CN107545573A - 一种基于模态mrf随机场的水下前视声纳图像分割方法 - Google Patents
一种基于模态mrf随机场的水下前视声纳图像分割方法 Download PDFInfo
- Publication number
- CN107545573A CN107545573A CN201610473780.0A CN201610473780A CN107545573A CN 107545573 A CN107545573 A CN 107545573A CN 201610473780 A CN201610473780 A CN 201610473780A CN 107545573 A CN107545573 A CN 107545573A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- msub
- potts
- sigma
- 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
Abstract
本发明涉及一种基于模态MRF随机场的水下前视声纳图像分割方法。本发明的核心是利用模态Potts网络对图像进行建模和分割。具体步骤包括:初始化Potts态;用EM算法估计类条件参数;每个Potts单元根据热浴动力进行更新,Potts单元的内场满足Markov依赖,Potts的外场是像素的类条件概率的对数;更新Potts单元之间的交互参数,以及Potts单元与外场之间的交互参数;根据参数的收敛程度判断是否退出。本发明采用基于热浴动力的Potts网络进行图像分割,符合大脑的认知机制;本发明在去除斑块噪声的同时能几乎完美的保留目标的边缘信息。
Description
技术领域
本发明属于水下声纳图像处理领域,具体说是一种基于模态Markov随机场的前视声纳图像分割方法。
背景技术
水下机器人是探索水下未知环境、执行水下特定任务的载体。由于光电信号在海水中的作用距离十分有限,声纳就成为了水下机器人感知水下环境的基本必备工具。声纳图像在海洋环境监测、海底资源勘探、水声情报搜集和协助水下工程作业等方面发挥着非常重要的角色。而其中,前视声纳是近距离调查和作业的首选工具。
然而,受到水体的反射和声波的散射等因素的干扰,前视声纳图像中包含大量的斑块噪声。因此,前视声纳图像处理的最大难点在于如何在去除斑块噪声的同时尽可能的保留目标区域的完整轮廓信息。
Markov随机场模型(Markov random field,MRF)和基于均值场近似的期望最大算法(Expectation-Maximization with Mean-Field approximation,EMMF)算法在声纳图像中取得了不错的效果。但是,却存在如下的缺点:(1)MRF模型处理斑块噪声的能力有限,在绝大多数情况下都需要进行形态学后处理去除先验概率较大的噪声。(2)EMMF算法虽然具有较好的平滑效果,但是却存在过平滑的现象,会丢失大量的轮廓信息。
发明内容
本发明目的是提供一种水下前视声纳图像分割方法,在去除斑块噪声的同时尽可能的保留目标区域的轮廓信息。
本发明为实现上述目的所采用的技术方案是:一种基于模态MRF随机场的水下前视声纳图像分割方法,包括以下步骤:
1)采用模糊C均值聚类算法对声纳图像进行聚类得到隶属度矩阵,并用隶属度矩阵初始化当前图像每个Potts单元的激活向量Q为Potts单元的状态数即类的个数,i为像素序号;
2)设置交互参数的当前学习速率η0为设定的初始学习速率,t为当前迭代次数;
3)采用期望最大算法估计条件参数Θk~(πk;μk,∑k);
4)根据热浴动力更新Potts单元;
5)根据热平衡原理更新交互参数;返回步骤3),直到交互参数的变化量Δβ≤ε且Δλ≤ε为止,ε为常数,此时得到的图像为分割后的图像。
所述采用期望最大算法估计条件参数Θk~(πk;μk,∑k)包括以下步骤:
(1)计算每个像素xi=1,...,H×W属于每个类k=1,...,Q的概率:
其中,πk为先验概率,μk为均值,∑k为方差;f(xi|Θk)是第i个Potts单元属于第k个类的概率,服从高斯分布;H和W分别为图像的高度和宽度;
(2)根据似然概率最大求取条件参数:
像素的个数N=HW。
所述根据热浴动力更新Potts单元通过下式得到:
其中,局部场包括内场和外场
内场和外场分别为
其中,λ是Potts单元的外场的权重,β是Potts单元之间的交互权重;表示第i个Potts单元位于状态k时的概率,表示第j个Potts单元位于状态l时的概率;ci表示第i个Potts单元的邻域,j∈ci表示第i个Potts单元的邻域中的第j个Potts单元;f(xi|Θk)是第i个Potts单元属于第k个类的概率,δkl是Kronecker函数,且
所述根据热平衡原理更新交互参数包括以下步骤:
分别求取Potts单元之间的交互权重β和Potts单元的外场的权重λ的变化量:
将两个变化量分别与上次的β、λ相加得到当前的交互参数。
本发明具有以下有益效果及优点:
1.本发明采用基于热浴动力的Potts网络进行图像分割,符合大脑的认知机制。
2.本发明指出外场和类条件概率的对数成正比,并根据Markov链采样的原理得出交互参数的学习公式。从图5可以看出算法能够快速的收敛。
3.本发明在去除斑块噪声的同时能几乎完美的保留目标的边缘信息,如图6所示。这表明,本发明对于水下前视声纳图像具有较好的分割效果。当然,本发明也可用于分割其它包含强斑块噪声的图像。
附图说明
图1为本发明的前视声纳图像;
图2为FCM分割的结果图像;
图3为Potts网络的内场和外场示意图;
图4为系统的平衡态结果图;
图5为交互参数学习的过程曲线图;
图6为本发明分割的结果图像;
图7为MRF分割的结果图像;
图8为EMMF分割的结果图像;
图9为本发明的方法流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
如图9所示,一种基于模态Markov随机场的前视声纳图像分割方法,包括如下步骤:
算法输入:前视声纳图像X={xi}i=1,...,H×W(如图1所示),其中xi表示第i个像素的灰度值,H和W分别为图像的高度和宽度。
算法输出:类别矩阵L={li}i=1,...,H×W;li表示第i个像素的类别。
步骤一:设定Potts单元的状态数Q,并用变量q表示任意状态,即q=1,...,Q。对于前视声纳图像,一般将Q设定为2或3。
步骤二:Potts网络初始化。利用模糊C均值聚类(Fuzzy C-Means,FCM)算法对声纳图像进行聚类,其中聚类的个数即为Potts单元的状态数。聚类的结果是一个维度为3的隶属度矩阵其中表示第i个像素对应的隶属度向量,且向量的长度为Q。对于每个像素i,用隶属度向量初始化对应的Potts单元的激活向量为了可视化隶属度矩阵,可以将其转化为一个二维矩阵。即,对每个像素所对应的隶属度向量取最大值,然后将最大值所对应的类作为灰度(参考步骤八),这样可以得到一个灰度级为Q的二维矩阵(即初步的分割结果),如图2所示。
