CN112508963A - 一种基于模糊c均值聚类的sar图像分割方法 - Google Patents
一种基于模糊c均值聚类的sar图像分割方法 Download PDFInfo
- Publication number
- CN112508963A CN112508963A CN202011375840.8A CN202011375840A CN112508963A CN 112508963 A CN112508963 A CN 112508963A CN 202011375840 A CN202011375840 A CN 202011375840A CN 112508963 A CN112508963 A CN 112508963A
- Authority
- CN
- China
- Prior art keywords
- sar image
- clustering
- data set
- fuzzy
- gray
- 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
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000003709 image segmentation Methods 0.000 title claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 230000001629 suppression Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000001427 coherent effect Effects 0.000 claims abstract description 5
- 239000006185 dispersion Substances 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 239000002131 composite material Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06T7/11—Region-based segmentation
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (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
本发明公开了一种基于模糊C均值聚类的SAR图像分割方法,包括输入待分割SAR图像;获取所述待分割SAR图像的灰度直方图数据集;对所述灰度直方图数据集进行相干斑抑制处理得到灰度滤波数据集;根据所述灰度滤波数据集计算非局部空间信息项的自适应加权参数;根据所述灰度滤波数据集、所述自适应加强参数构建SAR图像分割的目标函数;求解所述目标函数得到若干隶属度值,所述若干隶属度值按照最大隶属度原则去模糊,以实现SAR图像的分割。本发明通过读取SAR图像的灰度直方图更精准的确定了聚类中心和聚类数,并在目标函数中加入图像的非局部空间信息,充分利用了SAR图像的空间信息,从而针对受相干斑污染的SAR图像具有更好的鲁棒性以及细节保持能力。
Description
技术领域
本发明属于雷达信号处理技术领域,具体涉及一种基于模糊C均值聚类的SAR图像分割方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,简称SAR)是一种主动式微波成像雷达,相对于传统雷达SAR系统具有较高的分辨率,因其可以获得具有高分辨率的图像,在军事和民用领域都得到了广泛的应用。
SAR系统获取到的数据并不能直接读取其中包含真实目标的信息,需要对图像进行解译,解译工作的速度和精度关系着SAR在各领域的应用。SAR图像分割是SAR图像解译的重要过程,图像分割是将一幅图像分为若干区域的集合,不同区域用不同的灰度值表示。图像分割是图像处理领域的关键技术,其分割的准确程度影响图像处理的后续工作,图像分割在各领域也得到广泛的应用,在利用图像进行目标检测或特征提取时,目标或者前景是人们对这幅图像感兴趣的地方,它们一般对应图像中特定的,具有独特性质的区域。利用图像中像素的灰度值等属性来对当前像素进行类别标记,将SAR图像中的目标从背景中分离出来,将图像分成各具特性的区域并提取感兴趣的目标,有利于SAR图像识别分类器的设计。经过几十年的发展,在SAR图像分割领域,根据方法的不同特点研究者们已经提出了近百种方法,但是这些方法还未形成统一的理论体系,可以将这些分割方法概括为基于边缘、基于聚类的分割方法。基于边缘检测的图像分割方法,通过检测图像中不同区域间的不一致性和连续性,检测得到SAR图像的边缘点,然后按照一定规则将边缘点连接成闭合曲线,这条闭合曲线就是SAR图像的边缘,从而完成对SAR图像的分割;基于模糊聚类的图像分割方法是一种效果稳定、应用广泛的图像分割方法,将SAR图像的各个像素点根据不同的概率在图像的各个特征子空间聚集,进而得到SAR图像分割,常见方法包括模糊C均值聚类方法(Fuzzy C-Means,简称FCM)、具有空间约束的模糊c均值聚类方法(Fuzzy c-meansclustering with spatial constraints,简称FCM_S)、基于均值滤波空间约束的模糊C均值聚类方法FCM_S1、基于中值滤波空间约束的模糊C均值聚类方法FCM_S2、局部信息模糊C均值聚类方法(Fuzzy Local Information C-Means,简称FLICM)。
