WO2020233084A1 - 一种图像分割方法、装置、存储介质及终端设备 - Google Patents
一种图像分割方法、装置、存储介质及终端设备 Download PDFInfo
- Publication number
- WO2020233084A1 WO2020233084A1 PCT/CN2019/122572 CN2019122572W WO2020233084A1 WO 2020233084 A1 WO2020233084 A1 WO 2020233084A1 CN 2019122572 W CN2019122572 W CN 2019122572W WO 2020233084 A1 WO2020233084 A1 WO 2020233084A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- frog
- membership
- preset
- degree
- population
- Prior art date
Links
Images
Classifications
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Abstract
本申请涉及图像处理技术领域，尤其涉及一种图像分割方法、装置、存储介质及终端设备。本申请提供的方法包括：获取待分割的原始图像，并确定原始图像的聚类数目和像素点；根据聚类数目和像素点对预设蛙跳算法进行初始化，并通过初始化后的预设蛙跳算法对像素点进行寻优处理，得到原始图像的各局部最优像素点；将各局部最优像素点确定为模糊C均值聚类算法的初始聚类中心，并利用模糊C均值聚类算法根据初始聚类中心对所述原始图像进行再聚类，得到分割图像，以合理确定模糊C均值聚类算法的初始聚类中心，并通过将预设蛙跳算法与模糊C均值聚类算法相结合来进行图像分割，可有效减少图像分割过程中的计算复杂度，提高图像分割效率和分割效果。
Description
本申请要求于2019年05月21日提交中国专利局、申请号为201910422757.2、发明名称为“一种图像分割方法、装置、存储介质及终端设备”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
本申请涉及图像处理技术领域，尤其涉及一种图像分割方法、装置、计算机可读存储介质及终端设备。
图像分割是指把图像分成若干特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，模糊C均值聚类算法(FCM)是图像分割的常用方法，它是在模糊数学基础上对K均值算法的推广，通过最优化一个模糊目标函数来实现聚类，它不像K均值聚类那样认为每个点只能属于某一类，而是赋予每个点一个对应的隶属度，用隶属度可以更好地描述边缘像素亦此亦彼的特点，适合处理事物内在的不确定性。利用FCM聚类进行图像分割，虽然可以减少人为干预，以实现简单的图像分割，但FCM聚类极大地依赖于初始聚类中心，一旦初始聚类中心确定不合理，将严重影响图像的分割效果。
本申请实施例提供了一种图像分割方法、装置、计算机可读存储介质及终端设备，能够合理确定FCM聚类的初始聚类中心，提高图像分割效率和分割效果，并能够有效减少图像分割过程中的计算复杂度。
本申请实施例的第一方面，提供了一种图像分割方法，包括：
获取待分割的原始图像，并确定所述原始图像的聚类数目和像素点；
根据所述聚类数目和所述像素点对预设蛙跳算法进行初始化，并通过初始化后的预设蛙跳算法对所述像素点进行寻优处理，得到所述原始图像的各局部最优像素点；
将各所述局部最优像素点确定为模糊C均值聚类算法的初始聚类中心，并利用所述模糊C均值聚类算法根据所述初始聚类中心对所述原始图像进行再聚类，得到分割图像。
本申请实施例的第二方面，提供了一种图像分割装置，包括：
原始图像获取模块，用于获取待分割的原始图像，并确定所述原始图像的聚类数目和像素点；
寻优处理模块，用于根据所述聚类数目和所述像素点对预设蛙跳算法进行初始化，并 通过初始化后的预设蛙跳算法对所述像素点进行寻优处理，得到所述原始图像的各局部最优像素点；
图像分割模块，用于将各所述局部最优像素点确定为模糊C均值聚类算法的初始聚类中心，并利用所述模糊C均值聚类算法根据所述初始聚类中心对所述原始图像进行再聚类，得到分割图像。
本申请实施例的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如前述第一方面所述图像分割方法的步骤。
本申请实施例的第四方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：
获取待分割的原始图像，并确定所述原始图像的聚类数目和像素点；
根据所述聚类数目和所述像素点对预设蛙跳算法进行初始化，并通过初始化后的预设蛙跳算法对所述像素点进行寻优处理，得到所述原始图像的各局部最优像素点；
将各所述局部最优像素点确定为模糊C均值聚类算法的初始聚类中心，并利用所述模糊C均值聚类算法根据所述初始聚类中心对所述原始图像进行再聚类，得到分割图像。