步骤三:设置交互权重(λ和β)的当前学习速率其中,t表示第t次迭代,η0为初始学习速率,可设为1。λ是Potts单元的外场的权重,β是Potts单元内场的交互权重,二者使用相同的学习速率。
步骤四:条件参数估计。声纳图像每个类的像素都近似服从Gauss分布;第k个Gauss分布的参数集为Θk=(πk;μk,Σk)。用f(xi|Θk)表示第i个像素属于第k个Gauss分布的条件概率,
本步骤估计每个类的先验概率πk、均值μk和方差Σk。采用期望最大算法(Expectation-Maxmization,EM)估计条件参数。
(1)期望步:计算每个像素xi=1,...,H×W属于每个类k=1,...,Q的概率;
(2)最大化:根据似然最大(Maximum Likelihood,ML)求取条件参数。
N=H*W为图像中像素的个数。
步骤五:Potts态更新。根据热浴动力更新每个Potts网络的状态:
局部场包括内场和外场k=1,...,Q,
内场和外场之间的关系如图3所示,且分别为:
其中,λ是Potts单元的外场的权重,β是Potts单元之间的交互权重,即Markov随机场中的热温度;表示第i个Potts单元位于状态k时的概率,表示第j个Potts单元位于状态l时的概率;ci表示第i个Potts单元的邻域,j∈ci表示第i个Potts单元的邻域中的第j个Potts单元;f(xi|Θk)是第i个Potts单元属于第k个类的概率。δkl是Kronecker函数,且
步骤六:交互参数学习。上一步等价于对外场进行更新。在新的外场下Potts系统要想实现平衡,需要根据平衡态对系统的交互参数λ和β作出调整。为了学习交互参数,本发明设计了一个目标函数即Potts单元的状态更新之后与更新之前的能量差的平方。也就是说,本发明中的热平衡态定义为系统能量不再变化时Potts网络的状态(如图4所示)。根据目标函数最小化和梯度下降的原理可以推导出内场交互和外场交互参数的变化量为:
步骤七:决定算法是否满足终止条件。如果内场交互参数变化量Δβ≤ε且外场交互参数变化量Δλ≤ε,则退出循环,转步骤八;否则转步骤三。其中,ε是某个非常小的常数,可设0~0.1,如ε=0.05。
步骤八:计算每个像素的类别,
输出最终的类别矩阵
图5和图6分别是交互参数的学习过程和最后的分割结果。作为对本发明的优势的说明和支持,图7和图8给出了Markov随机场和基于均值场的EM算法的分割结果。
Claims (4)
1.一种基于模态MRF随机场的水下前视声纳图像分割方法,其特征在于包括以下步骤:
1)采用模糊C均值聚类算法对声纳图像进行聚类得到隶属度矩阵,并用隶属度矩阵初始化当前图像每个Potts单元的激活向量Q为Potts单元的状态数即类的个数,i为像素序号;
2)设置交互参数的当前学习速率η0为设定的初始学习速率,t为当前迭代次数;
3)采用期望最大算法估计条件参数Θk~(πk;μk,∑k);
4)根据热浴动力更新Potts单元;
5)根据热平衡原理更新交互参数;返回步骤3),直到交互参数的变化量Δβ≤ε且Δλ≤ε为止,ε为常数,此时得到的图像为分割后的图像。
2.根据权利要求1所述的一种基于模态MRF随机场的水下前视声纳图像分割方法,其特征在于所述采用期望最大算法估计条件参数Θk~(πk;μk,∑k)包括以下步骤:
(1)计算每个像素xi=1,...,H×W属于每个类k=1,...,Q的概率:
<mrow>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&pi;</mi>
<mi>k</mi>
</msub>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mi>&mu;</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&Sigma;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</munderover>
<msub>
<mi>&pi;</mi>
<mi>q</mi>
</msub>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mi>&mu;</mi>
<mi>q</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&Sigma;</mi>
<mi>q</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,πk为先验概率,μk为均值,∑k为方差;f(xi|Θk)是第i个Potts单元属于第k个类的概率,服从高斯分布;H和W分别为图像的高度和宽度;
(2)根据似然概率最大求取条件参数:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&pi;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mi>i</mi>
</munder>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&mu;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>N&pi;</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mi>i</mi>
</munder>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>N&pi;</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mi>i</mi>
</munder>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
像素的个数N=HW。
3.根据权利要求1所述的一种基于模态MRF随机场的水下前视声纳图像分割方法,其特征在于所述根据热浴动力更新Potts单元通过下式得到:
<mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msup>
<mi>e</mi>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
</msup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</munderover>
<msup>
<mi>e</mi>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
</msup>
</mrow>
</mfrac>
</mrow>
其中,局部场包括内场和外场
<mrow>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>I</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&lambda;O</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
</mrow>
内场和外场分别为
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>I</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mi>&beta;</mi>
<mstyle>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
</mstyle>
<mstyle>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</munderover>
</mstyle>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>k</mi>
<mi>l</mi>
</mrow>
</msub>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<msubsup>
<mi>&sigma;</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>O</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mi> </mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mi>&Theta;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,λ是Potts单元的外场的权重,β是Potts单元之间的交互权重;表示第i个Potts单元位于状态k时的概率,表示第j个Potts单元位于状态l时的概率;ci表示第i个Potts单元的邻域,j∈ci表示第i个Potts单元的邻域中的第j个Potts单元;f(xi|Θk)是第i个Potts单元属于第k个类的概率,δkl是Kronecker函数,且
<mrow>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>k</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>l</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>k</mi>
<mo>&NotEqual;</mo>
<mi>l</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
4.根据权利要求1所述的一种基于模态MRF随机场的水下前视声纳图像分割方法,其特征在于所述根据热平衡原理更新交互参数包括以下步骤:
分别求取Potts单元之间的交互权重β和Potts单元的外场的权重λ的变化量:
<mrow>
<mi>&Delta;</mi>
<mi>&beta;</mi>
<mo>=</mo>
<mi>&eta;</mi>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<mo>&lsqb;</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>&rsqb;</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>I</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</munderover>
<msubsup>
<mi>I</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mi>&Delta;</mi>
<mi>&lambda;</mi>
<mo>=</mo>
<mi>&eta;</mi>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<mo>&lsqb;</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>&rsqb;</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>O</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</munderover>
<msubsup>
<mi>O</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
将两个变化量分别与上次的β、λ相加得到当前的交互参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610473780.0A CN107545573B (zh) | 2016-06-27 | 2016-06-27 | 一种基于模态mrf随机场的水下前视声纳图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610473780.0A CN107545573B (zh) | 2016-06-27 | 2016-06-27 | 一种基于模态mrf随机场的水下前视声纳图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107545573A true CN107545573A (zh) | 2018-01-05 |
CN107545573B CN107545573B (zh) | 2021-03-16 |
Family