但是,不管是基于边缘检测的图像分割方法,还是基于模糊聚类的图像分割方法,针对受相干斑污染的图像都存在图像处理鲁棒性差、图像细节保持不完整的问题。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于模糊C均值聚类的SAR图像分割方法。
本发明的一个实施例提供了一种基于模糊C均值聚类的SAR图像分割方法,该基于模糊C均值聚类的SAR图像分割方法包括
步骤1、输入待分割SAR图像;
步骤2、获取所述待分割SAR图像的灰度直方图数据集;
步骤3、对所述灰度直方图数据集进行相干斑抑制处理得到灰度滤波数据集;
步骤4、根据所述灰度滤波数据集计算非局部空间信息项的自适应加权参数;
步骤5、根据所述灰度滤波数据、所述自适应加强参数构建SAR图像分割的目标函数;
步骤6、求解所述目标函数得到若干隶属度值,所述若干隶属度值按照最大隶属度原则去模糊,以实现SAR图像的分割。
在本发明的一个实施例中,步骤4中的自适应加权参数表示为:
其中,表示像素i所在邻域窗内灰度直方图的信息熵,N表示邻域窗的大小,pl表示灰度l在邻域窗内所出现的频数,σ=median{vari,i∈X}表示求中值,vari表示像素i在邻域窗内的方差,X表示灰度滤波数据集。
在本发明的一个实施例中,步骤5中构建的SAR图像分割的目标函数表示为:
其中,c表示聚类数,n表示待分割SAR图像的像素点个数,xi表示待分割SAR图像中的第i个像素点,vk表示第k个聚类中心的值,表示像素点xi经过相干斑抑制滤波后的灰度滤波数据集中对应的像素点,表示待分割SAR图像的均值,uik表示像素点xi相对于聚类中心vk的隶属度,uik∈[0,1],i=1,...,n,k=1,...,c,m表示模糊加权指数,||xi-vj||2表示像素点xi与聚类中心vj的欧式距离,μk表示类间离散项参数,αi表示非局部空间信息项的自适应加权参数。
在本发明的一个实施例中,所述类间离散项参数μk表示为:
在本发明的一个实施例中,步骤6中求解所述目标函数得到若干隶属度值包括:
步骤6.1、计算聚类中心、聚类数;
步骤6.2、根据所述聚类中心更新类间离散度参数;
步骤6.3、根据所述聚类中心、所述类间离散度参数更新隶属度参数;
步骤6.4、根据所述隶属度参数重新计算聚类中心、聚类数;
步骤6.5、根据更新后的聚类中心、聚类数重复步骤6.2~步骤6.4,直到计算满足预设停止条件,输出最终的若干隶属度值。
在本发明的一个实施例中,步骤6.3中隶属度参数表示为:
在本发明的一个实施例中,步骤6.4中聚类中心表示为:
与现有技术相比,本发明的有益效果:
本发明提供的基于模糊C均值聚类的SAR图像分割方法,通过读取SAR图像的灰度直方图更精准的确定了聚类中心和聚类数,并在目标函数中加入图像的非局部空间信息,充分利用了SAR图像的空间信息,从而针对受相干斑污染的SAR图像具有更好的鲁棒性以及细节保持能力。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于模糊C均值聚类的SAR图像分割方法的流程示意图;
图2是本发明实施例提供的一种基于模糊C均值聚类的SAR图像分割方法中对灰度直方图数据集进行平滑处理的示意图;
图3(a)~3(f)是本发明实施例提供的模拟图像分别在FCM_S1、FCM_S2、FLICM和本发明方法上的分割实验结果示意图;
图4(a)~4(f)是本发明实施例提供的真实SAR图像分别在FCM_S1、FCM_S2、FLICM和本发明方法上的分割实验结果示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
请参见图1,图1是本发明实施例提供的一种基于模糊C均值聚类的SAR图像分割方法的流程示意图。本实施例提出了一种基于模糊C均值聚类的SAR图像分割方法,该基于模糊C均值聚类的SAR图像分割方法包括:
步骤1、输入待分割SAR图像。
步骤2、获取待分割SAR图像的灰度直方图数据集。
具体而言,本实施例采用灰度直方图的方式获取待分割SAR图像的灰度数据集,图像的灰度直方图是图像的一维表现形式,可以反映图像的统计特性,峰值为灰度直方图的一个重要信息,其表示该像素点附近的像素值在图像中占据的比例,对于灰度直方图有多个峰值的SAR图像,每个峰值可以表示一类区域。因此,本实施例利用图像灰度直方图的峰值作为后续初始化聚类中心的确定依据,相比于传统需要人工参与确定聚类中心和聚类数方法,可以得到更为精确的聚类中心、聚类数。
步骤3、对灰度直方图数据集进行相干斑抑制处理得到灰度滤波数据集。
具体而言,受噪声的影响,图像的灰度直方图曲线毛刺较多,严重干扰峰值的选择,对图像进行相干斑噪声抑制处理:首先采用非局部均值滤波方法进行噪声抑制,然后请参见图2,图2是本发明实施例提供的一种基于模糊C均值聚类的SAR图像分割方法中对灰度直方图数据集进行平滑处理的示意图,由图2可见,本实施例对噪声抑制后的灰度直方图数据集中搜索窗(搜索窗大小为M*M)内一中心像素点计算一权值,然后将其邻域窗(领域窗大小为N*N)内所有像素点进行加权求平均得到的加权平均值为该中心像素点的估计值,每个像素点作为中心点计算其对应的估计值,相当于对灰度直方图数据集的所有像素点进行平滑处理,每个像素点对应的估计值形成灰度滤波数据集X。相干斑抑制后的灰度直方图曲线毛刺明显减少,曲线比较平滑,峰值更加集中,通过峰值检测方法就可以更精准的得到峰值数据,更好的用于聚类中心、聚类数的确定。
步骤4、根据灰度滤波数据集计算非局部空间信息项的自适应加权参数。
具体而言,为了充分利用图像中的冗余信息,提高SAR图像分割结果的效果,本实施例引入了非局部空间信息项的自适应加权参数,具体计算该非局部空间信息项的自适应加权参数表示为:
其中,表示像素i所在邻域窗内灰度直方图的信息熵,N表示邻域窗的大小,pl表示灰度l在邻域窗内所出现的频数,σ=median{vari,i∈X}表示求中值,vari表示像素i在邻域窗内的方差,X表示灰度滤波数据集。
步骤5、根据灰度滤波数据集、自适应加强参数构建SAR图像分割的目标函数。
具体而言,本实施例将SAR图像分割问题转化为聚类问题,并根据步骤3得到灰度滤波数据集、步骤4得到的自适应加强参数构建SAR图像分割的目标函数,该构建的SAR图像分割的目标函数表示为:
其中,c表示聚类数,n表示待分割SAR图像的像素点个数,xi表示待分割SAR图像中的第i个像素点,vk表示第k个聚类中心的值,表示像素点xi经过相干斑抑制滤波后灰度滤波数据集中对应的像素点,表示待分割SAR图像的均值,uik表示像素点xi相对于聚类中心vk的隶属度,uik∈[0,1],i=1,...,n,k=1,...,c,m表示模糊加权指数,||xi-vj||2表示像素点xi与聚类中心vj的欧式距离,μk表示类间离散项参数,αi表示非局部空间信息项的自适应加权参数,其中,类间离散项参数μk表示为:
步骤6、求解目标函数得到若干隶属度值,若干隶属度值按照最大隶属度原则去模糊,以实现SAR图像的分割。
具体而言,本实施例求解目标函数得到若干隶属度值包括步骤6.1、步骤6.2、步骤6.3、步骤6.4、步骤6.5:
步骤6.1、计算聚类中心、聚类数。
具体而言,步骤3处理后的灰度滤波数据集中灰度滤波数据均为灰度直方图数据,灰度直方图有多个峰值,本实施例首先将灰度直方图中的峰值点作为初始聚类中心,峰值点数为聚类数,然后设置欧式距离阈值D1,求距离最近的两个聚类中心之间的欧式距离dmin,若dmin<D1,则将这两个聚类中心合并为一个聚类中心,聚类数目减1,将灰度滤波数据集中的像素点按照到聚类中心距离最近原则分配到不同的集合里,每一个聚类中心对应一个集合,直到最近的两个聚类中心的欧式距离dmin≥D1,记录此时聚类中心为c为聚类数。其中,根据灰度滤波数据集中的像素点数设置阈值T,T通常设置为0.006N~0.008N,N为灰度滤波数据集中像素点的个数,若聚类中心对应集合内的像素点数小于阈值T,则删除该集合对应聚类中心,相应的聚类数目减1。
步骤6.2、根据聚类中心更新类间离散度参数。
步骤6.3、根据聚类中心、类间离散度参数更新隶属度参数。
具体而言,结合步骤6.1得到的聚类中心、步骤6.2得到的类间离散度参数,本实施例步骤6.3中更新的隶属度参数表示为:
步骤6.4、根据隶属度参数重新计算聚类中心、聚类数。
具体而言,根据步骤6.3得到的隶属度参数重新计算聚类中心,具体计算地聚类中心表示为:
步骤6.5、根据更新后的聚类中心、聚类数重复步骤6.2~步骤6.4,直到计算满足预设停止条件,输出最终的若干隶属度值。
具体而言,本实施例重复步骤6.2~步骤6.4计算并更新聚类中心、聚类数,当满足预设停止条件则输出对应的若干隶属度值,若干隶属度值构成隶属度矩阵,具体预设停止条件设置包括收敛阈值ε或最大迭代次数T,每一次计算中预设停止条件定义为:或t>T。其中,ε为常数,取值可以为0.005,T取值为0.006N~0.008N,N为灰度滤波数据集中像素点的个数。
进一步地,本实施例通过上述步骤6.1~步骤6.5求解目标函数得到若干隶属度值,将若干隶属度值按照最大隶属度原则去模糊,以实现SAR图像的分割。
为了验证本实施例提出的基于模糊C均值聚类的SAR图像分割方法的有效性,通过以下实验仿真结果进一步说明:
(1)、仿真条件
为了从客观角度分析分割方法的有效性,本实施例采用分割准确率(Segmentation Accuracy,简称SA)作为评价指标,其定义为:
其中,c表示聚类数目,Ai表示图像分割后属于第i类的像素集合,Cj表示在参考分割图像(或者原始图像)中属于第j类的像素集合。
采用本发明方法对模拟图像和真实SAR图像进行分割实验,并与FCM_S1方法、FCM_S2方法、FLICM方法进行效果对比,各方法参数设置如下:FCM_S1方法、FCM_S2方法:邻域大小设置为7×7,权重参数α设置为6;FLICM方法:邻域大小设置为7×7;本发明方法:搜索窗M和邻域窗N分别设置为21×21和7×7。
(2)、仿真过程与结果分析
仿真实验1、在上述仿真参数下,可以得出模拟图像的分割准确率并与FCM_S1方法、FCM_S2方法、FLICM方法和本发明方法进行效果对比。
表1各方法模拟图像在各分割方法下的分割准确率
方法 | 正确分割像素数 | SA |
FCM_S1 | 62822 | 0.9586 |
FCM_S2 | 62968 | 0.9608 |
FLICM | 61120 | 0.9326 |
本发明方法 | 64343 | 0.9818 |
由表1可以看出,本发明分割方法分割准确率较高,相对于FCM_S1方法、FCM_S2方法和FLICM方法准确率分别提高了2%、2%和5%,进一步说明了本发明分割方法的分割精确度高。
请参见图3(a)~3(f),图3(a)~3(f)是本发明实施例提供的模拟图像分别在FCM_S1、FCM_S2、FLICM和本发明方法上的分割实验结果示意图,其中,图3(a)为一幅模拟合成图像,图像大小为256×256,分别由灰度值为40、120、200的图像块合成,图3(b)为对图3(a)添加了视数L=4的相干斑噪声的合成图像,图3(c)~3(f)分别为FCM_S1方法、FCM_S2方法、FLICM方法和本发明方法对应的图像分割结果。通过对比可以看出,受相干斑噪声的影响,各分割方法表现出了不同的分割能力:相较于FCM_S1方法、FCM_S2方法,FLICM方法受相干斑噪声的影响较大,分割结果较差,FCM_S1方法、FCM_S2方法分割结果相差不大,受相干斑噪声的影响也相对较小,但是其在边界处错分情况严重,本发明所提方法不仅受相干斑噪声的影响小,而且其在图像边界处仍有很好的分割效果,这也说明在区域交界处,利用二值加权矩阵剔除与中心像素相差较大的像素点,可以减少像素误分的情况,说明该方法具有较好的区域一致性。
仿真实验2、在上述仿真参数下,可以得出真实SAR图像的分割准确率并与FCM_S1方法、FCM_S2方法、FLICM方法和本发明方法进行效果对比。
表2真实SAR图像在各分割方法下的分割准确率
方法 | 正确分割像素数 | SA |
FCM_S1 | 78672 | 0.9040 |
FCM_S2 | 82488 | 0.9479 |
FLICM | 69059 | 0.7936 |
本发明方法 | 86544 | 0.9945 |
由表2可以看出,本发明分割方法分割准确率较高,相比FCM_S1方法、FCM_S2方法、FLICM方法准确率分别提高了10%、5%、20%,从图像和客观评价标准均证明本发明所提方法对于受相干斑噪声污染的图像具有很好的分割性能以及优异的细节保持能力。
请参见图4(a)~4(f),图4(a)~4(f)是本发明实施例提供的真实SAR图像分别在FCM_S1、FCM_S2、FLICM和本发明方法上的分割实验结果示意图,其中,图4(a)为一幅成都地区X波段的真实SAR图像,大小为295×295,图4(b)为构建的SAR图像4(a)的参考分割样本,图4(c)~4(f)分别是FCM_S1方法、FCM_S2方法、FLICM方法和本发明方法的SAR图像分割结果。通过对比可以看出:由于SAR图像区域内分块较明显,各方法都能将各区域的轮廓分割清楚,但是由于受相干斑噪声的影响,FCM_S1方法、FCM_S2方法、FLICM方法出现很多误分的情况,本发明所提方法的分割图边界分割清晰,同质区域内几乎没有出现误分的情况。
综上所述,本实施例提出的基于模糊C均值聚类的SAR图像分割方法,相比于传统FCM方法,具有更精确的分割效果,针对受相干斑污染的SAR图像具有更好的鲁棒性以及细节保持能力,具体地:通过读取SAR图像的灰度直方图更精准的确定了聚类中心和聚类数,并在目标函数中加入图像的非局部空间信息,充分利用了SAR图像的空间信息,从而保持了分割SAR图像边界细节的分割清晰度,进而提高了整个SAR图像的分割精度;同时为了提高聚类精度还额外考虑了类间离散度,即结合类内的紧促性和类间的分离性进行模糊聚类,避免了传统FCM方法出现的过模糊现象。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (7)
1.一种基于模糊C均值聚类的SAR图像分割方法,其特征在于,包括以下步骤:
步骤1、输入待分割SAR图像;
步骤2、获取所述待分割SAR图像的灰度直方图数据集;
步骤3、对所述灰度直方图数据集进行相干斑抑制处理得到灰度滤波数据集;
步骤4、根据所述灰度滤波数据集计算非局部空间信息项的自适应加权参数;
步骤5、根据所述灰度滤波数据集、所述自适应加强参数构建SAR图像分割的目标函数;
步骤6、求解所述目标函数得到若干隶属度值,所述若干隶属度值按照最大隶属度原则去模糊,以实现SAR图像的分割。
5.根据权利要求4所述的基于模糊C均值聚类的SAR图像分割方法,其特征在于,步骤6中求解所述目标函数得到若干隶属度值包括:
步骤6.1、计算聚类中心、聚类数;
步骤6.2、根据所述聚类中心更新类间离散度参数;
步骤6.3、根据所述聚类中心、所述类间离散度参数更新隶属度参数;
步骤6.4、根据所述隶属度参数重新计算聚类中心、聚类数;
步骤6.5、根据更新后的聚类中心、聚类数重复步骤6.2~步骤6.4,直到计算满足预设停止条件,输出最终的若干隶属度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011375840.8A CN112508963B (zh) | 2020-11-30 | 2020-11-30 | 一种基于模糊c均值聚类的sar图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011375840.8A CN112508963B (zh) | 2020-11-30 | 2020-11-30 | 一种基于模糊c均值聚类的sar图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508963A true CN112508963A (zh) | 2021-03-16 |
CN112508963B CN112508963B (zh) | 2023-09-19 |
Family
ID=74968096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011375840.8A Active CN112508963B (zh) | 2020-11-30 | 2020-11-30 | 一种基于模糊c均值聚类的sar图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508963B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537411A (zh) * | 2021-09-15 | 2021-10-22 | 湖北工业大学 | 一种基于毫米波雷达的改进模糊聚类方法 |
CN116051415A (zh) * | 2023-01-31 | 2023-05-02 | 西安电子科技大学杭州研究院 | 一种基于超像素分割的视频sar序贯图像相干斑滤波方法 |
CN117746272A (zh) * | 2024-02-21 | 2024-03-22 | 西安迈远科技有限公司 | 一种基于无人机的水资源数据采集处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156943A (zh) * | 2014-07-14 | 2014-11-19 | 西安电子科技大学 | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 |
CN109712149A (zh) * | 2018-12-25 | 2019-05-03 | 杭州世平信息科技有限公司 | 一种基于小波能量和模糊c均值的图像分割方法 |
CN110147795A (zh) * | 2019-05-24 | 2019-08-20 | 电子科技大学 | 一种自适应非局部模糊c均值聚类sar图像分割算法 |
CN111080647A (zh) * | 2019-11-26 | 2020-04-28 | 西安电子科技大学 | 基于自适应滑动窗口滤波和fcm的sar图像分割方法 |
WO2020233084A1 (zh) * | 2019-05-21 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 一种图像分割方法、装置、存储介质及终端设备 |
-
2020
- 2020-11-30 CN CN202011375840.8A patent/CN112508963B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156943A (zh) * | 2014-07-14 | 2014-11-19 | 西安电子科技大学 | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 |
CN109712149A (zh) * | 2018-12-25 | 2019-05-03 | 杭州世平信息科技有限公司 | 一种基于小波能量和模糊c均值的图像分割方法 |
WO2020233084A1 (zh) * | 2019-05-21 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 一种图像分割方法、装置、存储介质及终端设备 |
CN110147795A (zh) * | 2019-05-24 | 2019-08-20 | 电子科技大学 | 一种自适应非局部模糊c均值聚类sar图像分割算法 |
CN111080647A (zh) * | 2019-11-26 | 2020-04-28 | 西安电子科技大学 | 基于自适应滑动窗口滤波和fcm的sar图像分割方法 |
