CN107452009A - 一种探地雷达图像分割方法及系统 - Google Patents
一种探地雷达图像分割方法及系统 Download PDFInfo
- Publication number
- CN107452009A CN107452009A CN201710623870.8A CN201710623870A CN107452009A CN 107452009 A CN107452009 A CN 107452009A CN 201710623870 A CN201710623870 A CN 201710623870A CN 107452009 A CN107452009 A CN 107452009A
- Authority
- CN
- China
- Prior art keywords
- data point
- initial
- cluster center
- section
- 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.)
- 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
- G06T7/13—Edge detection
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种探地雷达图像分割方法,包括以下步骤:获取雷达剖面;对所述雷达剖面进行预处理,获得预处理雷达剖面;根据k‑均值聚类算法对所述预处理雷达剖面进行聚类,获得k‑均值聚类剖面;根据区域生长法对所述k‑均值聚类剖面进行分割,提取目标边缘,获得目标图像。本发明利用k‑均值聚类与区域生长法联合对探地雷达图像进行分割,无需大量训练数据,便能实现精确提取目标边缘,获得精确目标图像,同时降低了计算量和计算时间。
Description
技术领域
本发明涉及雷达探测技术领域,特别是涉及一种探地雷达图像分割方法及系统。
背景技术
目前,现有对探地雷达(groundpenetrating radar简称GPR)图像进行分割主要依靠人工经验进行分割,这样分割出来的结果会出现差异、同时造成人力与物力的大量消耗,影响探地雷达应用的效果和效率。探地雷达图像目标自动识别一直是探地雷达地下目标识别的技术领域研究的重要关注点。现有的技术主要集中在以下几个方面:
1)、基于电磁场逆成像的方法,如线性Born近似,CSI(Contrast SourceInversion)和时域反转(Time Reversal)MUSIC方法,但这些方法缺点是计算量大、时间长。
2)、基于模式识别的方法,如支持向量机(SupportVectorMachine,SVM)、人工神经网络(ArtificialNeuralNetworks,ANNs),这类算法的优点是可以避开复杂的电磁传播规律特性,简化了反演问题,降低了计算量和计算时间,但是需要大量的训练数据。
基于上述问题,如何克服上述问题,是雷达探测技术领域急需解决的技术问题。
发明内容
本发明的目的是提供一种探地雷达图像分割方法及系统,利用k-均值聚类与区域生长法联合对探地雷达图像进行分割,无需大量训练数据,便能实现精确提取目标边缘,获得精确目标图像,同时降低了计算量和计算时间。
为实现上述目的,本发明提供了一种探地雷达图像分割方法,包括以下步骤:
获取雷达剖面;
对所述雷达剖面进行预处理,获得预处理雷达剖面;
根据k-均值聚类算法对所述预处理雷达剖面进行聚类,获得k-均值聚类剖面;
根据区域生长法对所述k-均值聚类剖面进行分割,提取目标边缘,获得目标图像。
可选的,所述对所述雷达剖面进行预处理,获得预处理雷达剖面,具体步骤包括:
对所述雷达剖面进行零线拾取、一维滤波、自动增益、数字滤波、图像去噪处理,获得预处理雷达剖面。
可选的,所述根据k-均值算法对所述预处理雷达剖面进行聚类,获得k-均值聚类剖面,具体步骤包括:
从n个数据点中获取K个初始聚类中心;
计算n-K个数据点分别到与各数据点最近的初始聚类中心的距离;
根据距离最小原则将n-K个数据点划分到与各数据点最近的初始聚类中心;
根据各初始聚类中心内的各数据点确定聚类中心;
