CN107220985A - 基于图划分粒子群优化的sar图像自动分割方法 - Google Patents
基于图划分粒子群优化的sar图像自动分割方法 Download PDFInfo
- Publication number
- CN107220985A CN107220985A CN201710351722.5A CN201710351722A CN107220985A CN 107220985 A CN107220985 A CN 107220985A CN 201710351722 A CN201710351722 A CN 201710351722A CN 107220985 A CN107220985 A CN 107220985A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- msub
- msup
- 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.)
- Granted
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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20152—Watershed segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图划分粒子群优化的SAR图像自动分割方法,主要解决现有技术对图像分割效果差的问题。实现步骤是:1.输入原始待分割图像,读取其灰度信息;2.对待分割图像进行滤波,得到梯度图像;3.将梯度图像划分成互不重叠的区域;4.求出梯度图像的最大类别数,作为图像最大灰度级;5.将所分割区域映射为无向加权图,并构建无向加权图的能量函数;6.对能量函数进行迭代求解,得到类别中心和类别数;7.判断迭代次数是否小于20,如果是则继续更新粒子,否则输出最优类别数和分割后的图像。本发明运行速度快,分割效果好,可用于医学影像、卫星图像定位、人脸识别、指纹识别、交通控制系统及机器视觉。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种SAR图像自动分割方法,可用于医学影像、卫星图像定位、人脸识别、指纹识别及交通控制系统。
背景技术
随着科技的不断进步,图像处理技术越来越广泛的应用于我们的生产生活中,而作为图像处理领域的一个重要的分支,图像分割技术也越来越受到人们的重视。图像分割是图像解译过程中的一个关键步骤,图像分割技术是指对图像中有意义的特征部分进行提取的技术。常见的应用如:医学影像、卫星图像定位、人脸识别、指纹识别、交通控制系统、机器视觉等都是应用分割技术的例子,可见分割技术与我们的工作和生活息息相关,它能提高我们的工作效率和生活质量,给我们的生活带来极大地便利。合成孔径雷达具有高分辨、全候、强透射等特点,SAR图像的获取比较容易,但是对图像的解译却比较困难;SAR图像分割是图像解译的关键技术,SAR图像的自动分割对雷达遥感的发展具有重要的意义。
近年来,基于粒子群优化算法的图像分割方法开始应用于SAR图像的分割,包括人工免疫系统、粒子群优化和多智能体等进化范例,但是由于这种方法对SAR图像所含有的斑点噪声非常敏感,因此分割的结果并不理想。
发明内容
本发明的目的是针对上述现有技术的不足,提出一种基于图划分粒子群优化的SAR图像自动分割方法,以减小SAR图像的斑点噪声,提高分割的精度和准确率。
本发明的技术思路是:将图像的灰度直方图信息特征作为聚类对象,利用图划分粒子群优化的方法进行SAR图像的自动分割,其实现步骤包括如下:
(1)输入原始待分割的图像I,读取图像的灰度梯度信息;
(2)根据实验选择最优的数值,包括邻域窗口半径ds,搜索窗口半径Ds和高斯平滑参数h,并对待分割图像I进行非局部均值滤波去燥处理,得到梯度图像;
(3)对梯度图像进行初分割,将其划分成互不重叠N个的区域,N>100;
(4)求出梯度图像的最大类别数C,将此作为图像的灰度级;
(5)将分割成的N个区域块映射为无向加权图,该无向加权图的顶点由像素点表示,像素点之间的相似性S(m,n)表示无向加权图边的权值:
式中,Imy代表像素m的灰度分量,Imcb和Imcr代表像素的色差分量,当输入图像是灰度图像时只有灰度分量;
(6)构建无向加权图的能量函数fit(L):
式中,P为像素点的集合,Lp为像素点P所属类的标号集,Np代表P的相邻像素点的集合;等式右边第一项是数据项,表征的是像素与其所属类的符合程度;第二项为约束项,用来估计相邻的像素属于不同标号的惩罚值,其值越大表明相邻像素点越相似;
(7)利用粒子群优化算法对图像的标号进行最优化求解,得到类别中心和类别数;
(8)判断迭代次数是否小于20,如果是则重复步骤(7),继续更新粒子的位置和速度,否则,迭代结束输出最优聚类个数和分割后的图像。
本发明与现有技术相比具有以下优点:
1.本发明采用非局部均值滤波对原始SAR图像进行平滑处理,能较好的保持图像的边缘信息,有利于后期的分割;发明采用的是基于图划分的机制,能够实现对图像的自动分割。
2.本发明由于采用了粒子群优化算法框架,直接对图像的灰度直方图进行编码而不是图像所有像素点进行编码,减少了算法的复杂度,加速了种群的更新速度,能得到最佳的收敛类别数。
3.本发明采用的分割算法相比其它分割算法能够更准确地对SAR图像进行分割,同时对图像的边缘保持较好,具有较强的鲁棒性。
附图说明
图1是本发明的实现流程图;
图2是用本发明对四类纹理图像的预处理结果图;
图3是用本发明对八类纹理图像的预处理结果图;
