CN111754501B - 基于fcm算法的自适应土壤图像阴影检测方法 - Google Patents
基于fcm算法的自适应土壤图像阴影检测方法 Download PDFInfo
- Publication number
- CN111754501B CN111754501B CN202010619404.4A CN202010619404A CN111754501B CN 111754501 B CN111754501 B CN 111754501B CN 202010619404 A CN202010619404 A CN 202010619404A CN 111754501 B CN111754501 B CN 111754501B
- Authority
- CN
- China
- Prior art keywords
- component
- image
- clustering center
- soil
- soil image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的一种基于FCM算法的自适应土壤图像阴影检测方法,包括:确定土壤图像的I分量和L分量的聚类中心;构建改进FCM算法优化模型:采用拉格朗日乘子法将改进FCM算法优化模型转换;转换后的优化模型分别对uij,vi和λj求偏导并令偏导等于零,解出uij和vi,根据步骤S4得出的隶属度uij以及聚类中心vi构建隶属度矩阵U和聚类中心矩阵V,并构建吸引权重矩阵F;初始化聚类中心矩阵V、L分量图像和I分量图像;找出聚类中心值最小的聚类中心,该聚类中心为土壤图像的阴影的聚类中心v_shadow,并提取出隶属于聚类中心为v_shadow的数据点,即为土壤图像的阴影数据点;能够对土壤图像中的阴影做出准确检测,确保检测精度,效率高。
Description
技术领域
本发明涉及一种图像处理方法,尤其涉及一种基于FCM算法的自适应土壤图像阴影检测方法。
背景技术
土壤自然断口包含重要的土种识别特征,是对土壤的土种鉴别的最重要的特征识别点,在土壤自然断口的识别时往往通过土壤图像进行,而在获取土壤图像时,土壤自然断口由于存在凹凸不平的现象,从而导致图像中会出现阴影,因此,需要对土壤图像的阴影进行检测并在后期进行阴影消除,从而保证土种识别的准确性,现有技术中,对于土壤图像阴影的检测精度低,而且算法过程复杂。
因此,为了解决上述技术问题,亟需提出一种新的技术手段。
发明内容
有鉴于此,本发明的目的是提供一种基于FCM算法的自适应土壤图像阴影检测方法,能够对土壤图像中的阴影做出准确检测,确保检测精度,而且整个过程简单,易于实施。
本发明提供的一种基于FCM算法的自适应土壤图像阴影检测方法,包括如下步骤:
S1.确定土壤图像的I分量和L分量的聚类中心;
S2.构建改进FCM算法优化模型:
其中,uij表示图像数据点xj隶属于聚类中心vi的隶属度,vi表示第i类的聚类中心;m为模糊加权数,Fi表示第i类的吸引权重,||xj-vi||表示图像数据点xj与聚类中心vi的欧式距离;
S3.采用拉格朗日乘子法将改进FCM算法优化模型转换为:
其中,λj拉格朗日乘子;
S4.步骤S3中的转换后的优化模型分别对uij,vi和λj求偏导并令偏导等于零,解出uij和vi:
其中,c为聚类数;
S5.根据步骤S4得出的隶属度uij以及聚类中心vi构建隶属度矩阵U和聚类中心矩阵V,并构建吸引权重矩阵F,其中,F={F1,F2,···,Fi,···,Fc};
S6.初始化聚类中心矩阵V、L分量图像和I分量图像;
更新隶属度矩阵U、聚类中心矩阵V以及吸引权重矩阵F,直至各聚类中心的变化值小于设定阈值δ或者达到最大迭代次数T;
S7.找出聚类中心值最小的聚类中心,该聚类中心为土壤图像的阴影的聚类中心v_shadow,并提取出隶属于聚类中心为v_shadow的数据点,即为土壤图像的阴影数据点。
进一步,步骤S1中,根据如下方法确定土壤图像的I分量和L分量的聚类中心:
S11.统计土壤图像的L分量和I分量的直方图:
s.t.f={L,I}
S12.确定土壤图像的L分量和I分量的直方图峰值集合:
Speaks (f)={k|histf(k)>histf(k-1),
histf(k)>histf(k+1)};
分别将土壤图像的L分量和I分量的峰值集合中的元素从小到大进行排列,将土壤图像的L分量和I分量的峰值集合长度较短的峰值集合赋值为S1,将土壤图像的L分量和I分量的峰值集合长度较长的峰值集合赋值为S2,其中,histf(k-1)为图像在f分量下灰度值为k-1的频数,histf(k+1)为图像在f分量下灰度值为k+1的频数;