计算n个数据点分别到与各数据点最近的聚类中心的距离;
根据距离最小原则将n个数据点划分到与各数据点最近的聚类中心;
判断各初始聚类中心的各数据点与各聚类中心的各数据点是否相同;如果各初始聚类中心的各数据点与各聚类中心的各数据点相同,则获得k-均值聚类剖面;否则将聚类中心作为初始聚类中心,将聚类中心内的各数据点作为初始聚类中心的各数据点,重新确定聚类中心内的各数据点。
可选的,所述从n个数据点中获取K个初始聚类中心,具体步骤包括:
从n个数据点中任意选取一个点作为第一个初始聚类中心;
计算剩余n-i个数据点分别到与各数据点最近的初始聚类中心的距离,其中,i为大于等于1的整数;
根据距离最大原则选取到初始聚类中心距离最大的数据点作为第i+1个初始聚类中心;
判断i+1是否小于K;如果i+1小于K,则i=i+1,重新计算n-i个数据点分别到与各数据点最近的初始聚类中心的距离,继续选取初始聚类中心;否则获取K个初始聚类中心。
可选的,所述根据区域生长法对所述k-均值聚类剖面进行分割,提取目标边缘的具体步骤包括:
从k-均值聚类剖面选取初始像素点;
以初始像素点为中心,取出与所述初始像素点相邻的8个相邻像素点,判断各相邻像素点与所述初始像素点之间的差值是否全部小于设定阈值;如果各相邻像素点与所述初始像素点之间的差值全部小于设定阈值,则将初始像素点与各相邻像素点记录为同一区域;否则无需记录;
判断所述k-均值聚类剖面图中的各像素点是否全部都有归属;如果各像素点全部都有归属,则提取目标边缘,获得目标图像;否则重新从记录的所述同一区域内获取任意像素点作为初始像素点,并判断8个相邻像素点与初始像素点是否属于同一区域。
本发明还提供一种探地雷达图像分割系统,所述系统包括:
获取模块,用于获取雷达剖面;
预处理模块,用于对所述雷达剖面进行预处理,获得预处理雷达剖面;
聚类模块,用于根据k-均值算法对所述预处理雷达剖面进行聚类,获得k-均值聚类剖面;
目标边缘提取模块,用于根据区域生长法对所述k-均值聚类剖面进行分割,提取目标边缘,获得目标图像。
可选的,所述预处理模块,具体包括:
对所述雷达剖面进行零线拾取、一维滤波、自动增益、数字滤波、图像去噪处理,获得预处理雷达剖面。
可选的,所述聚类模块,具体包括:
初始聚类中心确定单元,用于从n个数据点中获取K个初始聚类中心;
初始聚类中心距离确定单元,用于计算n-K个数据点分别到与各数据点最近的初始聚类中心的距离;
第一划分单元,用于根据距离最小原则将n-K个数据点划分到与各数据点最近的初始聚类中心;
聚类中心确定单元,用于根据各初始聚类中心内的各数据点确定聚类中心;
聚类中心距离确定单元,用于计算n个数据点分别到与各数据点最近的聚类中心的距离;
第二划分单元,用于根据距离最小原则将n个数据点划分到与各数据点最近的聚类中心;
第一判断单元,用于判断各初始聚类中心的各数据点与各聚类中心的各数据点是否相同;如果各初始聚类中心的各数据点与各聚类中心的各数据点相同,则获得k-均值聚类剖面;否则将聚类中心作为初始聚类中心,将聚类中心内的各数据点作为初始聚类中心的各数据点,重新确定聚类中心内的各数据点。
可选的,所述初始聚类中心确定单元,具体包括:
第一个初始聚类中心确定子单元,用于从n个数据点中任意选取一个点作为第一个初始聚类中心;
初始聚类中心距离确定子单元,用于计算剩余n-i个数据点分别到与各数据点最近的各初始聚类中心的距离,其中,i为大于等于1的整数;
第i+1个初始聚类中心确定子单元,用于根据距离最大原则选取到初始聚类中心距离最大的数据点作为第i+1个初始聚类中心;
判断子单元,用于判断i+1是否小于K;如果i+1小于K,则i=i+1,重新计算n-i个数据点分别到与各数据点最近的初始聚类中心的距离,继续选取初始聚类中心;否则获取K个初始聚类中心。
可选的,所述目标边缘提取模块,具体包括:
初始像素点选取单元,用于从k-均值聚类剖面选取初始像素点;
同一区域确定单元,用于以初始像素点为中心,取出与所述初始像素点相邻的8个相邻像素点,判断各相邻像素点与所述初始像素点之间的差值是否全部小于设定阈值;如果各相邻像素点与所述初始像素点之间的差值全部小于设定阈值,则将初始像素点与各相邻像素点记录为同一区域;否则无需记录;