图4是用本发明对四类纹理图像的分水岭分割后的结果图;
图5是用本发明对八类纹理图像的分水岭分割后的结果图;
图6用本发明对类别数为4的含噪纹理图像text1的分割结果图;
图7用本发明对类别数为8的含噪纹理图像text2的分割结果图;
图8用本发明对类别数为2的SAR1图像的分割结果图;
图9用本发明对类别数为3的SAR2的分割结果图;
图10用本发明对类别数为4的SAR3的分割结果图。
具体实施方式
下面结合附图对本发明的实施和效果做进一步详细说明:
参照图1,本发明的实施步骤如下:
步骤1.输入原始待分割图像I,读取图像的灰度梯度信息。
步骤2.根据实验选择最优的数值,包括邻域窗口半径ds,搜索窗口半径Ds和高斯平滑参数h,并对待分割图像I进行非局部均值滤波去燥处理,得到梯度图像。
本步骤的具体实现如下:
2a)本实例设邻域窗口半径但不限于ds=2,搜索窗口半径Ds=5;
2b)本实例的高斯函数平滑参数取但不限于h=10,控制着指数函数的衰减程度;
2c)计算原始待分割图像I中所有像素的加权平均:
NL(i)=∑j∈Iω(i,j)υ(j)
其中i为图像像素点的灰度级,取值为0~255,υ(j)为离散噪声图像;ω(i,j)为权重,其由第i个像素和第j个像素的相似性决定:
其满足∑jω(i,j)=1,其中0≤ω(i,j)≤1;
Z(i)是归一化常数,式中h过滤参数,它决定着滤波函数变化的快慢,为高斯核二范数,表示相似性,υ(Ni)表示第Ni个像素点的灰度值,a>0表示是高斯核的标准偏差;
2d)将i个像素点灰度的加权平均值作为其新的灰度值,得到滤波后的图像。
步骤3.对梯度图像进行初分割,将其划分成互不重叠的N个区域,N>100。
本步骤的具体实现如下:
3a)利用soble算子提取梯度图像的边界信息;
3b)获取所提取图像的水平和垂直边界;
3c)对边界图像进行形态学运算,包括图像的膨胀运算和腐蚀运算;
3d)对形态学运算后的图像进行开运算和闭运算;
3e)对开闭运算后的图像进行分水岭变换,得到图像的分水岭脊线,输出初分割后的SAR图像。
步骤4.求出梯度图像的最大类别数C,将此作为图像的灰度级。
本步骤的具体实现如下:
4a)根据初分割后的图像,建立其灰度直方图;
4b)对灰度直方图进行局部平滑运算;
4c)求出平滑后直方图的所有峰值,并计算其斜率均值;
4d)对平滑后直图像进行开闭运算,并将其开闭运算的结果M与设定的阈值T=0.01进行比较:若M<T,则图像的灰度级C=C+1;否则重复步骤4b)和4c)。
步骤5.将分割成的区域映射为无向加权图,以此构建能量函数。
本步骤的具体实现如下:
5a)对所分割成的N个进行区域映射,得到无向加权图,该无向加权图的顶点由像素点表示,像素点之间的相似性S(m,n):
式中,Imy代表像素m的灰度分量,Imcb和Imcr代表像素的色差分量,当输入图像是灰度图像时只有灰度分量;
5b)根据像素点相似性建立能量函数的标号集Lp。
5c)设P为像素点的集合,Lp为像素点P所属类的标号集,Np为P的相邻像素点的集合,构建无向加权图的能量函数fit(L),:
其中:数据项表示像素m和n所属类的复合程度;约束项Vpq(Lp,Lq)=-lnS(Lp,Lq)表示Lp,Lq之间的惩罚程度,其值越大表明相邻像素点越相似;λ是数据项和约束项之间的重要因子。
步骤6.利用粒子群优化算法对所构建的能量函数进行最优化求解,得到类别中心和类别数。
本步骤的具体实现如下:
6a)初始化粒子群的个体:设粒子数为np,随机初始化粒子速度v0 k和位置x0 k,随机初始化每个粒子的局部最优值pbestk,最大迭代数Nc=20,其中,1<k<np;
6b)初始粒子的位置xk和速度vk,将其限定在0~C之间,利用如下公式对粒子的速度vk和位置xk进行更新:
vk+1=w×vk+c1×r1×(pbestk-xk)+c2×r2×(pbestk-xk)
xk+1=xk+vk+1,
其中,vk+1为更新后粒子的速度,xk+1为更新后粒子的位置,c1是粒子个体的学习因子,c2粒子群体的学习因子,c1和c2的取值均为1.49,r1与r2是介于0~1之间相互独立的随机数,r1≠r2,w为惯性权重;
6c)判断当前迭代次数Nc是否大于20,若是,则输出最优聚类个数和分割后的图像,否则,返回步骤6b)。
本发明的效果可以通过如下对纹理图像和SAR图像的仿真实验进一步说明:
1、仿真实验环境
本发明的仿真实验是在HP Compaq dx7408, CoreTM2Duo CPU E6550,CPU频率2.33GHz计算机,软件平台Matlab R2010b下进行测试。
2、仿真内容与结果
仿真一,用本发明在一幅含有斑点噪声的四类纹理图像text1进行滤波处理,结果如图2所示,其中图2(a)是原始四类纹理图像,图2(b)是滤波后的四类纹理图像。
仿真二,用本发明在一幅含有斑点噪声的八类纹理图像text2进行滤波处理,结果如图3所示,其中图3(a)是原始八类纹理图像,图3(b)是滤波后的八类纹理图像。
仿真三,用本发明在一幅含有斑点噪声的四类纹理图像text1上进行分水岭变换,结果如图4所示,图4(a)是原始四类纹理图像,图4(b)是初分割后的四类纹理图像。
仿真四,用本发明在一幅含有斑点噪声的八类纹理图像text2上进行分水岭变换,结果如图5所示,图5(a)是原始八类纹理图像,图5(b)是初分割后的八类纹理图像。
仿真五,用本发明在一幅含有斑点噪声的四类纹理图像text1进行实验测试,分割后的结果如图6所示。
仿真六,用本发明在一幅含有斑点噪声的八类纹理图像text2进行实验测试,分割后的结果如图7所示。