Non-Patent Citations (1)
Title |
---|
马冬梅;武永娟;火元莲;邹鑫;: "一种改进的非局部极值FCM图像分割算法", 计算机技术与发展, no. 09 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537411A (zh) * | 2021-09-15 | 2021-10-22 | 湖北工业大学 | 一种基于毫米波雷达的改进模糊聚类方法 |
CN113537411B (zh) * | 2021-09-15 | 2021-11-23 | 湖北工业大学 | 一种基于毫米波雷达的改进模糊聚类方法 |
CN116051415A (zh) * | 2023-01-31 | 2023-05-02 | 西安电子科技大学杭州研究院 | 一种基于超像素分割的视频sar序贯图像相干斑滤波方法 |
CN116051415B (zh) * | 2023-01-31 | 2023-07-04 | 西安电子科技大学杭州研究院 | 基于超像素分割的视频sar序贯图像相干斑滤波方法 |
CN117746272A (zh) * | 2024-02-21 | 2024-03-22 | 西安迈远科技有限公司 | 一种基于无人机的水资源数据采集处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112508963B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109509199B (zh) | 一种基于三维重建的医学影像组织智能分割方法 | |
CN112508963B (zh) | 一种基于模糊c均值聚类的sar图像分割方法 | |
Sulaiman et al. | Denoising-based clustering algorithms for segmentation of low level salt-and-pepper noise-corrupted images | |
CN108198193B (zh) | 一种利用改进直觉模糊聚类算法分割红外舰船图像的方法 | |
CN103761726B (zh) | 基于fcm的分块自适应图像分割方法 | |
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 | |
CN109712149B (zh) | 一种基于小波能量和模糊c均值的图像分割方法 | |
CN110796667A (zh) | 基于改进小波聚类的彩色图像分割方法 | |
CN106600610B (zh) | 一种fcm图像分割方法及装置 | |
CN111815640B (zh) | 一种基于忆阻器的rbf神经网络医学图像分割算法 | |
Zhao et al. | A novel Neutrosophic image segmentation based on improved fuzzy C-means algorithm (NIS-IFCM) | |
CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
CN110473224B (zh) | 一种基于kl熵的rsf水平集图像自动分割方法 | |
CN107564008A (zh) | 基于关键像素模糊聚类的快速sar图像分割方法 | |
Goyal et al. | Fuzzy similarity measure based spectral clustering framework for noisy image segmentation | |
CN111080647B (zh) | 基于自适应滑动窗口滤波和fcm的sar图像分割方法 | |
CN112651951A (zh) | 一种基于dce-mri的乳腺癌分级方法 | |
CN111539966A (zh) | 一种基于模糊c均值聚类的比色传感器阵列图像分割方法 | |
CN108182684B (zh) | 一种基于加权核函数模糊聚类的图像分割方法及其装置 | |
CN114240990B (zh) | Sar图像点目标分割方法 | |
CN112734666B (zh) | 基于相似值的sar图像相干斑非局部均值抑制方法 | |
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 | |
CN110751652B (zh) | 基于巴氏距离和纹理模式度量的sar图像分割方法 | |
Guan et al. | A modified grabcut approach for image segmentation based on local prior distribution | |
CN113822361A (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 |
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 |