第二判断单元,用于判断所述k-均值聚类剖面图中的各像素点是否全部都有归属;如果各像素点全部都有归属,则提取目标边缘,获得目标图像;否则重新从记录的所述同一区域内获取任意像素点作为初始像素点,并判断8个相邻像素点与初始像素点是否属于同一区域。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明利用k-均值聚类与区域生长法联合对探地雷达图像进行分割,无需大量训练数据,便能实现精确提取目标边缘,获得精确目标图像,同时降低了计算量和计算时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例探地雷达图像分割方法流程图;
图2为本发明实施例探地雷达图像分割方法局部流程图;
图3为本发明实施例探地雷达图像分割系统结构图;
图4为本发明实施例初始剖面;
图5为本发明实施例预处理雷达剖面;
图6为本发明实施例k-均值聚类剖面;
图7为本发明实施例目标图像。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种探地雷达图像分割方法及系统,利用k-均值聚类与区域生长法联合对探地雷达图像进行分割,无需大量训练数据,便能实现精确提取目标边缘,获得精确目标图像,同时降低了计算量和计算时间。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例探地雷达图像分割方法流程图;图2为本发明实施例探地雷达图像分割方法局部流程图,图(a)为获取K个初始聚类中心流程图,图(b)为获得K-均值聚类剖面流程图;如图1/图2所示,本发明公开了一种探地雷达图像分割方法,包括以下步骤:
步骤100:获取雷达剖面。
步骤200:对所述雷达剖面进行预处理,获得预处理雷达剖面。其具体步骤为:
对所述雷达剖面进行零线拾取、一维滤波、自动增益、数字滤波、图像去噪处理,获得预处理雷达剖面。
步骤300:根据k-均值聚类算法对所述预处理雷达剖面进行聚类,获得k-均值聚类剖面。其具体步骤为:
步骤301:从n个数据点中任意选取一个点作为第一个初始聚类中心。
步骤302:计算剩余n-i个数据点分别到与各数据点最近的初始聚类中心的距离,其中,i为大于等于1的整数。
步骤303:根据距离最大原则选取到初始聚类中心距离最大的数据点作为第i+1个初始聚类中心。
步骤304:判断i+1是否小于K;当i+1小于K时,则i=i+1,重新计算n-i个数据点分别到与各数据点最近的初始聚类中心的距离,继续选取初始聚类中心。
步骤305:当i+1大于等于K时,从n个数据点中获取K个初始聚类中心。
步骤306:计算n-K个数据点分别到与各数据点最近的初始聚类中心的距离。
步骤307:根据距离最小原则将n-K个数据点划分到与各数据点最近的初始聚类中心。
步骤308:根据各初始聚类中心内的各数据点确定聚类中心。
步骤309:计算n个数据点分别到与各数据点最近的聚类中心的距离。
步骤310:根据距离最小原则将n个数据点划分到与各数据点最近的聚类中心。
步骤311:判断各初始聚类中心的各数据点与各聚类中心的各数据点是否相同。
步骤312:如果各初始聚类中心的各数据点与各聚类中心的各数据点相同,则获得k-均值聚类剖面。
步骤313:如果各初始聚类中心的各数据点与各聚类中心的各数据点不相同,将聚类中心作为初始聚类中心,将聚类中心内的各数据点作为初始聚类中心的各数据点,重新确定聚类中心内的各数据点。
步骤400:根据区域生长法对所述k-均值聚类剖面进行分割,提取目标边缘,获得目标图像。具体步骤为:
步骤401:从k-均值聚类剖面选取初始像素点。
步骤402:以初始像素点为中心,取出与所述初始像素点相邻的8个相邻像素点,判断各相邻像素点与所述初始像素点之间的差值是否全部小于设定阈值;如果各相邻像素点与所述初始像素点之间的差值全部小于设定阈值,则将初始像素点与各相邻像素点记录为同一区域;否则无需记录。
步骤403:判断所述k-均值聚类剖面图中的各像素点是否全部都有归属;如果各像素点全部都有归属,则提取目标边缘,获得目标图像;否则重新从记录的所述同一区域内获取任意像素点作为初始像素点,并判断8个相邻像素点与初始像素点是否属于同一区域。
