh) * 2022-04-25 2023-11-02 广东玖智科技有限公司 一种ppg信号聚类中心获取方法及装置和ppg信号处理方法及装置
CN114861729A (zh) * 2022-05-20 2022-08-05 西安邮电大学 无线传感器网络中时间序列异常的检测方法及装置
CN117612038A (zh) * 2023-11-22 2024-02-27 中国矿业大学(北京) 基于无人机影像的矿区植被碳汇精细演算方法

Similar Documents

Publication Publication Date Title
CN106897679A (zh) 一种基于改进模糊c均值聚类的语义变化检测方法及系统
Wu et al. ORSIm detector: A novel object detection framework in optical remote sensing imagery using spatial-frequency channel features
Zhao et al. Superpixel-based multiple local CNN for panchromatic and multispectral image classification
Wang et al. Domain adaptation with discriminative distribution and manifold embedding for hyperspectral image classification
Xiang et al. Adaptive superpixel generation for polarimetric SAR images with local iterative clustering and SIRV model
Liu et al. Hierarchical semantic model and scattering mechanism based PolSAR image classification
CN105069811B (zh) 一种多时相遥感图像变化检测方法
CN102982338B (zh) 基于谱聚类的极化sar图像分类方法
Liu et al. Enhancing spectral unmixing by local neighborhood weights
Liu et al. Multimorphological superpixel model for hyperspectral image classification
Moalla et al. Application of convolutional and recurrent neural networks for buried threat detection using ground penetrating radar data
Peng et al. Local adaptive joint sparse representation for hyperspectral image classification
CN107480620A (zh) 基于异构特征融合的遥感图像自动目标识别方法
Xiang et al. Adaptive statistical superpixel merging with edge penalty for PolSAR image segmentation
CN105005789A (zh) 一种基于视觉词汇的遥感图像地物分类方法
Li et al. Effects of BOW model with affinity propagation and spatial pyramid matching on polarimetric SAR image classification
Chen et al. Agricultural remote sensing image cultivated land extraction technology based on deep learning
CN109034213B (zh) 基于相关熵原则的高光谱图像分类方法和系统
Lone et al. Object detection in hyperspectral images
Li et al. SDBD: A hierarchical region-of-interest detection approach in large-scale remote sensing image
Diakite et al. Hyperspectral image classification using 3D 2D CNN
CN112733736A (zh) 基于增强过采样的类别不平衡高光谱图像分类方法
Sungkorn et al. Multi-scale and upscaling of digital rock physics with a machine that can learn about rocks
Al-Ghrairi et al. Classification of satellite images based on color features using remote sensing
CN107392926B (zh) 基于前期土地专题图的遥感影像特征选择方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170627

RJ01 Rejection of invention patent application after publication