从图6和图7两幅纹理图像的分割结果中可以看出,本发明能够对含有斑点噪声的纹理图像实现比较准确的分割,分割后的类别数符合真实的数目,并且对图像边缘保持的比较完好。
仿真七,用本发明对类别数为2的SAR1图像进行实验测试,最后的分割结果如图8所示。
仿真八,用本发明对类别数为3的SAR2图像进行实验测试,最后的分割结果如图9所示。
仿真九,用本发明对类别数为4的SAR3图像进行实验测试,最后的分割结果如图10所示。
从图8、图9、图10这三幅SAR图像的分割结果可以看出,本发明不仅能有效的分割出图像中的目标和背景,同时也能较好地保持同类目标的区域一致性,对不同目标之间的边缘区域分割比较接近真实的结果。
Claims (5)
1.一种基于图划分粒子群优化的SAR图像自动分割方法,其特征在于,包括:
(1)输入原始待分割的图像I,读取图像的灰度梯度信息;
(2)根据实验选择最优的数值,包括邻域窗口半径ds,搜索窗口半径Ds和高斯平滑参数h,并对待分割图像I进行非局部均值滤波去燥处理,得到梯度图像;
(3)对梯度图像进行初分割,将其划分成互不重叠N个的区域,N>100;
(4)求出梯度图像的最大类别数C,将此作为图像的灰度级;
(5)将分割成的N个区域块映射为无向加权图,该无向加权图的顶点由像素点表示,像素点之间的相似性S(m,n)表示无向加权图边的权值:
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>m</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>n</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>m</mi>
<mi>c</mi>
<mi>b</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>n</mi>
<mi>c</mi>
<mi>b</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>m</mi>
<mi>c</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>n</mi>
<mi>c</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
式中,Imy代表像素m的灰度分量,Imcb和Imcr代表像素的色差分量,当输入图像是灰度图像时只有灰度分量;
(6)构建无向加权图的能量函数fit(L):
<mrow>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<mi>P</mi>
</mrow>
</munder>
<msub>
<mi>D</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>p</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&lambda;</mi>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<mn>1</mn>
<mo>...</mo>
<mi>n</mi>
<mo>,</mo>
<mi>q</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>p</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>V</mi>
<mrow>
<mi>p</mi>
<mi>q</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
<msub>
<mi>L</mi>
<mi>q</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中,P为像素点的集合,Lp为像素点P所属类的标号集,Np代表P的相邻像素点的集合;等式右边第一项是数据项,表征的是像素与其所属类的符合程度;第二项为约束项,用来估计相邻的像素属于不同标号的惩罚值,其值越大表明相邻像素点越相似;
(7)利用粒子群优化算法对图像的标号进行最优化求解,得到类别中心和类别数;
(8)判断迭代次数是否小于20,如果是则重复步骤(7),继续更新粒子的位置和速度,否则,迭代结束输出最优聚类个数和分割后的图像。
2.根据权利要求1所述的方法,其特征在于,其中步骤(2)中对原始SAR图像进行非局部均值滤波处理,按如下步骤进行:
(2.1)设置领域搜索窗口半径ds=2,全局搜索窗口半径Ds=10;
(2.2)设高斯函数平滑参数h=10,其值决定指数函数的衰减程度;
(2.3)计算输入图像所有像素点的加权平均值:
NL[υ](i)=∑j∈Iω(i,j)υ(j)
式中,i为图像像素点的灰度级,取值为0~255,υ(j)为离散噪声图像;
ω(i,j)为权重,其由第i个像素和第j个像素的相似性决定:
<mrow>
<mi>&omega;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>&upsi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&upsi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mi>a</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