S13.构建峰值集合截断对齐模型:
s.t.1≤a≤len(S2)-len(S1)+1,a∈N*;其中,len(.)为集合长度,S1(a)为S1的第a个元素,S1(b)为S1的第b个元素,S2(a+b)为S2的第a+b个元素,λ为比例系数;
截取S2的a*到a*+len(S1)-1元素,将S1、S2对应赋值回L和I分量峰值集合Speaks (L)和Speaks (I);
S14.对步骤S13中的峰值集合Speaks (L)和Speaks (I)中的灰度点以及灰度点在原分量直方图中的频数进行提取,然后组成新的L分量子直方图和I分量子直方图,对新的子直方图进行高斯平滑处理并进行迭代计算,直到新的子直方图剩余两个峰值点{L1,L2}和{I1,I2}为止,将点集V={(L1,I1),(L2,I2)}作为聚类中心。
进一步,步骤S13中,根据如下方法确定比例系数λ:
其中:I(r,g,b)和L(r,g,b)表示RGB颜色空间下R=r,G=g,B=b时I与L分量值。
进一步,步骤S4中,根据如下方法确定吸引权重Fi:
其中,widthi和heighti为第i类聚类中心的宽和高,xj (k)为xj的第k个特征值,k=1,2;ρi为第i类的全局密度,CSi为第i类的类面积。
本发明的有益效果:通过本发明,能够对土壤图像中的阴影做出准确检测,确保检测精度,而且整个过程简单,效率高,易于实施。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的流程图。
图2为本发明的算法与现有算法对于土壤图像阴影检测结果对比图。
图3为本发明的算法与现有算法迭代次数对比图。
图4为本发明的算法与现有算法耗时对比图。
具体实施方式
以下结合说明书附图对本发明做出进一步向详细说明:
本发明提供的一种基于FCM算法的自适应土壤图像阴影检测方法,包括如下步骤:
S1.确定土壤图像的I分量和L分量的聚类中心;
S2.构建改进FCM算法优化模型:
其中,uij表示图像数据点xj隶属于聚类中心vi的隶属度,vi表示第i类的聚类中心;m为模糊加权数,Fi表示第i类的吸引权重,||xj-vi||表示图像数据点xj与聚类中心vi的欧式距离;
S3.采用拉格朗日乘子法将改进FCM算法优化模型转换为:
其中,λj拉格朗日乘子;
S4.步骤S3中的转换后的优化模型分别对uij,vi和λj求偏导并令偏导等于零,解出uij和vi:
其中,c为聚类数;
S5.根据步骤S4得出的隶属度uij以及聚类中心vi构建隶属度矩阵U和聚类中心矩阵V,并构建吸引权重矩阵F,其中,F={F1,F2,···,Fi,···,Fc};
S6.初始化聚类中心矩阵V、L分量图像和I分量图像;
更新隶属度矩阵U、聚类中心矩阵V以及吸引权重矩阵F,直至各聚类中心的变化值小于设定阈值δ或者达到最大迭代次数T;
S7.找出聚类中心值最小的聚类中心,该聚类中心为土壤图像的阴影的聚类中心v_shadow,并提取出隶属于聚类中心为v_shadow的数据点,即为土壤图像的阴影数据点;通过本发明,能够对土壤图像中的阴影做出准确检测,确保检测精度,而且整个过程简单,效率高,易于实施,其中L分量为LAB颜色空间的L分量(即LAB颜色空间的亮度分量),I分量为HSI颜色空间的I分量(即HIS颜色空间的强度分量)。
本实施例中,步骤S1中,根据如下方法确定土壤图像的I分量和L分量的聚类中心:
S11.统计土壤图像的L分量和I分量的直方图:
s.t.f={L,I}
S12.确定土壤图像的L分量和I分量的直方图峰值集合:
Speaks (f)={k|histf(k)>histf(k-1),
histf(k)>histf(k+1)};
分别将土壤图像的L分量和I分量的峰值集合中的元素从小到大进行排列,将土壤图像的L分量和I分量的峰值集合长度较短的峰值集合赋值为S1,将土壤图像的L分量和I分量的峰值集合长度较长的峰值集合赋值为S2,其中,histf(k-1)为图像在f分量下灰度值为k-1的频数,histf(k+1)为图像在f分量下灰度值为k+1的频数;
S13.构建峰值集合截断对齐模型:
s.t.1≤a≤len(S2)-len(S1)+1,a∈N*;其中,len(.)为集合长度,S1(a)为S1的第a个元素,S1(b)为S1的第b个元素,S2(a+b)为S2的第a+b个元素,λ为比例系数;
截取S2的a*到a*+len(S1)-1元素,将S1、S2对应赋值回L和I分量峰值集合Speaks (L)和Speaks (I);