本申请实施例中，在获取到待分割的原始图像的聚类数目和像素点后，可首先根据聚类数目和像素点对预设蛙跳算法进行初始化，其次可利用初始化后的预设蛙跳算法来对像素点进行寻优，得到原始图像的各局部最优像素点，并将所得到的局部最优像素点确定为模糊C均值聚类算法的初始聚类中心，然后利用模糊C均值聚类算法根据初始聚类中心对原始图像进行图像分割。即本申请实施例中，可通过结合预设蛙跳算法来确定模糊C均值聚类算法的初始聚类中心，并利用该初始聚类中心进行再聚类来实现图像分割，可以合理确定模糊C均值聚类算法的初始聚类中心，以提高图像分割效果，另外，因蛙跳算法具有计算速度快、寻优能力强等特点，因此将预设蛙跳算法与模糊C均值聚类算法相结合来进行图像分割，可有效减少图像分割过程中的计算复杂度，提高收敛速度，极大地提高了图像分割效率和分割效果。
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得 其他的附图。
图1为本申请实施例中一种图像分割方法的一个实施例流程图；
图2为本申请实施例中一种图像分割方法在一个应用场景下进行寻优处理的流程示意图；
图3为本申请实施例中一种图像分割装置的一个实施例结构图；
图4为本申请一实施例提供的一种终端设备的示意图。
本申请实施例提供了一种图像分割方法、装置、计算机可读存储介质及终端设备，用于合理确定FCM聚类的初始聚类中心，提高图像分割效率和分割效果，并能够有效减少图像分割过程中的计算复杂度。
为使得本申请的发明目的、特征能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
请参阅图1，本申请实施例提供了一种图像分割方法，所述图像分割方法包括：
步骤S101、获取待分割的原始图像，并确定所述原始图像的聚类数目和像素点；
本申请实施例的执行主体为终端设备，该终端设备包括但不限于：服务器、计算机、智能手机以及平板电脑等设备。当需要进行图像分割时，可在该终端设备中输入待分割的原始图像，并设置所述原始图像的聚类数目，如可将所述原始图像的聚类数目设置为4或者3等等，终端设备在获取到所述原始图像之后，即可确定出所述原始图像的像素点，如确定出所述原始图像的像素点个数和各像素点位置等。
步骤S102、根据所述聚类数目和所述像素点对预设蛙跳算法进行初始化，并通过初始化后的预设蛙跳算法对所述像素点进行寻优处理，得到所述原始图像的各局部最优像素点；
本申请实施例中，该终端设备在确定出所述原始图像的聚类数目和像素点后，可根据所述聚类数目和所述像素点对预设蛙跳算法进行初始化，并通过初始化后的预设蛙跳算法对所述像素点进行寻优处理，得到所述原始图像的各局部最优像素点。具体地，如图2所示，所述根据所述聚类数目和所述像素点对预设蛙跳算法进行初始化，并通过初始化后的预设蛙跳算法对所述像素点进行寻优处理，得到所述原始图像的各局部最优像素点，可以包括：
步骤S201、将所述聚类数目确定为所述预设蛙跳算法的种群组数，构建所述种群组数的初始种群，并初始化各所述初始种群的第一聚类中心；
本申请实施例中，可将所述原始图像的聚类数目确定为预设蛙跳算法的种群组数，以构建该种群组数的初始种群，并可初始化各初始种群的第一聚类中心，如可通过随机生成函 数rand(i)生成各初始种群的第一聚类中心，如在某一具体应用场景中，当所述原始图像的聚类数目为4时，则可确定所述预设蛙跳算法的种群组数为4，也就是说需要构建4个初始种群，即需要通过随机生成函数rand(i)生成4个第一聚类中心，而每一个第一聚类中心则对应于一个初始种群。
步骤S202、根据所述像素点确定所述预设蛙跳算法的青蛙个体，并计算每一个青蛙个体与各所述第一聚类中心之间的第一隶属度；
本申请实施例中，可以根据所述原始图像的像素点生成预设数量的青蛙个体，如可从所述原始图像的像素点中选取NI个像素点作为预设蛙跳算法中的青蛙个体，即将所选取的每一个像素点当做一个青蛙个体，其中，所述预设数量NI则可根据所述预设蛙跳算法的初始化值进行确定，也就是说，可事先在该终端设备中进行所述预设蛙跳算法的初始化，如可预先设置所述预设蛙跳算法的群体规模NI、组内最大迭代次数J、青蛙个体在改变位置时能够允许的最大变量Dmax等等。
在选取出所述预设蛙跳算法的各青蛙个体后，则可计算各青蛙个体与各第一聚类中心之间的隶属度，如可利用所述模糊C均值聚类算法的隶属度计算公式计算每一个青蛙个体与各所述第一聚类中心之间的第一隶属度，具体地，所述隶属度计算公式为：
其中，u
ij为青蛙个体j与第一聚类中心i之间的第一隶属度，X
j为青蛙个体j的位置向量，V
i为第一聚类中心i的位置向量，C为聚类数目，m为模糊C均值聚类算法的模糊度，||X
j-V
i||为X
j与V
i之间的欧式距离。
需要说明的是，所述模糊C均值聚类算法的模糊度m也可以事先在该终端设备中进行设置。
步骤S203、根据所述第一隶属度将各青蛙个体划分至对应的初始种群，并根据所述第一隶属度获取各所述初始种群的最差青蛙个体；
可以理解的是，在得到各青蛙个体与各聚类中心之间的第一隶属度后，可根据各第一隶属度将各青蛙个体划分至对应的初始种群中，如首先获取各青蛙个体的最大隶属度，并将各最大隶属度所对应的第一聚类中心所属的初始种群确定为各青蛙个体所属的初始种群，即将各青蛙个体划分至其最大隶属度对应的第一聚类中心所属的初始种群中。
例如在一具体应用场景中，第一聚类中心包括A、B、C以及D四个，其中，第一个青蛙个体与第一聚类中心A之间的第一隶属度为0.6、与第一聚类中心B之间的第一隶属度为 0.3、与第一聚类中心C之间的第一隶属度为0.4以及与第一聚类中心D之间的第一隶属度为0.1，而第二个青蛙个体与第一聚类中心A之间的第一隶属度为0.4、与第一聚类中心B之间的第一隶属度为0.1、与第一聚类中心C之间的第一隶属度为0.5以及与第一聚类中心D之间的第一隶属度为0时，则可将第一个青蛙个体划分至第一聚类中心A所属的初始种群A中，将第二个青蛙个体划分至第一聚类中心C所属的初始种群C中。