<msup>
<mi>h</mi>
<mn>2</mn>
</msup>
</mfrac>
</mrow>
</msup>
</mrow>
其满足∑jω(i,j)=1,其中0≤ω(i,j)≤1;
Z(i)是归一化常数:
<mrow>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>&upsi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&upsi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mi>a</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
<msup>
<mi>h</mi>
<mn>2</mn>
</msup>
</mfrac>
</mrow>
</msup>
</mrow>
式中h过滤参数,它决定着滤波函数变化的快慢,是相似性,a>0,是高斯核的标准偏差;
(2.4)将i个像素点灰度的加权平均值作为其新的灰度值,得到最终的滤波图像。
3.根据权利要求1所述的方法,其特征在于,其中步骤(3)中采用分水岭算法对SAR图像进行初分割,将SAR图像划分成互不重叠的区域,步骤如下:
(3.1)利用soble算子提取梯度图像的边界信息;
(3.2)获取所提取图像的水平和垂直边界;
(3.3)对边界图像进行形态学运算,包括图像的膨胀运算和腐蚀运算;
(3.4)对形态学运算后的图像进行开运算和闭运算;
(3.5)对开闭运算后的图像进行分水岭变换,得到图像的分水岭脊线,输出初分割后的SAR图像。
4.根据权利要求1所述的方法,其特征在于,其中步骤(4)中求出梯度图像的最大类别数C,设其初始值C=0,按如下步骤进行:
(4.1)根据输入图像I,建立图像的灰度直方图;
(4.2)对灰度直方图进行局部平滑运算;
(4.3)求出平滑后直方图的所有峰值,并计算其斜率均值;
(4.4)对平滑后直图像进行开闭运算,并将其开闭运算的结果M与设定的阈值T=0.01进行比较:若M<T,则C=C+1;否则重复步骤(4.2)和(4.3)。
5.根据权利要求1所述的方法,其特征在于,其中步骤(7)中利用粒子群优化算法对图像的标号进行最优化求解,按如下步骤进行:
(5.1)初始化粒子群的个体:设粒子数为np,随机初始化粒子速度和位置:v0 k、x0 k,其中,1<k<np,随机初始化每个粒子的局部最优值pbestk,最大迭代数Nc=20;
(5.2)初始粒子的位置xk和速度vk,将其限定在0~C之间,利用如下公式对粒子的速度和位置进行更新:
vk+1=w×vk+c1×r1×(pbestk-xk)+c2×r2×(pbestk-xk)
xk+1=xk+vk+1
其中,vk+1为更新后粒子的速度,xk+1为更新后粒子的位置,c1是粒子个体的学习因子,c2粒子群体的学习因子,c1和c2的取值均为1.49,r1与r2是介于0~1之间相互独立的随机数,r1≠r2,w为惯性权重;
(5.3)判断当前迭代次数Nc是否大于20,若是,则输出最优聚类个数和分割后的图像,否则,返回步骤(5.2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710351722.5A CN107220985B (zh) | 2017-05-18 | 2017-05-18 | 基于图划分粒子群优化的sar图像自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710351722.5A CN107220985B (zh) | 2017-05-18 | 2017-05-18 | 基于图划分粒子群优化的sar图像自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107220985A true CN107220985A (zh) | 2017-09-29 |
CN107220985B CN107220985B (zh) | 2020-02-07 |
Family
ID=59945217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710351722.5A Active CN107220985B (zh) | 2017-05-18 | 2017-05-18 | 基于图划分粒子群优化的sar图像自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220985B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639618A (zh) * | 2020-06-08 | 2020-09-08 | 中国石油大学(华东) | 一种全极化sar影像变化区域精确提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530882A (zh) * | 2013-10-17 | 2014-01-22 | 南京大学 | 一种改进的基于图和色彩纹理特征的图像分割方法 |
CN103985112A (zh) * | 2014-03-05 | 2014-08-13 | 西安电子科技大学 | 基于改进多目标粒子群优化聚类的图像分割方法 |
CN104021552A (zh) * | 2014-05-28 | 2014-09-03 | 华南理工大学 | 一种基于图论分割过程的多目标粒子群参数优化方法 |
-
2017