S14.对步骤S13中的峰值集合Speaks (L)和Speaks (I)中的灰度点以及灰度点在原分量直方图中的频数进行提取,然后组成新的L分量子直方图和I分量子直方图,对新的子直方图进行高斯平滑处理并进行迭代计算,该高斯平滑处理以及迭代计算为现有算法,直到新的子直方图剩余两个峰值点{L1,L2}和{I1,I2}为止,将点集V={(L1,I1),(L2,I2)}作为聚类中心。
具体地,步骤S13中,根据如下方法确定比例系数λ:
其中:I(r,g,b)和L(r,g,b)表示RGB颜色空间下R=r,G=g,B=b时I与L分量值。
步骤S4中,根据如下方法确定吸引权重Fi:
其中,其中,widthi和heighti为第i类聚类中心的宽和高,xj (k)为xj的第k个特征值,k=1,2;ρi为第i类的全局密度,CSi为第i类的类面积。
以下以具体实例进一步说明:
如图2所示:本发明的算法和FLICM算法基本能检测出土壤的阴影区域,且对离散的小阴影块、点的分割提取具有鲁棒性。FCM_S1算法、FCM_S2算法和FCMS_MLI算法易受碎片状离散阴影的干扰,无法实现对较小的离散阴影的检测,且对大面积阴影边界的分割提取精度较低。
如图3所示:本发明的算法迭代次数较少,本发明的算法收敛速度较快。其中FCM_S1、FCM_S2、FLICM、FCMS_MLI算法针对不同样本收敛次数易出现抖动,收敛次数易受样本阴影形态影响,不稳定;本发明的算法在不同组样本下的迭代次数较为稳定。
图4所示:对于FCM_S1算法和FCM_S2算法首先需要对图像进行均值滤波和中值滤波,且相比本发明的算法迭代次数较多,因此算法时间花销较大。对于FLICM算法和FCMS_MLI算法在迭代优化的过程中引入了邻域信息和空间位置信息,且FCMS_MLI算法在迭代更新过程中运用隶属度矩阵局部信息(Membership matrix local information,MLI)修正隶属度矩阵,导致算法的时间复杂度上升,时间花销较大。虽然本发明的算法优化过程中需迭代更新吸引权重F,但本发明的算法总体迭代次数相对较少,收敛速度更快,本发明的算法的平均时间花销相比对比算法更低。图2-图4中的本文算法即为本发明算法。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于FCM算法的自适应土壤图像阴影检测方法,其特征在于:包括如下步骤:
S1.确定土壤图像的I分量和L分量的聚类中心,其中,L分量为LAB颜色空间的亮度分量,I分量为HIS颜色空间的强度分量;
S2.构建改进FCM算法优化模型:
其中,uij表示图像数据点xj隶属于聚类中心vi的隶属度,vi表示第i类的聚类中心;m为模糊加权数,Fi表示第i类的吸引权重,||xj-vi||表示图像数据点xj与聚类中心vi的欧式距离;
S3.采用拉格朗日乘子法将改进FCM算法优化模型转换为:
其中,λj拉格朗日乘子;
S4.步骤S3中的转换后的优化模型分别对uij,vi和λj求偏导并令偏导等于零,解出uij和vi:
其中,c为聚类数;
S5.根据步骤S4得出的隶属度uij以及聚类中心vi构建隶属度矩阵U和聚类中心矩阵V,并构建吸引权重矩阵F,其中,F={F1,F2,…,Fi,…,Fc};
S6.初始化聚类中心矩阵V、L分量图像和I分量图像;
更新隶属度矩阵U、聚类中心矩阵V以及吸引权重矩阵F,直至各聚类中心的变化值小于设定阈值δ或者达到最大迭代次数T;
S7.找出聚类中心值最小的聚类中心,该聚类中心为土壤图像的阴影的聚类中心v_shadow,并提取出隶属于聚类中心为v_shadow的数据点,即为土壤图像的阴影数据点。
2.根据权利要求1所述基于FCM算法的自适应土壤图像阴影检测方法,其特征在于:步骤S1中,根据如下方法确定土壤图像的I分量和L分量的聚类中心:
S11.统计土壤图像的L分量和I分量的直方图:
s.t.f={L,I}
S12.确定土壤图像的L分量和I分量的直方图峰值集合:
Speaks (f)={k|histf(k)>histf(k-1),histf(k)>histf(k+1)};
分别将土壤图像的L分量和I分量的峰值集合中的元素从小到大进行排列,将土壤图像的L分量和I分量的峰值集合长度较短的峰值集合赋值为S1,将土壤图像的L分量和I分量的峰值集合长度较长的峰值集合赋值为S2,其中,histf(k-1)为图像在f分量下灰度值为k-1的频数,histf(k+1)为图像在f分量下灰度值为k+1的频数;
S13.构建峰值集合截断对齐模型:
