CN110910392B - 一种基于多重空间信息加权的模糊聚类的图像分割方法 - Google Patents
一种基于多重空间信息加权的模糊聚类的图像分割方法 Download PDFInfo
- Publication number
- CN110910392B CN110910392B CN201911131121.9A CN201911131121A CN110910392B CN 110910392 B CN110910392 B CN 110910392B CN 201911131121 A CN201911131121 A CN 201911131121A CN 110910392 B CN110910392 B CN 110910392B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- iteration
- calculating
- clustering
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003709 image segmentation Methods 0.000 title claims abstract description 21
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 38
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 12
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
-
- 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
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于多重空间信息加权的模糊聚类的图像分割方法，在模糊聚类的目标函数中同时考虑了图像的多种像素信息，这种方法对于具有多种未知噪声的图像具有较好的鲁棒性，在此过程中，该方法提供了两种不同的算法，首先为了确保对聚类贡献较大的空间信息能够更好地促进聚类，采用熵加权技术对参与聚类的多种空间信息进行自动加权，像素之间的距离度量采用欧几里得距离；其次考虑到噪声图像中的像素点错综复杂且往往具有线性不可分的特点，使用核方法将特征空间中的像素点映射到高维的核空间，像素之间的距离度量使用高斯核函数进行计算，并对映射后的不同图像之间的像素点进行加权。
Description
技术领域
本发明涉及噪声图像分割技术领域，具体涉及一种基于多重空间信息加权的模糊聚类的图像分割方法。
背景技术
图像分割是图像识别、计算机视觉和医学图像处理中的关键预处理步骤，主要用来将感兴趣的目标从一幅图像中分离出来，以便进行后续的目标分析和识别。图像分割的质量直接决定着特征提取、目标识别等后续操作的精确度。该领域研究至今仍未找到一个通用的分割方法，也没有能够判别分割好坏的通用标准。在过去的几十年中，该领域内涌现了大量的经典算法，这些算法大体可以分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法4类。其中，结合特定理论工具的分割方法近年来应用较广，具有代表性的是人工神经网络技术和基于模糊技术的图像分割方法(如，模糊聚类)。基于原型的聚类是将数据按其相似性划分到不同集群中的无监督方法，在一定程度上与图像分割的理论类似。K-Means等的硬聚类方法和模糊聚类方法已广泛用于图像分割，与硬聚类方法(如K-Means)相比，Fuzzy C-Means(FCM)等模糊聚类算法可以在模糊边界上获得更精确的结果。
然而，由于FCM方法只考虑每个像素的强度，这使得它对具有噪声的图像分割效率不高。为了在聚类过程中消除噪声的影响，提高分割精度，一种结合空间上下文信息的模糊聚类方法(FCM_S)别提出，在该方法中，加入了一个新的空间项来考虑窗口中相邻像素的影响。但是由于每次迭代都需要计算空间上下文信息，因此FCM_S方法需要大量的计算时间。为了加快计算速度，一种改进空间信息计算方法的FCM_S聚类算法被提出，FCM_S1方法和FCM_S2方法是其两种不同的变体，这两种方法分别利用均值滤波和中值滤波来获取空间信息。此外，为了增强FCM_S1和FCM_S2对离群值的鲁棒性，基于核方法的KFCM_S1和KFCM_S2被提出，这两个方法将原始图像数据映射到高维核空间，从而解决了数据在低维空间线性不可分的问题。然而，上述方法对不同的噪声非常敏感，对于图像信息的挖掘和利用过于单一和浅显，且在聚类参数的选择上也不够灵活。FCM_S1和KFCM_S1对有高斯噪声的图像更有效，而FCM_S2和KFCM_S2对有“椒盐”噪声的图像更有效。因此，在实际应用中这些方法的分割精度还有待进一步提高。此外，这些方法应用在同时含有多种未知噪声的图像上时分割效果较差。
发明内容
本发明为了克服以上技术的不足，提供了一种适用性强、提高对含有多种噪声的图像分割精度的基于多重空间信息加权的模糊聚类的图像分割方法。
本发明克服其技术问题所采用的技术方案是：
一种基于多重空间信息加权的模糊聚类的图像分割方法，包括如下步骤：
a)输入被分割的噪声图像，图像宽度为W，图像高度为H，图像的像素点的个数为N；
b)利用均值滤波和中值滤波对原始图像进行去噪处理，得到原始图像、均值滤波后的图像以及中值滤波后的图像；
c)将迭代计数器t设置为0，最大迭代次数T设置为100，原始图像、均值滤波后的图像以及中值滤波后的图像的像素值的范围从0-255转化为0-1，随机初始化C个聚类中心；
d)将迭代计数器t加1；
e)分别遍历原始图像、均值滤波后的图像以及中值滤波后的图像的像素值，计算每个图像中像素间的距离量度；
f)计算第k个像素点属于第i个聚类中心的隶属度uik；
g)利用聚类中心更新第i类的聚类中心vi
h)计算第t次迭代所得到的目标函数的值F(t)；
i)计算第t次迭代所得到的目标函数的值F(t)与第t-1次迭代的目标函数值F(t-1)之间的差值，如果满足||F(t)-F(t-1)||＜ε或者t＞T，则终止迭代，如果不满足则重复执行步骤d)至步骤i)，ε为迭代收敛阀值。
进一步的，步骤b)中滤波窗口设为3×3大小的方形窗口。
进一步的，步骤e)中通过计算图像中像素值与中心像素之间的欧几里得距离得到像素间的距离量度。
进一步的，步骤e)中通过公式
计算像素值与中心像素之间的核距离K(x,y)，式中x为某一像素值，y为中心像素值，σ为高斯核参数，σ＝22。
进一步的，步骤f)中通过公式
计算隶属度uik，式中xk为原始图像中第k个像素点的值，
为均值滤波后的图像中第k个像素点的值，
为中值滤波后的图像中第k个像素点的值，vi为第i类聚类中心，vj为第j类聚类中心，m为模糊参数，其中
γ为熵项参数；
步骤g)中利用公式
计算第i类的聚类中心vi；
步骤h)中利用公式
计算第t次迭代所得到的目标函数的值F(t)，wp为经步骤f)更新后的第p个图像的权重。
进一步的，步骤f)中通过公式
计算隶属度uik，式中xk为原始图像中第k个像素点的值，
为均值滤波后的图像中第k个像素点的值，
为中值滤波后的图像中第k个像素点的值，vi为第i类聚类中心，vj为第j类聚类中心，m为模糊参数，K()为核距离度量，其中
γ为熵项参数；
步骤g)中利用公式
计算第i类的聚类中心vi；
步骤h)中利用公式
计算第t次迭代所得到的目标函数的值F(t)，wp为经步骤f)更新后的第p个图像的权重。
本发明的有益效果是：在模糊聚类的目标函数中同时考虑了图像的多种像素信息(原始像素信息、均值滤波后的像素信息、中值滤波后的像素信息)，这种方法对于具有多种未知噪声的图像具有较好的鲁棒性，在此过程中，为了确保对聚类贡献较大的空间信息能够更好地促进聚类，采用熵加权技术对参与聚类的多种空间信息进行自动加权，同时考虑噪声图像中的像素点错综复杂且往往具有线性不可分的特点，采用核方法将像素点由特征空间映射到高维的核空间，并在核空间内求解像素点之间的距离度量，同样也将核空间映射后的像素点进行加权，进一步提高了图像分割的精度。同时本专利具有良好的可拓展性，所提供的目标函数可以任意的追加或更改所参与聚类的图像信息，使得能够适用不同种类的图像。
具体实施方式
下面结合对本发明做进一步说明。
一种基于多重空间信息加权的模糊聚类的图像分割方法，包括如下步骤：
a)输入被分割的噪声图像，图像宽度为W，图像高度为H，图像的像素点的个数为N；
b)利用均值滤波和中值滤波对原始图像进行去噪处理，得到原始图像、均值滤波后的图像以及中值滤波后的图像；
c)将迭代计数器t设置为0，最大迭代次数T设置为100，原始图像、均值滤波后的图像以及中值滤波后的图像的像素值的范围从0-255转化为0-1，随机初始化C个聚类中心；
d)将迭代计数器t加1；
e)分别遍历原始图像、均值滤波后的图像以及中值滤波后的图像的像素值，计算每个图像中像素间的距离量度；
f)计算第k个像素点属于第i个聚类中心的隶属度uik；
g)利用聚类中心更新第i类的聚类中心vi
h)计算第t次迭代所得到的目标函数的值F(t)；
i)计算第t次迭代所得到的目标函数的值F(t)与第t-1次迭代的目标函数值F(t-1)之间的差值，如果满足||F(t)-F(t-1)||＜ε或者t＞T，则终止迭代，如果不满足则重复执行步骤d)至步骤i)，ε为迭代收敛阀值，ε为0.00001。在模糊聚类的目标函数中同时考虑了图像的多种像素信息(原始像素信息、均值滤波后的像素信息、中值滤波后的像素信息)，这种方法对于具有多种未知噪声的图像具有较好的鲁棒性，在此过程中，为了确保对聚类贡献较大的空间信息能够更好地促进聚类，采用熵加权技术对参与聚类的多种空间信息进行自动加权，同时考虑噪声图像中的像素点错综复杂且往往具有线性不可分的特点，采用核方法将像素点由特征空间映射到高维的核空间，并在核空间内求解像素点之间的距离度量，同样也将核空间映射后的像素点进行加权，进一步提高了图像分割的精度。同时本专利具有良好的可拓展性，所提供的目标函数可以任意的追加或更改所参与聚类的图像信息，使得能够适用不同种类的图像。
步骤b)中滤波窗口设为3×3大小的方形窗口。
步骤e)中通过计算图像中像素值与中心像素之间的欧几里得距离得到像素间的距离量度。
步骤e)中通过公式
计算像素值与中心像素之间的核距离K(x,y)，式中x为某一像素值，y为中心像素值，σ为高斯核参数，σ＝22。
步骤f)中通过公式
计算隶属度uik，式中xk为原始图像中第k个像素点的值，
为均值滤波后的图像中第k个像素点的值，
为中值滤波后的图像中第k个像素点的值，vi为第i类聚类中心，vj为第j类聚类中心，m为模糊参数，m可以取值2.0，其中
γ为熵项参数，γ可以取值50；
步骤g)中利用公式
计算第i类的聚类中心vi；
步骤h)中利用公式
计算第t次迭代所得到的目标函数的值F(t)，wp为经步骤f)更新后的第p个图像的权重，wp为1/3。
步骤f)中通过公式
计算隶属度uik，式中xk为原始图像中第k个像素点的值，
为均值滤波后的图像中第k个像素点的值，
为中值滤波后的图像中第k个像素点的值，vi为第i类聚类中心，vj为第j类聚类中心，m为模糊参数，m可以取值2.0，K()为核距离度量，其中
γ为熵项参数，γ可以取值50；
步骤g)中利用公式
计算第i类的聚类中心vi；
步骤h)中利用公式
计算第t次迭代所得到的目标函数的值F(t),wp为经步骤f)更新后的第p个图像的权重，初始状态，即t为0时的权重wp为1/3。
Claims (4)
1.一种基于多重空间信息加权的模糊聚类的图像分割方法，其特征在于，包括如下步骤：
a)输入被分割的噪声图像，图像宽度为W，图像高度为H，图像的像素点的个数为N；
b)利用均值滤波和中值滤波对原始图像进行去噪处理，得到原始图像、均值滤波后的图像以及中值滤波后的图像；
c)将迭代计数器t设置为0，最大迭代次数T设置为100，原始图像、均值滤波后的图像以及中值滤波后的图像的像素值的范围从0-255转化为0-1，随机初始化C个聚类中心；
d)将迭代计数器t加1；
e)分别遍历原始图像、均值滤波后的图像以及中值滤波后的图像的像素值，计算每个图像中像素间的距离量度；
f)计算第k个像素点属于第i个聚类中心的隶属度uik；
g)利用聚类中心更新第i类的聚类中心vi
h)计算第t次迭代所得到的目标函数的值F(t)；
i)计算第t次迭代所得到的目标函数的值F(t)与第t-1次迭代的目标函数值F(t-1)之间的差值，如果满足||F(t)-F(t-1)||＜ε或者t＞T，则终止迭代，如果不满足则重复执行步骤d)至步骤i)，ε为迭代收敛阀值；
步骤e)中通过计算图像中像素值与中心像素之间的欧几里得距离得到像素间的距离量度；
步骤f)中通过公式
计算隶属度uik，式中xk为原始图像中第k个像素点的值，
为均值滤波后的图像中第k个像素点的值，
为中值滤波后的图像中第k个像素点的值，vi为第i类聚类中心，vj为第j类聚类中心，m为模糊参数，其中
γ为熵项参数；
步骤g)中利用公式
计算第i类的聚类中心vi；
步骤h)中利用公式
计算第t次迭代所得到的目标函数的值F(t)，wp为经步骤f)更新后的第p个图像的权重。
2.根据权利要求1所述的基于多重空间信息加权的模糊聚类的图像分割方法，其特征在于：步骤b)中滤波窗口设为3×3大小的方形窗口。
3.一种基于多重空间信息加权的模糊聚类的图像分割方法，其特征在于，包括如下步骤：
a)输入被分割的噪声图像，图像宽度为W，图像高度为H，图像的像素点的个数为N；
b)利用均值滤波和中值滤波对原始图像进行去噪处理，得到原始图像、均值滤波后的图像以及中值滤波后的图像；
c)将迭代计数器t设置为0，最大迭代次数T设置为100，原始图像、均值滤波后的图像以及中值滤波后的图像的像素值的范围从0-255转化为0-1，随机初始化C个聚类中心；
d)将迭代计数器t加1；
e)分别遍历原始图像、均值滤波后的图像以及中值滤波后的图像的像素值，计算每个图像中像素间的距离量度；
f)计算第k个像素点属于第i个聚类中心的隶属度uik；
g)利用聚类中心更新第i类的聚类中心vi
h)计算第t次迭代所得到的目标函数的值F(t)；
i)计算第t次迭代所得到的目标函数的值F(t)与第t-1次迭代的目标函数值F(t-1)之间的差值，如果满足||F(t)-F(t-1)||＜ε或者t＞T，则终止迭代，如果不满足则重复执行步骤d)至步骤i)，ε为迭代收敛阀值；
步骤e)中通过公式
计算像素值与中心像素之间的核距离K(x,y)，式中x为某一像素值，y为中心像素值，σ为高斯核参数，σ＝22；步骤f)中通过公式
计算隶属度uik，式中xk为原始图像中第k个像素点的值，
为均值滤波后的图像中第k个像素点的值，
为中值滤波后的图像中第k个像素点的值，vi为第i类聚类中心，vj为第j类聚类中心，m为模糊参数，K()为核距离度量，其中
γ为熵项参数；
步骤g)中利用公式
计算第i类的聚类中心vi；
步骤h)中利用公式
计算第t次迭代所得到的目标函数的值F(t)，wp为经步骤f)更新后的第p个图像的权重。
4.根据权利要求3所述的基于多重空间信息加权的模糊聚类的图像分割方法，其特征在于：步骤b)中滤波窗口设为3×3大小的方形窗口。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911131121.9A CN110910392B (zh) | 2019-11-18 | 2019-11-18 | 一种基于多重空间信息加权的模糊聚类的图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911131121.9A CN110910392B (zh) | 2019-11-18 | 2019-11-18 | 一种基于多重空间信息加权的模糊聚类的图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110910392A CN110910392A (zh) | 2020-03-24 |
| CN110910392B true CN110910392B (zh) | 2023-04-18 |
Family
ID=69817773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911131121.9A Active CN110910392B (zh) | 2019-11-18 | 2019-11-18 | 一种基于多重空间信息加权的模糊聚类的图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110910392B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117710385B (zh) * | 2024-02-05 | 2024-05-10 | 山东建筑大学 | 基于层次化多轮驱动模糊聚类的图像分割方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018086000A1 (en) * | 2016-11-09 | 2018-05-17 | Edan Instruments, Inc. | Systems and methods for ultrasound imaging |
| CN109145921A (zh) * | 2018-08-29 | 2019-01-04 | 江南大学 | 一种基于改进的直觉模糊c均值聚类的图像分割方法 |
| WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
| CN110288582A (zh) * | 2019-06-26 | 2019-09-27 | 电子科技大学 | 一种细胞核的准确分割方法 |
-
2019
- 2019-11-18 CN CN201911131121.9A patent/CN110910392B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018086000A1 (en) * | 2016-11-09 | 2018-05-17 | Edan Instruments, Inc. | Systems and methods for ultrasound imaging |
| WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
| CN109145921A (zh) * | 2018-08-29 | 2019-01-04 | 江南大学 | 一种基于改进的直觉模糊c均值聚类的图像分割方法 |
| CN110288582A (zh) * | 2019-06-26 | 2019-09-27 | 电子科技大学 | 一种细胞核的准确分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李阳 ; 庞永杰 ; 盛明伟 ; .结合空间信息的模糊聚类侧扫声纳图像分割.中国图象图形学报.2015,第20卷(第07期),865-870. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110910392A (zh) | 2020-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
| CN110211126B (zh) | 基于直觉模糊c均值聚类的图像分割方法 | |
| CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
| CN111369597B (zh) | 一种基于多特征融合的粒子滤波目标跟踪方法 | |
| CN108765332B (zh) | 一种椭圆搜索窗口和参数自适应的非局部均值去噪方法 | |
| CN107169962B (zh) | 基于空间密度约束核模糊聚类的灰度图像快速分割方法 | |
| CN107590427B (zh) | 基于时空兴趣点降噪的监控视频异常事件检测方法 | |
| CN103761726B (zh) | 基于fcm的分块自适应图像分割方法 | |
| CN105741279A (zh) | 基于粗糙集的快速抑制模糊聚类的图像分割方法 | |
| CN109801305B (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
| CN109544603B (zh) | 基于深度迁移学习的目标跟踪方法 | |
| CN107742297B (zh) | 一种三维ct图像的局部三维最大类间方差分割方法 | |
| CN104616319B (zh) | 基于支持向量机的多特征选择目标跟踪方法 | |
| CN106600610B (zh) | 一种fcm图像分割方法及装置 | |
| CN110503140B (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
| CN109712149B (zh) | 一种基于小波能量和模糊c均值的图像分割方法 | |
| CN109829519B (zh) | 基于自适应空间信息的遥感图像分类方法及系统 | |
| CN106157330A (zh) | 一种基于目标联合外观模型的视觉跟踪方法 | |
| CN112990314A (zh) | 基于改进孤立森林算法的高光谱图像异常检测方法及装置 | |
| CN112508963A (zh) | 一种基于模糊c均值聚类的sar图像分割方法 | |
| CN110473224B (zh) | 一种基于kl熵的rsf水平集图像自动分割方法 | |
| CN104915951B (zh) | 一种点刻式dpm二维码区域定位方法 | |
| CN111241979B (zh) | 一种基于图像特征标定的实时障碍物检测方法 | |
| CN110910392B (zh) | 一种基于多重空间信息加权的模糊聚类的图像分割方法 | |
| CN115049828A (zh) | 基于自调整谱聚类和熵权法的水下声呐图像目标分割方法 |
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 |