- 2017-05-18 CN CN201710351722.5A patent/CN107220985B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530882A (zh) * | 2013-10-17 | 2014-01-22 | 南京大学 | 一种改进的基于图和色彩纹理特征的图像分割方法 |
CN103985112A (zh) * | 2014-03-05 | 2014-08-13 | 西安电子科技大学 | 基于改进多目标粒子群优化聚类的图像分割方法 |
CN104021552A (zh) * | 2014-05-28 | 2014-09-03 | 华南理工大学 | 一种基于图论分割过程的多目标粒子群参数优化方法 |
Non-Patent Citations (2)
Title |
---|
SHARIFI M: ""A Graph-Based Image Segmentation Approach for Image Classification and Its Application on SAR Images"", 《PRZEGLAD ELEKTROTECHNICZNY》 * |
马英辉: ""基于改进的指数交叉熵和萤火虫群优化的工业CT图像分割"", 《图学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639618A (zh) * | 2020-06-08 | 2020-09-08 | 中国石油大学(华东) | 一种全极化sar影像变化区域精确提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107220985B (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Turkki et al. | Antibody-supervised deep learning for quantification of tumor-infiltrating immune cells in hematoxylin and eosin stained breast cancer samples | |
CN104834922B (zh) | 基于混合神经网络的手势识别方法 | |
CN113240691B (zh) | 一种基于u型网络的医学图像分割方法 | |
CN112184752A (zh) | 一种基于金字塔卷积的视频目标跟踪方法 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN108734138B (zh) | 一种基于集成学习的黑色素瘤皮肤病图像分类方法 | |
CN102930273B (zh) | 基于亮度自适应水平集的极光卵分割方法 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN109657551B (zh) | 一种基于上下文信息增强的人脸检测方法 | |
CN107274401A (zh) | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 | |
CN103927531A (zh) | 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 | |
CN103778435A (zh) | 一种基于视频的行人快速检测方法 | |
CN110853064B (zh) | 一种基于最小模糊散度的图像协同分割方法 | |
CN102930538B (zh) | 高斯势与空间直方图融合的自适应图像分割方法 | |
CN104751186A (zh) | 一种基于bp网络和小波变换的虹膜图像质量分类方法 | |
Rajeswari et al. | Automatic road extraction based on level set, normalized cuts and mean shift methods | |
Shahbeig | Automatic and quick blood vessels extraction algorithm in retinal images | |
CN117152604A (zh) | 一种建筑物轮廓的提取方法、装置、电子设备和存储介质 | |
CN102509308A (zh) | 基于混合动态纹理空时显著性检测的运动分割方法 | |
CN106295478A (zh) | 一种图像特征提取方法和装置 | |
CN107220985A (zh) | 基于图划分粒子群优化的sar图像自动分割方法 | |
Akther et al. | Detection of Vehicle's Number Plate at Nighttime using Iterative Threshold Segmentation (ITS) Algorithm | |
CN117292217A (zh) | 一种基于对抗生成网络的皮肤分型数据增广方法与系统 | |
Wicaksono et al. | Improve image segmentation based on closed form matting using K-means clustering | |
CN115775226A (zh) | 基于Transformer的医学图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |