CN112241722A - 一种基于蚁群算法的南极海冰遥感图像分割方法 - Google Patents
一种基于蚁群算法的南极海冰遥感图像分割方法 Download PDFInfo
- Publication number
- CN112241722A CN112241722A CN202011165951.6A CN202011165951A CN112241722A CN 112241722 A CN112241722 A CN 112241722A CN 202011165951 A CN202011165951 A CN 202011165951A CN 112241722 A CN112241722 A CN 112241722A
- Authority
- CN
- China
- Prior art keywords
- sea ice
- ant colony
- algorithm
- threshold
- remote sensing
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003709 image segmentation Methods 0.000 title claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 16
- 239000003016 pheromone Substances 0.000 claims description 32
- 241000257303 Hymenoptera Species 0.000 claims description 22
- 239000013535 sea water Substances 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000008020 evaporation Effects 0.000 claims description 6
- 238000001704 evaporation Methods 0.000 claims description 6
- 239000005457 ice water Substances 0.000 claims description 6
- 230000002028 premature Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000005556 hormone Substances 0.000 claims description 3
- 229940088597 hormone Drugs 0.000 claims description 3
- 230000037361 pathway Effects 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 2
- 238000013459 approach Methods 0.000 abstract description 3
- 230000002431 foraging effect Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 8
- 238000002310 reflectometry Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241000283153 Cetacea Species 0.000 description 1
- 102000006463 Talin Human genes 0.000 description 1
- 108010083809 Talin Proteins 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Astronomy & Astrophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于蚁群算法的南极海冰遥感图像分割方法，其通过模拟蚂蚁觅食行为即寻找食物源的聚类过程，把图像分割看成是一个个具有不同属性特征的像素聚类的过程，使得算法逐渐逼近最佳阈值，通过该最佳阈值可对海冰遥感图像进行分割。本发明的分割方法利用了蚁群算法的去噪性、自适应性和正反馈特性自动选取海冰分割阈值，其分割结果与迭代法、最大熵法和基本全局阈值法进行了对比验证，结果表明：该分割方法是可行的；并同MODSI可见光数据结果进行了对比验证，结果表明：该分割方法能具有更高的精度，从而能够提取更准确的海冰分布信息，提高海冰分布反演精度。
Description
技术领域
本发明涉及图像分割技术领域，具体是涉及一种基于蚁群算法的南极海冰遥感图像分割方法。
背景技术
南极海冰范围的变化对全球热量平衡、水气环流和气候变化等都有显著的影响。近年来，全球变暖的趋势愈加明显，重大灾害频发，极端天气屡屡出现。南极海冰地区作为地球上最大的季节性变化地表之一，人们一直将其作为观察、研究全球气候变化的一项重要指标。自上世纪60年代起人们就开始研究海冰，早期的海冰研究主要依靠雷达、声呐或人工测绘的方法来进行监测，成本高范围小，无法获取大面积海冰的变化情况。例如加拿大冰署(CIS)的海冰分析员曾对大量的海冰SAR图像进行人工分割，而人工分割费时耗力，且其精确度和分辨率均是有限的。因此，通过卫星遥感获取大范围海冰图像并结合某种算法自动分割海冰就显得尤为重要。
近年来的图像分割技术迅速发展，涌现出了多种多样的图像分割算法。目前，已有许多研究人员利用各种方法提取遥感图像海冰范围。其中，国外关于海冰变化的研究开始较早。俄罗斯、加拿大、美国、日本和芬兰等国家在相关领域的研究及投入一直遥遥领先。LeighS等人提出命名为MAGIC双极化SAR遥感图像海冰分类系统对海冰图像进行分类，该方法对冰分类效果较好，但是对于细小的浮冰与油脂冰很难分辨出，且难以获得足量的样本。Zakhvatkina等人利用后向散射直方图和灰度级共生矩阵(GLCM)纹理信息，基于贝叶斯算法和神经网络算法对SAR图像的海冰进行分类，该方法可以有效的区别北极中部地区的海冰类型，但是难以应用于具有许多不同类型的海冰混合物的海冰边缘地区。Mazur A等采取基于对象的图像分析方法对波罗的海的海冰结冰程度和密集度进行研究，以标准偏差及逆差距为分类特征，区分水和海冰，该方法通过对像素进行分组来分割图像，但是相比低分辨率影像OBIA更适合高分辨率图像。Clausi 等在处理多极化数据时，提出利用IRGS(Iter-ative Region Growing using Semantics)算法将边缘强度集成到传统的MRF模型中，从而利用更多的图像信息，提高分割精度。然而，这些基于MRF算法的改进仅仅基于局部边缘强度，对海冰场景的尺度依赖性考虑仍然是全局的。David L等人利用SSMIS的37GHz 亮度温度测量值和来自ASCAT的C波段S0测量值对北极海冰进行了分类，该方法使用主动和被动微波数据有效的提高了海冰分类性能，但是存在整个冬季海冰面积持续增加的异常现象。Yu以及Dawoud等将边界强度融入到多层逻辑模型(multilevel logistic,MLL)中,使算法更适用于SAR图像分割。但是该方法忽略了相干斑噪声的影响,导致高斯模型对SAR图像的特征建模不合理。 Zakharov(2014)等人利用从Geo Eye-1传感器获取的高分辨率光学图像解决了冰特征参数的定量反演的问题。Lindell(2016)基于主动式与被动式微波传感器的数据，利用一种高斯模型和贝叶斯估计函数提升了对多年冰与一年冰的分类效果。Ressel等首先进行特征提取，再输入到神经网络分类器中，并通过互信息分析了相关性和冗余度，进行海冰分类。Liu等基于SVM算法，将后向散射系数、GLCM和海冰密集度三者结合对海冰图像进行分类。但实验数据不具备代表性可能导致方法通用性弱。Zakhvatk-ina等使用纹理特征结合SVM区分海冰和开阔水域。Tan等通过随机森林特征选择方法确定优选特征进行海冰图像解译研究。我国的海冰监测活动始于上世纪六十年代，随着卫星监测手段和相关技术的不断进步，国内的遥感海冰分割方法也不断涌现。卢鹏等已经利用航拍影像成功提取了部分海冰的分布和形态参数，但是航拍影像覆盖的空间和时间范围有限，难以提供大范围海冰的时序变化信息。如石中玉[18]等利用NSIDC 提供的数据产品，采用Ma、Mv、Mf三种均值方法从南极被动微波日均海冰密集度产品中提取出三种月均海冰边界，对比分析得出冰面周长对不同算法更敏感。张娜利用MODIS资料数据，采用CART决策树方法反演了6个冬季辽东湾海冰面积，对于特殊海洋具有普适性，但是CART决策树容易受样本训练集影响，容易陷入局部最优。邓永飞利用美国国家冰雪中心的Bootstrap海冰密集度卫星遥感资料分析1991-2015年楚科奇海海冰覆盖面积的时空变化特征,并探讨白令海峡入流水对海冰面积变化的作用机制。
蚁群算法具有离散性、智能搜索、并行性、分布式、鲁棒性等优点，较适用于处理复杂的图像问题。蚁群算法作为新型智能仿生类算法的一个分支，由于其鲁棒性强，不易陷入局部最优等特点已经逐渐引入遥感图像处理中。蚁群算法是一种非监督分类的方法，算法主要通过迭代进行分类，不需要大量的训练样本和人工干扰，是一种很好的聚类方法。
针对现如今海冰分布反演方法存在的阈值设置缺乏自适应性，反演精度低的问题，并结合蚁群算法的优越性，本申请提出了一种基于蚁群算法的海冰遥感图像分割方法，通过模拟蚂蚁觅食行为即寻找食物源的聚类过程，把图像分割看成是一个个具有不同属性特征的像素聚类的过程，使得算法逐渐逼近最佳阈值。由于在算法迭代过程中信息素是不断更新的，这种正反馈可以纠正启发式函数的错误。而算法本身具有离散型和并行性的特点又非常适用于包含复杂地物信息的遥感图像。
发明内容
本发明的目的在于提供一种基于蚁群算法的南极海冰遥感图像分割方法，该方法可以准确分割海冰遥感图像，进而能够更准确的提取海冰分布信息，提高海冰分布反演精度。
为实现上述目的，本发明的基于蚁群算法的南极海冰遥感图像分割方法采用的技术方案是：
所述基于蚁群算法的南极海冰遥感图像分割方法，首先在ENVI中进行陆地掩膜，得到南极海洋遥感图像，再通过蚁群算法自动分割海冰和海水；蚁群算法自动分割海冰和海水的步骤具体如下：
(1)初始化阈值：给定初始化阈值即初始聚类中心的选取，给定初始化阈值为
其中Kmax和Kmin分别为遥感灰度图像中的最大灰度值和最小灰度值；同时，给定聚类半径r为10～30；
(2)计算启发信息η：首先计算每个像素到初始阈值的欧式距离，
其中Xi为每个像素的灰度值，T为初始阈值或上次迭代得到的阈值；启发值为
启发值反映了图像中的某个像素和聚类中心的相似度，如果某像素和聚类中心间的灰度距离越近，则di越小，启发值越大，该像素同聚类中心的相似度越大；
(3)计算各路径上的信息素浓度：信息素更新规则是蚁群算法的核心规则之一，也是蚁群算法智能化的体现所在，在第一次迭代前先初始化信息素浓度，将欧氏距离小于聚类半径r的像素值赋予初始信息素浓度为1，其余大于r的为 0；初始化规则如下：
从第二次迭代开始，各路径上信息素浓度计算公式如下：
为避免算法快速收敛于局部最优解，蚁群算法引入了信息激素蒸发机制，蒸发机制通过自动减少路径上的信息量，从而增强蚂蚁的探索能力，避免算法出现早熟；该式中：ρ取0～1，ρ定义为信息素随时间变化的挥发性变量，代表信息素随着时间的衰减程度，其值越大，衰减越快，太大容易造成过早收敛，陷入局部最优；ΔPhi为上次循环和本次循环路径上信息素的增量，其公式如下：
(4)计算每个像素归入阈值集合的概率Pi，Pi公式如下：
该公式反应了某像素的灰度可能为本次迭代中最佳阈值的可能性，其中α为信息素的启发因子，代表了蚂蚁积累的信息量在其运动过程中所起的作用，它的值越大，与此对应的路径被其它蚂蚁选择的可能性就越大，蚁群就会有较强的协作性；其中β为期望度启发因子，代表了蚂蚁在运动的过程中启发信息对其选择路径的重要程度，它的值越大，蚂蚁就越可能选择欧式距离短的路径；设定信息启发因子α为0～10，期望启发因子β为0～10；
(5)判断上一步中得到的Pi是否满足条件，如果满足条件就将对应的灰度值归入到阈值集合中，然后对阈值集合求平均，得到新的阈值T1，如果此时已满足迭代条件则输出新阈值并分割图像，否则返回第二步继续迭代；其中算法迭代的停止条件为|T-T1|<ε，即如果本次循环得到的阈值同上次循环得到的阈值相差小于某一范围，则认定本次循环得到的阈值为全局最佳阈值；
(6)使用步骤(5)得到的最佳阈值为南极海洋遥感图像进行海冰和海水分割。
优选地，所述步骤(1)中，给定聚类半径r为20。
优选地，所述步骤(3)中，ρ取0.2。
优选地，所述步骤(4)中，设定信息启发因子α为2，期望启发因子β为 2。
优选地，所述步骤(5)中，ε取0.001。
本发明的有益效果：本发明通过模拟蚂蚁觅食行为即寻找食物源的聚类过程，把图像分割看成是一个个具有不同属性特征的像素聚类的过程，使得算法逐渐逼近最佳阈值，通过该最佳阈值可对海冰遥感图像进行准确分割，从而能够提取更准确的海冰分布信息，提高海冰分布反演精度。
附图说明
图1是本发明一种基于蚁群算法的南极海冰遥感图像分割方法的流程图；
图2是蚁群算法、迭代分割算法、最大熵分割法、基本全局阈值算法的分割结果图像；
图3是MODIS数据原始图像图；
图4是采用反射率阈值法分割后的海冰图像图。
图5是本发明算法的海冰分割结果图(区域和最大熵法相同)；
图6是最大熵法在相同区域的海冰分割结果图(区域和本发明算法相同)；
图7是迭代法在相同区域的海冰分割结果图(区域和本发明算法相同)；
图8是基本全局阈值法在相同区域的海冰分割结果图(区域和本发明算法相同)。
具体实施方式
下面结合附图对本发明的实施方式作进一步说明。
本发明一种基于蚁群算法的南极海冰遥感图像分割方法的具体实施例，如图1所示，首先在ENVI中进行陆地掩膜，得到南极海洋遥感图像，再通过蚁群算法自动分割海冰和海水；蚁群算法自动分割海冰和海水的步骤具体如下：
(1)初始化阈值：给定初始化阈值即初始聚类中心的选取，蚂蚁觅食的过程就是不断聚类的过程，聚类中心就是食物源。蚁群算法中蚂蚁的行走是随机的，所以精确给出初始聚类中心，引导蚂蚁直奔聚类中心附近，可以大大降低搜寻过程的盲目性，降低计算量，加快聚类过程。本申请中给定初始阈值为
其中Kmax和Kmin分别为遥感灰度图像中的最大灰度值和最小灰度值。此外还需要设置聚类半径，聚类半径决定了蚂蚁的搜寻范围和算法的计算量。本实施例中，给定聚类半径r为20。
(2)计算启发信息η：首先计算每个像素到初始阈值的欧式距离，
其中Xi为每个像素的灰度值，T为初始阈值或上次迭代得到的阈值；启发值为
启发值反映了图像中的某个像素和聚类中心的相似度，如果某像素和聚类中心间的灰度距离越近，则di越小，启发值越大，该像素同聚类中心的相似度越大。
(3)计算各路径上的信息素浓度：信息素更新规则是蚁群算法的核心规则之一，也是蚁群算法智能化的体现所在，在第一次迭代前先初始化信息素浓度，将欧氏距离小于聚类半径r的像素值赋予初始信息素浓度为1，其余大于r的为 0；初始化规则如下：
从第二次迭代开始，各路径上信息素浓度计算公式如下：
为避免算法快速收敛于局部最优解，蚁群算法引入了信息激素蒸发机制，蒸发机制通过自动减少路径上的信息量，从而增强蚂蚁的探索能力，避免算法出现早熟。该式中：ρ取0.2，ρ定义为信息素随时间变化的挥发性变量，代表信息素随着时间的衰减程度，其值越大，衰减越快，太大容易造成过早收敛，陷入局部最优。
ΔPhi为上次循环和本次循环路径上信息素的增量，其公式如下：
(4)计算每个像素归入阈值集合的概率Pi，Pi公式如下：
该公式反应了某像素的灰度可能为本次迭代中最佳阈值的可能性，其中α为信息素的启发因子，代表了蚂蚁积累的信息量在其运动过程中所起的作用，它的值越大，与此对应的路径被其它蚂蚁选择的可能性就越大，蚁群就会有较强的协作性；其中β为期望度启发因子，代表了蚂蚁在运动的过程中启发信息对其选择路径的重要程度，它的值越大，蚂蚁就越可能选择欧式距离短的路径；本实施例中，设定信息启发因子α为2，期望启发因子β为2。
(5)判断上一步中得到的Pi是否满足条件，如果满足条件就将对应的灰度值归入到阈值集合中，然后对阈值集合求平均，得到新的阈值T1，如果此时已满足迭代条件则输出新阈值并分割图像，否则返回第二步继续迭代；其中算法迭代的停止条件为|T-T1|<ε，本实施例，ε取0.001，即如果本次循环得到的阈值同上次循环得到的阈值相差小于0.001时，则认定本次循环得到的阈值为全局最佳阈值。
(6)使用步骤(5)得到的最佳阈值为南极海洋遥感图像进行海冰和海水分割。
实验及分析
为了验证蚁群算法在遥感图像分割中的应用效果，首先让本申请算法、迭代算法、最大熵分割法和基本全局阈值算法的结果进行对比，然后利用MODIS 可见光数据的结果进一步进行验证。
本申请算法、迭代算法、最大熵分割法和基本全局阈值算法的结果如图2 所示，可以看出4种算法分割结果空间分布基本相似。海冰像元数的个数如表1 所示，可以看出4种算法结果的海冰像元数非常接近，说明本发明所提出海冰分割算法是可行的。
表1 蚁群算法与其他算法提取海冰像元数比较
选取70°～80°E，60°～65°S的普里兹湾附近海域的MOD09GA反射率数据(500米分辨率)，利用反射率阈值法进行海冰提取，该方法根据冰、水在红光和近红外区域反射率差异来判断海冰，具体方法如下式所示：
Band1-Band2＞a
Band1＞b
其中Band1和Band2分别是MODIS第一二波段的反射率，a＝0.014、b＝0.067。
图4和图5分别为MODIS数据原始图像和采用反射率阈值法分割后的海冰结果。其中白色区域为海冰，黑色区域为海水，灰色区域为陆地。选取白框区域对算法进行验证。图6、图7和图8分别为本申请算法、最大熵法、基本全局阈值法和迭代法在相同区域的海冰分割结果(白色部分为海冰)，在白框区域内，蚁群算法的结果与MODIS的结果基本一致，而其他三种算法差别较大，从而说明蚁群海冰分割算法具有更高的精度。。
蚁群算法是一种自动寻优的概率型算法，本申请将蚁群算法用于遥感图像海冰提取中，通过精确设置聚类中心，设置全局信息素浓度动态更新等策略实现海冰分割。选取普里兹湾附近海域的MODIS可见光数据进行算法验证，实验结果表明，蚁群算法作为一种新的优化算法，具有较高的海冰遥感图像分割精度。
在其它实施例中，所述步骤(1)中，聚类半径r也可给定为10-30间除20 外的任意一数值。
在其它实施例中，所述步骤(3)中，ρ可取0～1之间除0.2外的任意数值。
在其它实施例中，所述步骤(5)中，信息启发因子α也可设定为0～10之间除2外的任意数值；期望启发因子β也可设定为0～10之间除2外的任意数值。
在其它实施例中，所述步骤(5)中，ε可取0.001～0.1之间除0.001外的任意数值。
Claims (5)
1.一种基于蚁群算法的南极海冰遥感图像分割方法，其特征在于，首先在ENVI中进行陆地掩膜，得到南极海洋遥感图像，再通过蚁群算法自动分割海冰和海水；蚁群算法自动分割海冰和海水的步骤具体如下：
(1)初始化阈值：给定初始化阈值即初始聚类中心的选取，给定初始化阈值为
其中Kmax和Kmin分别为遥感灰度图像中的最大灰度值和最小灰度值；同时，给定聚类半径r为10～30；
(2)计算启发信息η：首先计算每个像素到初始阈值的欧式距离，
其中Xi为每个像素的灰度值，T为初始阈值或上次迭代得到的阈值；启发值为
启发值反映了图像中的某个像素和聚类中心的相似度，如果某像素和聚类中心间的灰度距离越近，则di越小，启发值越大，该像素同聚类中心的相似度越大；
(3)计算各路径上的信息素浓度：信息素更新规则是蚁群算法的核心规则之一，也是蚁群算法智能化的体现所在，在第一次迭代前先初始化信息素浓度，将欧氏距离小于聚类半径r的像素值赋予初始信息素浓度为1，其余大于r的为0；初始化规则如下：
从第二次迭代开始，各路径上信息素浓度计算公式如下：
为避免算法快速收敛于局部最优解，蚁群算法引入了信息激素蒸发机制，蒸发机制通过自动减少路径上的信息量，从而增强蚂蚁的探索能力，避免算法出现早熟；该式中：ρ取0～1，ρ定义为信息素随时间变化的挥发性变量，代表信息素随着时间的衰减程度，其值越大，衰减越快，太大容易造成过早收敛，陷入局部最优；ΔPhi为上次循环和本次循环路径上信息素的增量，其公式如下：
(4)计算每个像素归入阈值集合的概率Pi，Pi公式如下：
该公式反应了某像素的灰度可能为本次迭代中最佳阈值的可能性，其中α为信息素的启发因子，代表了蚂蚁积累的信息量在其运动过程中所起的作用，它的值越大，与此对应的路径被其它蚂蚁选择的可能性就越大，蚁群就会有较强的协作性；其中β为期望度启发因子，代表了蚂蚁在运动的过程中启发信息对其选择路径的重要程度，它的值越大，蚂蚁就越可能选择欧式距离短的路径；设定信息启发因子α为0～10，期望启发因子β为0～10；
(5)判断上一步中得到的Pi是否满足条件，如果满足条件就将对应的灰度值归入到阈值集合中，然后对阈值集合求平均，得到新的阈值T1，如果此时已满足迭代条件则输出新阈值并分割图像，否则返回第二步继续迭代；其中算法迭代的停止条件为|T-T1|<ε，即如果本次循环得到的阈值同上次循环得到的阈值相差小于某一范围，则认定本次循环得到的阈值为全局最佳阈值；
(6)使用步骤(5)得到的最佳阈值为南极海洋遥感图像进行海冰和海水分割。
2.根据权利要求1所述的基于蚁群算法的南极海冰遥感图像分割方法，其特征在于，所述步骤(1)中，给定聚类半径r为20。
3.根据权利要求1所述的基于蚁群算法的南极海冰遥感图像分割方法，其特征在于，所述步骤(3)中，ρ取0.2。
4.根据权利要求1所述的基于蚁群算法的南极海冰遥感图像分割方法，其特征在于，所述步骤(4)中，设定信息启发因子α为2，期望启发因子β为2。
5.根据权利要求1所述的基于蚁群算法的南极海冰遥感图像分割方法，其特征在于，所述步骤(5)中，ε取0.001。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011165951.6A CN112241722A (zh) | 2020-11-18 | 2020-11-18 | 一种基于蚁群算法的南极海冰遥感图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011165951.6A CN112241722A (zh) | 2020-11-18 | 2020-11-18 | 一种基于蚁群算法的南极海冰遥感图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112241722A true CN112241722A (zh) | 2021-01-19 |
Family
ID=74169967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011165951.6A Pending CN112241722A (zh) | 2020-11-18 | 2020-11-18 | 一种基于蚁群算法的南极海冰遥感图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112241722A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113031013A (zh) * | 2021-03-03 | 2021-06-25 | 北京航空航天大学 | 一种星载gnss-r海冰边界探测方法及系统 |
| CN113744228A (zh) * | 2021-08-27 | 2021-12-03 | 南通大学 | 用于大规模脑核磁分割的最大熵多阈值蚁群进化Spark方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101887584A (zh) * | 2010-07-07 | 2010-11-17 | 清华大学 | 一种基于适度随机搜索行为的多阈值图像分割方法 |
| CN105574865A (zh) * | 2015-12-14 | 2016-05-11 | 沈阳工业大学 | 基于改进蚁群算法提取睫毛的方法 |
| US20170161584A1 (en) * | 2015-12-07 | 2017-06-08 | The Climate Corporation | Cloud detection on remote sensing imagery |
| CN109300140A (zh) * | 2018-10-22 | 2019-02-01 | 东北大学 | 基于遗传算法和蚁群算法的图像边缘检测方法 |
| CN110826480A (zh) * | 2019-11-04 | 2020-02-21 | 湖南城市学院 | 一种基于蚁群算法的水体自动提取方法 |
| CN111429419A (zh) * | 2020-03-19 | 2020-07-17 | 国网陕西省电力公司电力科学研究院 | 一种基于混合蚁群算法的绝缘子轮廓检测方法 |
-
2020
- 2020-11-18 CN CN202011165951.6A patent/CN112241722A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101887584A (zh) * | 2010-07-07 | 2010-11-17 | 清华大学 | 一种基于适度随机搜索行为的多阈值图像分割方法 |
| US20170161584A1 (en) * | 2015-12-07 | 2017-06-08 | The Climate Corporation | Cloud detection on remote sensing imagery |
| CN105574865A (zh) * | 2015-12-14 | 2016-05-11 | 沈阳工业大学 | 基于改进蚁群算法提取睫毛的方法 |
| CN109300140A (zh) * | 2018-10-22 | 2019-02-01 | 东北大学 | 基于遗传算法和蚁群算法的图像边缘检测方法 |
| CN110826480A (zh) * | 2019-11-04 | 2020-02-21 | 湖南城市学院 | 一种基于蚁群算法的水体自动提取方法 |
| CN111429419A (zh) * | 2020-03-19 | 2020-07-17 | 国网陕西省电力公司电力科学研究院 | 一种基于混合蚁群算法的绝缘子轮廓检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| X. ZHAO等: ""Improved Image Thresholding Using Ant Colony Optimization Algorithm"", 《2008 INTERNATIONAL CONFERENCE ON ADVANCED LANGUAGE PROCESSING AND WEB INFORMATION TECHNOLOGY》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113031013A (zh) * | 2021-03-03 | 2021-06-25 | 北京航空航天大学 | 一种星载gnss-r海冰边界探测方法及系统 |
| CN113031013B (zh) * | 2021-03-03 | 2023-07-18 | 北京航空航天大学 | 一种星载gnss-r海冰边界探测方法及系统 |
| CN113744228A (zh) * | 2021-08-27 | 2021-12-03 | 南通大学 | 用于大规模脑核磁分割的最大熵多阈值蚁群进化Spark方法 |
| CN113744228B (zh) * | 2021-08-27 | 2023-02-07 | 南通大学 | 用于大规模脑核磁分割的最大熵多阈值蚁群进化Spark方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cheng et al. | SeNet: Structured edge network for sea–land segmentation | |
| CN109325960B (zh) | 一种红外云图气旋分析方法及分析系统 | |
| CN110349160B (zh) | 一种基于超像素与模糊c均值聚类sar图像分割方法 | |
| CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
| CN110309780A (zh) | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 | |
| CN112241722A (zh) | 一种基于蚁群算法的南极海冰遥感图像分割方法 | |
| CN107330875A (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
| CN110334656B (zh) | 基于信源概率加权的多源遥感图像水体提取方法及装置 | |
| CN109584284B (zh) | 一种分层决策的滨海湿地地物样本提取方法 | |
| CN115410096B (zh) | 卫星遥感影像多尺度融合变化检测方法、介质及电子装置 | |
| CN115690086A (zh) | 一种基于对象的高分辨率遥感影像变化检测方法及系统 | |
| Zhang Sr et al. | A ship target tracking algorithm based on deep learning and multiple features | |
| Li et al. | Recognizing strawberry appearance quality using different combinations of deep feature and classifiers | |
| Li et al. | Landslide detection based on shipborne images and deep learning models: A case study in the Three Gorges Reservoir Area in China | |
| CN117152606A (zh) | 一种基于置信度动态学习的遥感图像跨域小样本分类方法 | |
| Wang et al. | Improved minimum spanning tree based image segmentation with guided matting | |
| Veracini et al. | Fully unsupervised learning of Gaussian mixtures for anomaly detection in hyperspectral imagery | |
| CN109784142B (zh) | 一种基于条件随机投影的高光谱目标检测方法 | |
| CN110766696A (zh) | 一种基于改进的粗糙集聚类算法的卫星图像分割方法 | |
| CN112241956B (zh) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 | |
| Wang | [Retracted] Landscape Classification Method Using Improved U‐Net Model in Remote Sensing Image Ecological Environment Monitoring System | |
| CN115410093B (zh) | 基于双通道编码网络和条件随机场的遥感图像分类方法 | |
| Yang et al. | Supervised land-cover classification of TerraSAR-X imagery over urban areas using extremely randomized clustering forests | |
| CN112729562B (zh) | 基于改进u型卷积神经网络的海冰分布探测方法 | |
| Zhou et al. | A practical plateau lake extraction algorithm combining novel statistical features and Kullback–Leibler distance using synthetic aperture radar imagery |
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: 20210119 |
|
| RJ01 | Rejection of invention patent application after publication |