本申请实施例中，在完成所有青蛙个体的划分之后，可获取各初始种群中的最差青蛙个体，其中，所述最差青蛙个体为各初始种群中第一隶属度最小的青蛙个体。
步骤S204、按照预设更新方式对各所述最差青蛙个体进行位置更新，得到更新后的新种群；
可以理解的是，在确定出各初始种群中的最差青蛙个体后，可对各最差青蛙个体进行位置更新，如可采用基于收缩因子ε的位置更新方式对各最差青蛙个体进行位置更新，得到更新后的新种群。在此，本申请实施例中，基于收缩因子ε的位置更新方式具体可以为：
newX
i＝ε*(X
i+D)
phi＝4*rand(i)
其中，newX
i为青蛙个体i更新后的位置向量，ε为收缩因子，X
i为青蛙个体i更新之前的位置向量，D为青蛙个体的更新步长系数。在此，更新步长系数可根据实际情况进行具体设定。
需要说明的是，在采用基于收缩因子ε的位置更新方式对各最差青蛙个体进行位置更新后，可计算更新后的最差青蛙个体与对应的第一聚类中心之间的新隶属度，并判断所述新隶属度是否满足预设条件，如判断所述新隶属度是否大于该最差青蛙个体进行位置更新前的第一隶属度，若所述新隶属度满足所述预设条件，如所述新隶属度大于该最差青蛙个体进行位置更新前的第一隶属度的话，则在该初始种群中保留位置更新后的最差青蛙个体，并将保留后的初始种群确定为更新后的新种群；若所述新隶属度不满足所述预设条件，如所述新隶属度小于或者等于该最差青蛙个体进行位置更新前的第一隶属度的话，则可随机生成一新青蛙个体，并利用所述新青蛙个体替换该最差青蛙个体，以得到更新后的新种群。也就是说，当某一初始种群中的最差青蛙个体，在采用基于收缩因子ε的位置更新方式进行更新后，并未得到优化时，则可通过随机产生一个全新的青蛙个体来作为该初始种群中的青蛙个体，以替换未优化的最差青蛙个体来得到更新后的新种群，从而提高所述预设蛙跳算法的收敛速度，进而提高图像分割的分割效率。
步骤S205、判断所述新种群是否满足预设终止条件；
可以理解的是，在得到各初始种群的每一代新种群后，可判断所述新种群是否满足预设终止条件，其中，所述预设终止条件可以为各组迭代次数是否达到预先设置的组内最大迭代次数J，也可以为各组中的最优青蛙个体连续相同的代数是否达到预设代数值，还可以为各新种群的目标函数值是否小于预先设置的预设阈值，等等。本申请实施例中，所述预设终止条件优选为目标函数值是否小于预设阈值，因此，所述判断所述新种群是否满足预设终止条件，可以包括：
根据各所述第一隶属度计算所述新种群的目标函数值，并判断所述目标函数值是否满足预设条件；
具体地，所述目标函数值的的计算公式为：
其中，F(t)为目标函数值，C为聚类数目，N为青蛙个体的总个数，u
ij为青蛙个体j与第一聚类中心i之间的第一隶属度，X
j为青蛙个体j的位置向量，V
i为第一聚类中心i的位置向量。
在此，在每一代新种群得到后，可根据上述目标函数值计算公式得到新种群对应的目标函数值，并判断该目标函数值是否满足预设条件，如判断该目标函数值是否小于预设阈值，以确定新种群是否满足预设终止条件。
步骤S206、若所述新种群满足所述预设终止条件，则获取各所述新种群中的最优青蛙个体，并将各所述最优青蛙个体确定为所述原始图像的各局部最优像素点；
步骤S207、若所述新种群不满足所述预设终止条件，则确定各所述新种群的第二聚类中心，计算各所述新种群中的每一个青蛙个体与对应的第二聚类中心之间的第二隶属度，并将各所述新种群确定为初始种群、将所述第二隶属度确定为第一隶属度，返回执行根据所述第一隶属度获取各所述初始种群的最差青蛙个体的步骤以及后续步骤。
对于上述步骤S206和步骤S207，可以理解的是，若更新后的新种群满足所述预设终止条件的话，例如，各新种群的组内迭代次数达到预设的最大迭代次数，或者新种群对应的目标函数值小于预设阈值的话，则可以终止迭代，并获取此时各新种群的最优青蛙个体，即获取各新种群中第一隶属度最大的青蛙个体，并将所获取的各最优青蛙个体所表示的像素点确定为所述原始图像的各局部最优像素点；若新种群不满足预设终止条件的话，如某一新种群的组内迭代次数小于预设的最大迭代次数，或者新种群对应的目标函数值大于或者等于预设阈值的话，则可重新确定各新种群的第二聚类中心，并在各新种群内重新计算各青蛙个体的第二隶属度，从而重新寻找出各新种群中的最差青蛙个体，以对各新种群中重新寻找到的最 差青蛙个体再次进行位置更新，直到新种群满足所述预设终止条件为止。
优选地，本申请实施例中，所述确定各所述新种群的第二聚类中心，可以包括：
根据下述确定公式确定各所述新种群的第二聚类中心：
其中，V
s为第s个新种群的第二聚类中心，u
ts为第s个新种群中的青蛙个体t与V
s之间的隶属度，m为模糊C均值聚类算法的模糊度，X
t为青蛙个体t的位置向量，T为第s个新种群中青蛙个体的总个数。
步骤S103、将各所述局部最优像素点确定为模糊C均值聚类算法的初始聚类中心，并利用所述模糊C均值聚类算法根据所述初始聚类中心对所述原始图像进行再聚类，得到分割图像。
可以理解的是，在通过所述预设蛙跳算法获取到所述原始图像的各局部最优像素点后，可将各局部最优像素点确定为模糊C均值聚类算法的初始聚类中心，并利用所述模糊C均值聚类算法根据所述初始聚类中心对所述原始图像进行再聚类，得到分割图像，其中，所获取到的局部最优像素点的个数为聚类数目，如当聚类数目为4时，则可获取到4个局部最优像素点。在此，所述模糊C均值聚类算法根据所述初始聚类中心对所述原始图像进行再聚类以进行图像分割的过程与传统的模糊C均值聚类算法进行图像分割的过程相同，本申请实施例中，主要是通过预设蛙跳算法来优化传统的模糊C均值聚类算法中初始聚类中心的确定方式，以提高初始聚类中心确定的准确性，提高图像分割效果和分割效率。
本申请实施例中，在获取到待分割的原始图像的聚类数目和像素点后，可首先根据聚类数目和像素点对预设蛙跳算法进行初始化，其次可利用初始化后的预设蛙跳算法来对像素点进行寻优，得到原始图像的各局部最优像素点，并将所得到的局部最优像素点确定为模糊C均值聚类算法的初始聚类中心，然后利用模糊C均值聚类算法根据初始聚类中心对原始图像进行图像分割。即本申请实施例中，可通过结合预设蛙跳算法来确定模糊C均值聚类算法的初始聚类中心，并利用该初始聚类中心进行再聚类来实现图像分割，可以合理确定模糊C均值聚类算法的初始聚类中心，以提高图像分割效果，另外，因蛙跳算法具有计算速度快、寻优能力强等特点，因此将预设蛙跳算法与模糊C均值聚类算法相结合来进行图像分割，可有效减少图像分割过程中的计算复杂度，提高收敛速度，极大地提高了图像分割效率和分割效果。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
上面主要描述了一种图像分割方法，下面将对一种图像分割装置进行详细描述。
如图3所示，本申请实施例提供了一种图像分割装置，所述图像分割装置包括：
原始图像获取模块301，用于获取待分割的原始图像，并确定所述原始图像的聚类数目和像素点；
寻优处理模块302，用于根据所述聚类数目和所述像素点对预设蛙跳算法进行初始化，并通过初始化后的预设蛙跳算法对所述像素点进行寻优处理，得到所述原始图像的各局部最优像素点；
图像分割模块303，用于将各所述局部最优像素点确定为模糊C均值聚类算法的初始聚类中心，并利用所述模糊C均值聚类算法根据所述初始聚类中心对所述原始图像进行再聚类，得到分割图像。
进一步地，所述寻优处理模块302，可以包括：
初始种群构建单元，用于将所述聚类数目确定为所述预设蛙跳算法的种群组数，构建所述种群组数的初始种群，并初始化各所述初始种群的第一聚类中心；
第一隶属度计算单元，用于根据所述像素点确定所述预设蛙跳算法的青蛙个体，并计算每一个青蛙个体与各所述第一聚类中心之间的第一隶属度；
个体划分单元，用于根据所述第一隶属度将各青蛙个体划分至对应的初始种群，并根据所述第一隶属度获取各所述初始种群的最差青蛙个体；
新种群获取单元，用于按照预设更新方式对各所述最差青蛙个体进行位置更新，得到更新后的新种群；
新种群判断单元，用于判断所述新种群是否满足预设终止条件；
最优像素点确定单元，用于若所述新种群满足所述预设终止条件，则获取各所述新种群中的最优青蛙个体，并将各所述最优青蛙个体确定为所述原始图像的各局部最优像素点；
第二隶属度计算单元，用于若所述新种群不满足所述预设终止条件，则确定各所述新种群的第二聚类中心，计算各所述新种群中的每一个青蛙个体与对应的第二聚类中心之间的第二隶属度，并将各所述新种群确定为初始种群、将所述第二隶属度确定为第一隶属度，返回执行根据所述第一隶属度获取各所述初始种群的最差青蛙个体的步骤以及后续步骤。
优选地，所述第一隶属度计算单元，具体用于利用所述模糊C均值聚类算法的隶属度计算公式计算每一个青蛙个体与各所述第一聚类中心之间的第一隶属度，其中，所述隶属度计算公式为：
其中，u
ij为青蛙个体j与第一聚类中心i之间的第一隶属度，X
j为青蛙个体j的位置向量，V
i为第一聚类中心i的位置向量，C为聚类数目，m为模糊C均值聚类算法的模糊度，||X
j-V
i||为X
j与V
i之间的欧式距离。
可选地，所述新种群判断单元，具体用于根据各所述第一隶属度计算所述新种群的目标函数值，并判断所述目标函数值是否满足预设条件；
具体地，所述目标函数值的的计算公式为：
其中，F(t)为目标函数值，C为聚类数目，N为青蛙个体的总个数，u
ij为青蛙个体j与第一聚类中心i之间的第一隶属度，X
j为青蛙个体j的位置向量，V
i为第一聚类中心i的位置向量。
进一步地，所述新种群获取单元，具体用于根据下述更新公式对各所述最差青蛙个体进行位置更新：
newX
i＝ε*(X
i+D)
phi＝4*rand(i)
其中，newX
i为青蛙个体i更新后的位置向量，X
i为青蛙个体i更新之前的位置向量，D为青蛙个体的更新步长系数。
优选地，所述第二隶属度计算单元，具体用于根据下述确定公式确定各所述新种群的第二聚类中心：
其中，V
s为第s个新种群的第二聚类中心，u
ts为第s个新种群中的青蛙个体t与V
s之间的隶属度，m为模糊C均值聚类算法的模糊度，X
t为青蛙个体t的位置向量，T为第s个新种群中青蛙个体的总个数。
图4是本申请一实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机可读指令42，例如图像分割程序。所述处理器40执行所述计算机可读指令42时实现上述各个图像分割方法实施例中的步骤，例如图1所示的步骤S101至步骤S103。或者，所述 处理器40执行所述计算机可读指令42时实现上述各装置实施例中各模块/单元的功能，例如图3所示的模块301至模块303的功能。
示例性的，所述计算机可读指令42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令42在所述终端设备4中的执行过程。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机可读指令以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机非易失性可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。 易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (20)
- 一种图像分割方法，其特征在于，包括：获取待分割的原始图像，并确定所述原始图像的聚类数目和像素点；根据所述聚类数目和所述像素点对预设蛙跳算法进行初始化，并通过初始化后的预设蛙跳算法对所述像素点进行寻优处理，得到所述原始图像的各局部最优像素点；将各所述局部最优像素点确定为模糊C均值聚类算法的初始聚类中心，并利用所述模糊C均值聚类算法根据所述初始聚类中心对所述原始图像进行再聚类，得到分割图像。
- 根据权利要求1所述的图像分割方法，其特征在于，所述根据所述聚类数目和所述像素点对预设蛙跳算法进行初始化，并通过初始化后的预设蛙跳算法对所述像素点进行寻优处理，得到所述原始图像的各局部最优像素点，包括：将所述聚类数目确定为所述预设蛙跳算法的种群组数，构建所述种群组数的初始种群，并初始化各所述初始种群的第一聚类中心；根据所述像素点确定所述预设蛙跳算法的青蛙个体，并计算每一个青蛙个体与各所述第一聚类中心之间的第一隶属度；根据所述第一隶属度将各青蛙个体划分至对应的初始种群，并根据所述第一隶属度获取各所述初始种群的最差青蛙个体；按照预设更新方式对各所述最差青蛙个体进行位置更新，得到更新后的新种群；判断所述新种群是否满足预设终止条件；若所述新种群满足所述预设终止条件，则获取各所述新种群中的最优青蛙个体，并将各所述最优青蛙个体确定为所述原始图像的各局部最优像素点；若所述新种群不满足所述预设终止条件，则确定各所述新种群的第二聚类中心，计算各所述新种群中的每一个青蛙个体与对应的第二聚类中心之间的第二隶属度，并将各所述新种群确定为初始种群、将所述第二隶属度确定为第一隶属度，返回执行根据所述第一隶属度获取各所述初始种群的最差青蛙个体的步骤以及后续步骤。
- 根据权利要求2所述的图像分割方法，其特征在于，所述计算每一个青蛙个体与各所述第一聚类中心之间的第一隶属度，包括：利用所述模糊C均值聚类算法的隶属度计算公式计算每一个青蛙个体与各所述第一聚类中心之间的第一隶属度，其中，所述隶属度计算公式为：
其中，u ij为青蛙个体j与第一聚类中心i之间的第一隶属度，X j为青蛙个体j的位置向量，V i为第一聚类中心i的位置向量，C为聚类数目，m为模糊C均值聚类算法的模糊度，||X j-V i||为X j与V i之间的欧式距离。 - 根据权利要求3所述的图像分割方法，其特征在于，所述判断所述新种群是否满足预设终止条件，包括：根据各所述第一隶属度计算所述新种群的目标函数值，并判断所述目标函数值是否满足预设条件；具体地，所述目标函数值的的计算公式为：
其中，F(t)为目标函数值，C为聚类数目，N为青蛙个体的总个数，u ij为青蛙个体j与第一聚类中心i之间的第一隶属度，X j为青蛙个体j的位置向量，V i为第一聚类中心i的位置向量。 - 根据权利要求2所述的图像分割方法，其特征在于，所述按照预设更新方式对各所述最差青蛙个体进行位置更新，包括：根据下述更新公式对各所述最差青蛙个体进行位置更新：newX i＝ε*(X i+D)
phi＝4*rand(i)其中，newX i为青蛙个体i更新后的位置向量，X i为青蛙个体i更新之前的位置向量，D为青蛙个体的更新步长系数。 - 根据权利要求2至5中任一项所述的图像分割方法，其特征在于，所述确定各所述新种群的第二聚类中心，包括：根据下述确定公式确定各所述新种群的第二聚类中心：
其中，V s为第s个新种群的第二聚类中心，u ts为第s个新种群中的青蛙个体t与V s之间的隶属度，m为模糊C均值聚类算法的模糊度，X t为青蛙个体t的位置向量，T为第s个新种群中青蛙个体的总个数。 - 一种图像分割装置，其特征在于，包括：原始图像获取模块，用于获取待分割的原始图像，并确定所述原始图像的聚类数目和像素点；寻优处理模块，用于根据所述聚类数目和所述像素点对预设蛙跳算法进行初始化，并通过初始化后的预设蛙跳算法对所述像素点进行寻优处理，得到所述原始图像的各局部最优像素点；图像分割模块，用于将各所述局部最优像素点确定为模糊C均值聚类算法的初始聚类中心，并利用所述模糊C均值聚类算法根据所述初始聚类中心对所述原始图像进行再聚类，得到分割图像。
- 根据权利要求7所述的图像分割装置，其特征在于，所述寻优处理模块，包括：初始种群构建单元，用于将所述聚类数目确定为所述预设蛙跳算法的种群组数，构建所述种群组数的初始种群，并初始化各所述初始种群的第一聚类中心；第一隶属度计算单元，用于根据所述像素点确定所述预设蛙跳算法的青蛙个体，并计算每一个青蛙个体与各所述第一聚类中心之间的第一隶属度；个体划分单元，用于根据所述第一隶属度将各青蛙个体划分至对应的初始种群，并根据所述第一隶属度获取各所述初始种群的最差青蛙个体；新种群获取单元，用于按照预设更新方式对各所述最差青蛙个体进行位置更新，得到更新后的新种群；新种群判断单元，用于判断所述新种群是否满足预设终止条件；最优像素点确定单元，用于若所述新种群满足所述预设终止条件，则获取各所述新种群中的最优青蛙个体，并将各所述最优青蛙个体确定为所述原始图像的各局部最优像素点；第二隶属度计算单元，用于若所述新种群不满足所述预设终止条件，则确定各所述新种群的第二聚类中心，计算各所述新种群中的每一个青蛙个体与对应的第二聚类中心之间的第二隶属度，并将各所述新种群确定为初始种群、将所述第二隶属度确定为第一隶属度，返回执行根据所述第一隶属度获取各所述初始种群的最差青蛙个体的步骤以及后续步骤。
- 根据权利要求8所述的图像分割装置，其特征在于，所述第一隶属度计算单元，具体用于利用所述模糊C均值聚类算法的隶属度计算公式计算每一个青蛙个体与各所述第一聚类中心之间的第一隶属度，其中，所述隶属度计算公式为：
其中，u ij为青蛙个体j与第一聚类中心i之间的第一隶属度，X j为青蛙个体j的位置向量，V i为第一聚类中心i的位置向量，C为聚类数目，m为模糊C均值聚类算法的模糊度，||X j-V i||为X j与V i之间的欧式距离。 - 根据权利要求9所述的图像分割装置，其特征在于，所述新种群判断单元，具体用于根据各所述第一隶属度计算所述新种群的目标函数值，并判断所述目标函数值是否满足预设条件；具体地，所述目标函数值的的计算公式为：
其中，F(t)为目标函数值，C为聚类数目，N为青蛙个体的总个数，u ij为青蛙个体j与第一聚类中心i之间的第一隶属度，X j为青蛙个体j的位置向量，V i为第一聚类中心i的位置向量。 - 根据权利要求8所述的图像分割装置，其特征在于，所述新种群获取单元，具体用于根据下述更新公式对各所述最差青蛙个体进行位置更新：newX i＝ε*(X i+D)
phi＝4*rand(i)其中，newX i为青蛙个体i更新后的位置向量，X i为青蛙个体i更新之前的位置向量，D为青蛙个体的更新步长系数。 - 根据权利要求8至11中任一项所述的图像分割装置，其特征在于，所述第二隶属度计算单元，具体用于根据下述确定公式确定各所述新种群的第二聚类中心：
其中，V s为第s个新种群的第二聚类中心，u ts为第s个新种群中的青蛙个体t与V s之间的隶属度，m为模糊C均值聚类算法的模糊度，X t为青蛙个体t的位置向量，T为第s个新种群中青蛙个体的总个数。 - 一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如下步骤：获取待分割的原始图像，并确定所述原始图像的聚类数目和像素点；根据所述聚类数目和所述像素点对预设蛙跳算法进行初始化，并通过初始化后的预设蛙跳算法对所述像素点进行寻优处理，得到所述原始图像的各局部最优像素点；将各所述局部最优像素点确定为模糊C均值聚类算法的初始聚类中心，并利用所述模糊C均值聚类算法根据所述初始聚类中心对所述原始图像进行再聚类，得到分割图像。
- 根据权利要求13所述的计算机可读存储介质，其特征在于，所述根据所述聚类数目和所述像素点对预设蛙跳算法进行初始化，并通过初始化后的预设蛙跳算法对所述像素点进行寻优处理，得到所述原始图像的各局部最优像素点，包括：将所述聚类数目确定为所述预设蛙跳算法的种群组数，构建所述种群组数的初始种群，并初始化各所述初始种群的第一聚类中心；根据所述像素点确定所述预设蛙跳算法的青蛙个体，并计算每一个青蛙个体与各所述第一聚类中心之间的第一隶属度；根据所述第一隶属度将各青蛙个体划分至对应的初始种群，并根据所述第一隶属度获取各所述初始种群的最差青蛙个体；按照预设更新方式对各所述最差青蛙个体进行位置更新，得到更新后的新种群；判断所述新种群是否满足预设终止条件；若所述新种群满足所述预设终止条件，则获取各所述新种群中的最优青蛙个体，并将各所述最优青蛙个体确定为所述原始图像的各局部最优像素点；若所述新种群不满足所述预设终止条件，则确定各所述新种群的第二聚类中心，计算各所述新种群中的每一个青蛙个体与对应的第二聚类中心之间的第二隶属度，并将各所述新种群确定为初始种群、将所述第二隶属度确定为第一隶属度，返回执行根据所述第一隶属度获取各所述初始种群的最差青蛙个体的步骤以及后续步骤。
- 一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如下步骤：获取待分割的原始图像，并确定所述原始图像的聚类数目和像素点；根据所述聚类数目和所述像素点对预设蛙跳算法进行初始化，并通过初始化后的预设蛙跳算法对所述像素点进行寻优处理，得到所述原始图像的各局部最优像素点；将各所述局部最优像素点确定为模糊C均值聚类算法的初始聚类中心，并利用所述模糊C均值聚类算法根据所述初始聚类中心对所述原始图像进行再聚类，得到分割图像。
- 根据权利要求15所述的终端设备，其特征在于，所述根据所述聚类数目和所述像素点对预设蛙跳算法进行初始化，并通过初始化后的预设蛙跳算法对所述像素点进行寻优处理，得到所述原始图像的各局部最优像素点，包括：将所述聚类数目确定为所述预设蛙跳算法的种群组数，构建所述种群组数的初始种群，并初始化各所述初始种群的第一聚类中心；根据所述像素点确定所述预设蛙跳算法的青蛙个体，并计算每一个青蛙个体与各所述第一聚类中心之间的第一隶属度；根据所述第一隶属度将各青蛙个体划分至对应的初始种群，并根据所述第一隶属度获取各所述初始种群的最差青蛙个体；按照预设更新方式对各所述最差青蛙个体进行位置更新，得到更新后的新种群；判断所述新种群是否满足预设终止条件；若所述新种群满足所述预设终止条件，则获取各所述新种群中的最优青蛙个体，并将各所述最优青蛙个体确定为所述原始图像的各局部最优像素点；若所述新种群不满足所述预设终止条件，则确定各所述新种群的第二聚类中心，计算各所述新种群中的每一个青蛙个体与对应的第二聚类中心之间的第二隶属度，并将各所述新种群确定为初始种群、将所述第二隶属度确定为第一隶属度，返回执行根据所述第一隶属度获取各所述初始种群的最差青蛙个体的步骤以及后续步骤。
- 根据权利要求16所述的终端设备，其特征在于，所述计算每一个青蛙个体与各所述第一聚类中心之间的第一隶属度，包括：利用所述模糊C均值聚类算法的隶属度计算公式计算每一个青蛙个体与各所述第一聚类中心之间的第一隶属度，其中，所述隶属度计算公式为：
其中，u ij为青蛙个体j与第一聚类中心i之间的第一隶属度，X j为青蛙个体j的位置向量，V i为第一聚类中心i的位置向量，C为聚类数目，m为模糊C均值聚类算法的模糊度，||X j-V i||为X j与V i之间的欧式距离。 - 根据权利要求17所述的终端设备，其特征在于，所述判断所述新种群是否满足预设终止条件，包括：根据各所述第一隶属度计算所述新种群的目标函数值，并判断所述目标函数值是否满足预设条件；具体地，所述目标函数值的的计算公式为：
其中，F(t)为目标函数值，C为聚类数目，N为青蛙个体的总个数，u ij为青蛙个体j与第一聚类中心i之间的第一隶属度，X j为青蛙个体j的位置向量，V i为第一聚类中心i的位置向量。 - 根据权利要求16所述的终端设备，其特征在于，所述按照预设更新方式对各所述最差青蛙个体进行位置更新，包括：根据下述更新公式对各所述最差青蛙个体进行位置更新：newX i＝ε*(X i+D)
phi＝4*rand(i)其中，newX i为青蛙个体i更新后的位置向量，X i为青蛙个体i更新之前的位置向量，D为青蛙个体的更新步长系数。 - 根据权利要求16至19中任一项所述的终端设备，其特征在于，所述确定各所述新种群的第二聚类中心，包括：根据下述确定公式确定各所述新种群的第二聚类中心：
其中，V s为第s个新种群的第二聚类中心，u ts为第s个新种群中的青蛙个体t与V s之间的隶属度，m为模糊C均值聚类算法的模糊度，X t为青蛙个体t的位置向量，T为第s个新种群中青蛙个体的总个数。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910422757.2A CN110264471A (zh) | 2019-05-21 | 2019-05-21 | 一种图像分割方法、装置、存储介质及终端设备 |
| CN201910422757.2 | 2019-05-21 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2020233084A1 true WO2020233084A1 (zh) | 2020-11-26 |
Family
ID=67914904
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2019/122572 WO2020233084A1 (zh) | 2019-05-21 | 2019-12-03 | 一种图像分割方法、装置、存储介质及终端设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110264471A (zh) |
| WO (1) | WO2020233084A1 (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508963A (zh) * | 2020-11-30 | 2021-03-16 | 西安电子科技大学 | 一种基于模糊c均值聚类的sar图像分割方法 |
| CN113705658A (zh) * | 2021-08-24 | 2021-11-26 | 浙江中烟工业有限责任公司 | 一种烟丝杂物智能识别方法 |
| CN113901995A (zh) * | 2021-09-28 | 2022-01-07 | 广东奥博信息产业股份有限公司 | 一种面向环境噪声数据的聚类方法及系统 |
| CN114330526A (zh) * | 2021-12-23 | 2022-04-12 | 北京交通大学 | 基于tgo-ssa-fcm算法的交通流量缺失数据修复方法 |
| CN114596438A (zh) * | 2022-03-10 | 2022-06-07 | 南京邮电大学 | 一种求解基因芯片图像分割的Memetic方法 |
| CN114595422A (zh) * | 2022-02-24 | 2022-06-07 | 大族激光科技产业集团股份有限公司 | 一种加工头蛙跳计算方法、加工设备及存储介质 |
| CN115952432A (zh) * | 2022-12-21 | 2023-04-11 | 四川大学华西医院 | 一种基于糖尿病数据的无监督聚类方法 |
| CN116188496A (zh) * | 2023-04-25 | 2023-05-30 | 牧马人(山东)勘察测绘集团有限公司 | 基于土地利用类型的遥感影像自适应分割方法 |