本发明利用k-均值聚类与区域生长法联合对探地雷达图像进行分割,无需大量训练数据,便能实现精确提取目标边缘,获得精确目标图像,同时降低了计算量和计算时间。
图3为本发明实施例探地雷达图像分割系统结构图;如图3所示,本发明还提供一种探地雷达图像分割系统,所述系统包括:
获取模块1,用于获取雷达剖面。
预处理模块2,与所述获取模块1相连,用于对所述雷达剖面进行预处理,获得预处理雷达剖面。所述预处理模块2,具体为:
对所述雷达剖面进行零线拾取、一维滤波、自动增益、数字滤波、图像去噪处理,获得预处理雷达剖面。
聚类模块3,与所述预处理模块2相连,用于根据k-均值算法对所述预处理雷达剖面进行聚类,获得k-均值聚类剖面。所述聚类模块3,具体包括:初始聚类中心确定单元、初始聚类中心距离确定单元、第一划分单元、聚类中心确定单元、聚类中心距离确定单元、第二划分单元、第一判断单元。
初始聚类中心确定单元,用于从n个数据点中获取K个初始聚类中心。所述初始聚类中心确定单元,具体包括:第一个初始聚类中心确定子单元、初始聚类中心距离确定子单元、第i+1个初始聚类中心确定子单元、判断子单元。
第一个初始聚类中心确定子单元,与所述初始聚类中心确定单元相连,用于从n个数据点中任意选取一个点作为第一个初始聚类中心。
初始聚类中心距离确定子单元,与所述第一个初始聚类中心确定子单元相连,用于计算剩余n-i个数据点分别到与各数据点最近的各初始聚类中心的距离,其中,i为大于等于1的整数。
第i+1个初始聚类中心确定子单元,与所述初始聚类中心距离确定子单元相连,用于根据距离最大原则选取到初始聚类中心距离最大的数据点作为第i+1个初始聚类中心。
判断子单元,与所述第i+1个初始聚类中心确定子单元确定单元相连,用于判断i+1是否小于K;如果i+1小于K,则i=i+1,重新计算n-i个数据点分别到与各数据点最近的初始聚类中心的距离,继续选取初始聚类中心;否则获取K个初始聚类中心。
初始聚类中心距离确定单元,与所述判断子单元相连,用于计算n-K个数据点分别到与各数据点最近的初始聚类中心的距离。
第一划分单元,与所述初始聚类中心距离确定单元相连,用于根据距离最小原则将n-K个数据点划分到与各数据点最近的初始聚类中心。
聚类中心确定单元,与所述第一划分单元相连,用于根据各初始聚类中心内的各数据点确定聚类中心;
聚类中心距离确定单元,与所述聚类中心确定单元相连,用于计算n个数据点分别到与各数据点最近的聚类中心的距离。
第二划分单元,与所述聚类中心距离确定单元相连,用于根据距离最小原则将n个数据点划分到与各数据点最近的聚类中心。
第一判断单元,与所述第二划分单元相连,用于判断各初始聚类中心的各数据点与各聚类中心的各数据点是否相同;如果各初始聚类中心的各数据点与各聚类中心的各数据点相同,则获得k-均值聚类剖面;否则将聚类中心作为初始聚类中心,将聚类中心内的各数据点作为初始聚类中心的各数据点,重新确定聚类中心内的各数据点。
目标边缘提取模块4,与所述聚类模块3相连,用于根据区域生长法对所述k-均值聚类剖面进行分割,提取目标边缘,获得目标图像。所述目标边缘提取模块4,具体包括:初始像素点选取单元、同一区域确定单元、第二判断单元。
初始像素点选取单元,用于从k-均值聚类剖面选取初始像素点;
同一区域确定单元,与所述初始像素点选取单元相连,用于以初始像素点为中心,取出与所述初始像素点相邻的8个相邻像素点,判断各相邻像素点与所述初始像素点之间的差值是否全部小于设定阈值;如果各相邻像素点与所述初始像素点之间的差值全部小于设定阈值,则将初始像素点与各相邻像素点记录为同一区域;否则无需记录;
第二判断单元,与所述同一区域确定单元相连,用于判断所述k-均值聚类剖面图中的各像素点是否全部都有归属;如果各像素点全部都有归属,则提取目标边缘,获得目标图像;否则重新从记录的所述同一区域内获取任意像素点作为初始像素点,并判断8个相邻像素点与初始像素点是否属于同一区域。
具体举例:
针对在中国矿业大学(北京)居民小区路面针对地下车库的出口通道应用GR-IV型便携式地质雷达配置200MHz天线探测,对目标边缘进行提取,获得目标图像。
具体情况:该地下车库为宽5m,顶部埋深1m的地下空洞。探地雷达的波速为0.1m/ns,采样点数为1024,时窗300ns,根据实际情况,零线设定为T=16ns。获得初始剖面详见图4。
对初始雷达剖面进行进行零线拾取、一维滤波、自动增益、数字滤波、图像去噪处理,获得预处理雷达剖面,详见图5。
对预处理后的剖面利用k-均值进行聚类,获得k-均值聚类剖面,详见图6。
采用区域生长法对聚类后的图像进行目标边缘提取,获得目标图像,详见图7。
根据目标图像识别出来的结果,可以很明显的看出异常位置与原始数据的异常位置区域一致,时间上约为20ns,由于波速与埋深的关系,可以判断出目标埋深大致为1m左右,与实际情况相对比,十分吻合,由此可以看出,通过此方法能够进行更精确的提取目标边缘,获得较为精确的目标图像。
本文中应用了具体个例对本发明的规则及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种探地雷达图像分割方法,其特征在于,包括以下步骤:
获取雷达剖面;
对所述雷达剖面进行预处理,获得预处理雷达剖面;
根据k-均值聚类算法对所述预处理雷达剖面进行聚类,获得k-均值聚类剖面;
根据区域生长法对所述k-均值聚类剖面进行分割,提取目标边缘,获得目标图像。
2.根据权利要求1所述的探地雷达图像分割方法,其特征在于,所述对所述雷达剖面进行预处理,获得预处理雷达剖面,具体步骤包括:
对所述雷达剖面进行零线拾取、一维滤波、自动增益、数字滤波、图像去噪处理,获得预处理雷达剖面。
3.根据权利要求1所述的探地雷达图像分割方法,其特征在于,所述根据k-均值算法对所述预处理雷达剖面进行聚类,获得k-均值聚类剖面,具体步骤包括:
从n个数据点中获取K个初始聚类中心;
计算n-K个数据点分别到与各数据点最近的初始聚类中心的距离;
根据距离最小原则将n-K个数据点划分到与各数据点最近的初始聚类中心;
根据各初始聚类中心内的各数据点确定聚类中心;
计算n个数据点分别到与各数据点最近的聚类中心的距离;
根据距离最小原则将n个数据点划分到与各数据点最近的聚类中心;
判断各初始聚类中心的各数据点与各聚类中心的各数据点是否相同;如果各初始聚类中心的各数据点与各聚类中心的各数据点相同,则获得k-均值聚类剖面;否则将聚类中心作为初始聚类中心,将聚类中心内的各数据点作为初始聚类中心的各数据点,重新确定聚类中心内的各数据点。
4.根据权利要求3所述的探地雷达图像分割方法,其特征在于,所述从n个数据点中获取K个初始聚类中心,具体步骤包括:
从n个数据点中任意选取一个点作为第一个初始聚类中心;
计算剩余n-i个数据点分别到与各数据点最近的初始聚类中心的距离,其中,i为大于等于1的整数;
根据距离最大原则选取到初始聚类中心距离最大的数据点作为第i+1个初始聚类中心;
判断i+1是否小于K;如果i+1小于K,则i=i+1,重新计算n-i个数据点分别到与各数据点最近的初始聚类中心的距离,继续选取初始聚类中心;否则获取K个初始聚类中心。
5.根据权利要求1所述的探地雷达图像分割方法,其特征在于,所述根据区域生长法对所述k-均值聚类剖面进行分割,提取目标边缘的具体步骤包括:
从k-均值聚类剖面选取初始像素点;
以初始像素点为中心,取出与所述初始像素点相邻的8个相邻像素点,判断各相邻像素点与所述初始像素点之间的差值是否全部小于设定阈值;如果各相邻像素点与所述初始像素点之间的差值全部小于设定阈值,则将初始像素点与各相邻像素点记录为同一区域;否则无需记录;
判断所述k-均值聚类剖面图中的各像素点是否全部都有归属;如果各像素点全部都有归属,则提取目标边缘,获得目标图像;否则重新从记录的所述同一区域内获取任意像素点作为初始像素点,并判断8个相邻像素点与初始像素点是否属于同一区域。
6.一种探地雷达图像分割系统,其特征在于,所述系统包括:
获取模块,用于获取雷达剖面;
预处理模块,用于对所述雷达剖面进行预处理,获得预处理雷达剖面;
聚类模块,用于根据k-均值算法对所述预处理雷达剖面进行聚类,获得k-均值聚类剖面;
目标边缘提取模块,用于根据区域生长法对所述k-均值聚类剖面进行分割,提取目标边缘,获得目标图像。
7.根据权利要求6所述的探地雷达图像分割系统,其特征在于,所述预处理模块,具体包括:
对所述雷达剖面进行零线拾取、一维滤波、自动增益、数字滤波、图像去噪处理,获得预处理雷达剖面。
8.根据权利要求6所述的探地雷达图像分割系统,其特征在于,所述聚类模块,具体包括:
初始聚类中心确定单元,用于从n个数据点中获取K个初始聚类中心;
初始聚类中心距离确定单元,用于计算n-K个数据点分别到与各数据点最近的初始聚类中心的距离;
第一划分单元,用于根据距离最小原则将n-K个数据点划分到与各数据点最近的初始聚类中心;
聚类中心确定单元,用于根据各初始聚类中心内的各数据点确定聚类中心;
聚类中心距离确定单元,用于计算n个数据点分别到与各数据点最近的聚类中心的距离;
第二划分单元,用于根据距离最小原则将n个数据点划分到与各数据点最近的聚类中心;
第一判断单元,用于判断各初始聚类中心的各数据点与各聚类中心的各数据点是否相同;如果各初始聚类中心的各数据点与各聚类中心的各数据点相同,则获得k-均值聚类剖面;否则将聚类中心作为初始聚类中心,将聚类中心内的各数据点作为初始聚类中心的各数据点,重新确定聚类中心内的各数据点。
9.根据权利要求8所述的探地雷达图像分割系统,其特征在于,所述初始聚类中心确定单元,具体包括:
第一个初始聚类中心确定子单元,用于从n个数据点中任意选取一个点作为第一个初始聚类中心;
初始聚类中心距离确定子单元,用于计算剩余n-i个数据点分别到与各数据点最近的各初始聚类中心的距离,其中,i为大于等于1的整数;
第i+1个初始聚类中心确定子单元,用于根据距离最大原则选取到初始聚类中心距离最大的数据点作为第i+1个初始聚类中心;
判断子单元,用于判断i+1是否小于K;如果i+1小于K,则i=i+1,重新计算n-i个数据点分别到与各数据点最近的初始聚类中心的距离,继续选取初始聚类中心;否则获取K个初始聚类中心。
10.根据权利要求6所述的探地雷达图像分割系统,其特征在于,所述目标边缘提取模块,具体包括:
初始像素点选取单元,用于从k-均值聚类剖面选取初始像素点;
同一区域确定单元,用于以初始像素点为中心,取出与所述初始像素点相邻的8个相邻像素点,判断各相邻像素点与所述初始像素点之间的差值是否全部小于设定阈值;如果各相邻像素点与所述初始像素点之间的差值全部小于设定阈值,则将初始像素点与各相邻像素点记录为同一区域;否则无需记录;
第二判断单元,用于判断所述k-均值聚类剖面图中的各像素点是否全部都有归属;如果各像素点全部都有归属,则提取目标边缘,获得目标图像;否则重新从记录的所述同一区域内获取任意像素点作为初始像素点,并判断8个相邻像素点与初始像素点是否属于同一区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710623870.8A CN107452009A (zh) | 2017-07-27 | 2017-07-27 | 一种探地雷达图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710623870.8A CN107452009A (zh) | 2017-07-27 | 2017-07-27 | 一种探地雷达图像分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107452009A true CN107452009A (zh) | 2017-12-08 |
Family
ID=60489173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710623870.8A Pending CN107452009A (zh) | 2017-07-27 | 2017-07-27 | 一种探地雷达图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107452009A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013015A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种面向对象的遥感影像海岸线提取方法 |
-
2017