s.t.1≤a≤len(S2)-len(S1)+1,a∈N*;其中,len(.)为集合长度,S1(a)为S1的第a个元素,S1(b)为S1的第b个元素,S2(a+b)为S2的第a+b个元素,λ为比例系数;
截取S2的a*到a*+len(S1)-1元素,将S1、S2对应赋值回L和I分量峰值集合Speaks (L)和Speaks (I);
S14.对步骤S13中的峰值集合Speaks (L)和Speaks (I)中的灰度点以及灰度点在原分量直方图中的频数进行提取,然后组成新的L分量子直方图和I分量子直方图,对新的子直方图进行高斯平滑处理并进行迭代计算,直到新的子直方图剩余两个峰值点{L1,L2}和{I1,I2}为止,将点集V={(L1,I1),(L2,I2)}作为聚类中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010619404.4A CN111754501B (zh) | 2020-06-30 | 2020-06-30 | 基于fcm算法的自适应土壤图像阴影检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010619404.4A CN111754501B (zh) | 2020-06-30 | 2020-06-30 | 基于fcm算法的自适应土壤图像阴影检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754501A CN111754501A (zh) | 2020-10-09 |
CN111754501B true CN111754501B (zh) | 2021-08-27 |
Family
ID=72680205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010619404.4A Active CN111754501B (zh) | 2020-06-30 | 2020-06-30 | 基于fcm算法的自适应土壤图像阴影检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754501B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240619B (zh) * | 2021-01-26 | 2022-06-21 | 重庆师范大学 | 基于改进减法直方图的土壤图像阴影检测方法 |
CN112862765B (zh) * | 2021-01-26 | 2022-08-02 | 重庆师范大学 | 基于半监督离散度的土壤彩色图像阴影检测方法 |
CN113808144B (zh) * | 2021-09-22 | 2024-03-29 | 重庆师范大学 | 基于直方图拟合的密度峰值聚类土壤图像阴影检测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976438A (zh) * | 2010-10-27 | 2011-02-16 | 西安电子科技大学 | 基于空间邻域信息的fcm纹理图像分割方法 |
CN102436656A (zh) * | 2011-09-05 | 2012-05-02 | 同济大学 | 基于计算机视觉的动物多样性监测方法 |
CN102881019A (zh) * | 2012-10-08 | 2013-01-16 | 江南大学 | 一种具备迁移学习能力的模糊聚类图像分割方法 |
CN103761727A (zh) * | 2013-12-28 | 2014-04-30 | 辽宁师范大学 | 基于自适应高斯混合模型的鲁棒图像分割方法 |
CN105678766A (zh) * | 2016-01-06 | 2016-06-15 | 福州大学 | 一种基于局部邻域和全局信息的模糊c均值图像分割方法 |
CN106600605A (zh) * | 2016-12-14 | 2017-04-26 | 陕西科技大学 | 一种无监督的快速图像分割算法 |
CN107452001A (zh) * | 2017-06-14 | 2017-12-08 | 许昌学院 | 一种基于改进fcm算法的遥感图像序列分割方法 |
CN107886549A (zh) * | 2017-10-18 | 2018-04-06 | 浙江工业大学之江学院 | 一种基于编织纹理细节增强的织物纹样色彩转移方法 |
CN108171710A (zh) * | 2017-12-27 | 2018-06-15 | 海南海大信息产业园有限公司 | 一种图像分割处理方法 |
US10115197B1 (en) * | 2017-06-06 | 2018-10-30 | Imam Abdulrahman Bin Faisal University | Apparatus and method for lesions segmentation |
CN109242832A (zh) * | 2018-08-23 | 2019-01-18 | 河海大学 | 一种多时相多光谱遥感影像变化检测方法及系统 |
CN110084820A (zh) * | 2019-03-30 | 2019-08-02 | 重庆师范大学 | 基于改进fcm算法的紫色土图像自适应分割提取方法 |
CN110427950A (zh) * | 2019-08-01 | 2019-11-08 | 重庆师范大学 | 紫色土土壤图像阴影检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101646068A (zh) * | 2009-09-07 | 2010-02-10 | 中国农业大学 | 植物病虫害信息获取系统及方法 |
CN102254174B (zh) * | 2011-07-08 | 2013-01-02 | 中铁第四勘察设计院集团有限公司 | 崩滑体中裸地信息的自动提取方法 |
CN107452014B (zh) * | 2017-07-11 | 2020-06-30 | 中国农业科学院农业信息研究所 | 一种图像分割方法及装置 |
CN110428380B (zh) * | 2019-08-01 | 2022-02-18 | 重庆师范大学 | 紫色土土壤图像阴影增强方法 |
-
2020
- 2020-06-30 CN CN202010619404.4A patent/CN111754501B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976438A (zh) * | 2010-10-27 | 2011-02-16 | 西安电子科技大学 | 基于空间邻域信息的fcm纹理图像分割方法 |
CN102436656A (zh) * | 2011-09-05 | 2012-05-02 | 同济大学 | 基于计算机视觉的动物多样性监测方法 |
CN102881019A (zh) * | 2012-10-08 | 2013-01-16 | 江南大学 | 一种具备迁移学习能力的模糊聚类图像分割方法 |
CN103761727A (zh) * | 2013-12-28 | 2014-04-30 | 辽宁师范大学 | 基于自适应高斯混合模型的鲁棒图像分割方法 |
CN105678766A (zh) * | 2016-01-06 | 2016-06-15 | 福州大学 | 一种基于局部邻域和全局信息的模糊c均值图像分割方法 |
CN106600605A (zh) * | 2016-12-14 | 2017-04-26 | 陕西科技大学 | 一种无监督的快速图像分割算法 |
US10115197B1 (en) * | 2017-06-06 | 2018-10-30 | Imam Abdulrahman Bin Faisal University | Apparatus and method for lesions segmentation |
CN107452001A (zh) * | 2017-06-14 | 2017-12-08 | 许昌学院 | 一种基于改进fcm算法的遥感图像序列分割方法 |
CN107886549A (zh) * | 2017-10-18 | 2018-04-06 | 浙江工业大学之江学院 | 一种基于编织纹理细节增强的织物纹样色彩转移方法 |
CN108171710A (zh) * | 2017-12-27 | 2018-06-15 | 海南海大信息产业园有限公司 | 一种图像分割处理方法 |
CN109242832A (zh) * | 2018-08-23 | 2019-01-18 | 河海大学 | 一种多时相多光谱遥感影像变化检测方法及系统 |
CN110084820A (zh) * | 2019-03-30 | 2019-08-02 | 重庆师范大学 | 基于改进fcm算法的紫色土图像自适应分割提取方法 |
CN110427950A (zh) * | 2019-08-01 | 2019-11-08 | 重庆师范大学 | 紫色土土壤图像阴影检测方法 |