ID=60961256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610473780.0A Expired - Fee Related CN107545573B (zh) | 2016-06-27 | 2016-06-27 | 一种基于模态mrf随机场的水下前视声纳图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107545573B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460773A (zh) * | 2018-02-28 | 2018-08-28 | 哈尔滨工程大学 | 一种基于偏移场水平集的声纳图像分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080101678A1 (en) * | 2006-10-25 | 2008-05-01 | Agfa Healthcare Nv | Method for Segmenting Digital Medical Image |
CN103577826A (zh) * | 2012-07-25 | 2014-02-12 | 中国科学院声学研究所 | 合成孔径声纳图像的目标特征提取方法和识别方法及提取装置和识别系统 |
CN103761726A (zh) * | 2013-12-25 | 2014-04-30 | 河海大学 | 基于fcm的分块自适应图像分割方法 |
-
2016
- 2016-06-27 CN CN201610473780.0A patent/CN107545573B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080101678A1 (en) * | 2006-10-25 | 2008-05-01 | Agfa Healthcare Nv | Method for Segmenting Digital Medical Image |
CN103577826A (zh) * | 2012-07-25 | 2014-02-12 | 中国科学院声学研究所 | 合成孔径声纳图像的目标特征提取方法和识别方法及提取装置和识别系统 |
CN103761726A (zh) * | 2013-12-25 | 2014-04-30 | 河海大学 | 基于fcm的分块自适应图像分割方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460773A (zh) * | 2018-02-28 | 2018-08-28 | 哈尔滨工程大学 | 一种基于偏移场水平集的声纳图像分割方法 |
CN108460773B (zh) * | 2018-02-28 | 2022-03-18 | 哈尔滨工程大学 | 一种基于偏移场水平集的声纳图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107545573B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635917B (zh) | 一种多智能体合作决策及训练方法 | |
Jogin et al. | Feature extraction using convolution neural networks (CNN) and deep learning | |
Mohandes et al. | Support vector machines for wind speed prediction | |
CN110097060B (zh) | 一种面向树干图像的开集识别方法 | |
CN104537891B (zh) | 一种船舶轨迹实时预测方法 | |
CN105809201A (zh) | 一种生物启发式自主提取图像语义概念的识别方法及装置 | |
CN111401565B (zh) | 一种基于机器学习算法XGBoost的DOA估计方法 | |
CN111401226B (zh) | 一种辐射源快速识别方法 | |
CN112347930B (zh) | 基于自学习半监督深度神经网络高分影像场景分类方法 | |
CN110018675A (zh) | 基于lwdnn-arx模型的非线性系统建模方法 | |
CN116580029B (zh) | 铝合金铸造成品的质检管控系统及其方法 | |
Atcheson et al. | Gaussian process regression for continuous emotion recognition with global temporal invariance | |
CN109448024B (zh) | 利用深度数据构建约束相关滤波器的视觉跟踪方法、系统 | |
CN110471768A (zh) | 一种基于fastPCA-ARIMA的负载预测方法 | |
CN114693923A (zh) | 一种基于上下文和注意力的三维点云语义分割方法 | |
CN112835884B (zh) | 一种海洋渔场渔情预报系统中的缺失数据填补方法及系统 | |
CN107545573A (zh) | 一种基于模态mrf随机场的水下前视声纳图像分割方法 | |
CN106295677A (zh) | 一种联合拉斯正则项和特征自学习的水流图像分簇方法 | |
CN110717402B (zh) | 一种基于层级优化度量学习的行人再识别方法 | |
Hosseinpour et al. | An adaptive fuzzy logic controller for intelligent drying | |
Gunawan et al. | Long Short-Term Memory Approach for Predicting Air Temperature In Indonesia | |
Chen et al. | An adaptive PNN-DS approach to classification using multi-sensor information fusion | |
Deng et al. | View-invariant gait recognition based on deterministic learning and knowledge fusion | |
CN111078820B (zh) | 基于权重符号社交网络嵌入的边权预测方法 | |
CN111160161B (zh) | 一种基于噪声剔除的自步学习人脸年龄估计方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210316 |