- 2017-07-27 CN CN201710623870.8A patent/CN107452009A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013015A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种面向对象的遥感影像海岸线提取方法 |
Non-Patent Citations (3)
Title |
---|
DREAMZUORA: "最大最小距离算法(K-MEANS K-medoids)聚类算法的结合运用", 《CSDN博客》 * |
李源韬: "基于K-means与区域生长的ROI图像分割算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
蒋景英 等: "一种提高人耳特征点识别度的目标区域提取方法", 《纳米技术与精密工程》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102890291B (zh) | 一种地震资料中外源干扰的自适应压制方法 | |
CN109711256B (zh) | 一种低空复杂背景无人机目标检测方法 | |
CN113628227B (zh) | 一种基于深度学习的海岸线变化分析方法 | |
CN106991370A (zh) | 基于颜色和深度的行人检索方法 | |
CN111046773B (zh) | 一种基于图像技术判定路面积滞水的方法 | |
CN110458090A (zh) | 挖掘机工作状态检测方法、装置、设备和存储介质 | |
CN103646254A (zh) | 一种高密度行人检测方法 | |
CN105704434A (zh) | 基于智能视频识别的体育场馆人群监控方法及系统 | |
CN103761522A (zh) | 基于最小外接矩形窗河道分段模型的sar图像河道提取方法 | |
CN102833492A (zh) | 一种基于颜色相似度的视频场景分割方法 | |
CN108508425B (zh) | 雷达近地背景噪声下基于邻域特征的前景目标检测方法 | |
CN110110793A (zh) | 基于双流卷积神经网络的双目图像快速目标检测方法 | |
CN106384363A (zh) | 一种快速自适应权重立体匹配算法 | |
CN105184317A (zh) | 一种基于svm分类的车牌字符分割方法 | |
Li et al. | Vehicle object detection based on rgb-camera and radar sensor fusion | |
CN105023231A (zh) | 基于视频识别和手机gps的公交数据获取方法 | |
CN104835142A (zh) | 一种基于纹理特征的车辆排队长度检测方法 | |
CN109543498A (zh) | 一种基于多任务网络的车道线检测方法 | |
CN107452009A (zh) | 一种探地雷达图像分割方法及系统 | |
CN113989718A (zh) | 面向雷达信号热图的人体目标检测方法 | |
CN104463896A (zh) | 基于核相似区分布特性的图像角点检测方法及系统 | |
Geng et al. | Multiple vehicle detection with different scales in urban surveillance video | |
CN102194224A (zh) | 一种光学遥感图像坦克群的识别方法 | |
CN116503750A (zh) | 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统 | |
CN105405124A (zh) | 基于动态处理窗口及二值区域跟踪的血管分支提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171208 |
|
RJ01 | Rejection of invention patent application after publication |