Non-Patent Citations (4)
Title |
---|
Fuzzy Information System based on Image Segmentation by using Shadow Detection;S. Muthukumar 等;《IEEE》;20101231;1-6 * |
基于模糊C均值的图像分割算法研究;祝贵;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140315(第03期);I138-947 * |
基于自适应密度峰值聚类的野外紫色土彩色图像分割;曾绍华 等;《农业工程学报》;20191031;第35卷(第19期);200-208 * |
遥感数据可靠性分类方法研究;张华;《中国优秀博士学位论文全文数据库 信息科技辑》;20130615(第06期);I140-27 * |
Also Published As
Publication number | Publication date |
---|---|
CN111754501A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754501B (zh) | 基于fcm算法的自适应土壤图像阴影检测方法 | |
CN108388896B (zh) | 一种基于动态时序卷积神经网络的车牌识别方法 | |
CN111709483B (zh) | 一种基于多特征的超像素聚类方法及设备 | |
CN109741341B (zh) | 一种基于超像素和长短时记忆网络的图像分割方法 | |
CN110838126B (zh) | 细胞图像分割方法、装置、计算机设备和存储介质 | |
CN109472792B (zh) | 结合局部熵的局部能量泛函与非凸正则项的图像分割方法 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN111652892A (zh) | 一种基于深度学习的遥感影像建筑物矢量提取及优化方法 | |
CN106530341B (zh) | 一种保持局部拓扑不变性的点配准算法 | |
CN111340824A (zh) | 一种基于数据挖掘的图像特征分割方法 | |
Zhang et al. | Superpixel generation for SAR imagery based on fast DBSCAN clustering with edge penalty | |
CN111161300B (zh) | 一种基于改进大津法的Niblack的图像分割方法 | |
CN108090913B (zh) | 一种基于对象级Gauss-Markov随机场的图像语义分割方法 | |
CN110473224B (zh) | 一种基于kl熵的rsf水平集图像自动分割方法 | |
Huang et al. | Variational level set method for image segmentation with simplex constraint of landmarks | |
Lorette et al. | Fully unsupervised fuzzy clustering with entropy criterion | |
CN108921853B (zh) | 基于超像素和免疫稀疏谱聚类的图像分割方法 | |
CN108846845B (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
CN108681999B (zh) | 基于深度卷积神经网络模型的sar图像目标形状生成方法 | |
CN108694411B (zh) | 一种识别相似图像的方法 | |
CN110047085A (zh) | 一种针对肺ct图像阈值分割结果的肺膜粘连结节区域精确修复方法 | |
CN112465016A (zh) | 基于最优劣距的部分多标记学习方法 | |
CN110298399B (zh) | 基于Freeman链码和矩特征融合的抽油井故障诊断方法 | |
CN112509017A (zh) | 一种基于可学习差分算法的遥感影像变化检测方法 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 |
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 |