| CN116260547A (zh) * | 2023-05-11 | 2023-06-13 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种抑制同频干扰的系统及方法 |
| CN116309575A (zh) * | 2023-05-19 | 2023-06-23 | 济宁众达利电气设备有限公司 | 基于图像处理的电插头生产质量检测方法 |
| CN117408394A (zh) * | 2023-12-14 | 2024-01-16 | 国网天津市电力公司电力科学研究院 | 电力系统的碳排放因子预测方法、装置及电子设备 |
| CN117828958B (zh) * | 2024-03-06 | 2024-05-17 | 深圳大学 | 基于蟋蟀争斗优化算法的桁架结构优化设计方法和装置 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110969170B (zh) * | 2019-12-03 | 2024-03-08 | 北京奇艺世纪科技有限公司 | 一种图像主题色提取方法、装置及电子设备 |
| CN117115754B (zh) * | 2023-10-23 | 2023-12-26 | 贵州省种畜禽种质测定中心 | 基于计算机视觉的鸭舍智能化监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101599176A (zh) * | 2009-06-17 | 2009-12-09 | 中国科学院自动化研究所 | 一种对管状结构内层分割的方法 |
| CN102800089A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 基于颈部超声图像的主颈动脉血管提取和厚度测量方法 |
| CN102855633A (zh) * | 2012-09-05 | 2013-01-02 | 山东大学 | 一种具有抗噪性的快速模糊聚类数字图像分割方法 |
| CN109447997A (zh) * | 2018-09-01 | 2019-03-08 | 哈尔滨工程大学 | 一种自适应文化算法的水下声纳图像目标分割方法 |
| US10235750B2 (en) * | 2014-02-27 | 2019-03-19 | Agency For Science, Technology And Research | Segmentation of cardiac magnetic resonance (CMR) images using a memory persistence approach |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9626676D0 (en) * | 1996-12-23 | 1997-02-12 | Smith & Nephew Res | Imaging method |
| CN105931236B (zh) * | 2016-04-19 | 2018-12-14 | 武汉大学 | 面向图像分割的模糊c-均值聚类初始聚类中心自动选取方法 |
| CN108805893A (zh) * | 2018-06-06 | 2018-11-13 | 甘肃农业大学 | 苹果图像分割方法及装置 |
-
2019
- 2019-05-21 CN CN201910422757.2A patent/CN110264471A/zh active Pending
- 2019-12-03 WO PCT/CN2019/122572 patent/WO2020233084A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101599176A (zh) * | 2009-06-17 | 2009-12-09 | 中国科学院自动化研究所 | 一种对管状结构内层分割的方法 |
| CN102800089A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 基于颈部超声图像的主颈动脉血管提取和厚度测量方法 |
| CN102855633A (zh) * | 2012-09-05 | 2013-01-02 | 山东大学 | 一种具有抗噪性的快速模糊聚类数字图像分割方法 |
| US10235750B2 (en) * | 2014-02-27 | 2019-03-19 | Agency For Science, Technology And Research | Segmentation of cardiac magnetic resonance (CMR) images using a memory persistence approach |
| CN109447997A (zh) * | 2018-09-01 | 2019-03-08 | 哈尔滨工程大学 | 一种自适应文化算法的水下声纳图像目标分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| DONGLING LIU ET AL.: ""Medical Image Segmentation based on Improved Fuzzy C-means Clustering"", 2017 INTERNATIONAL CONFERENCE ON SMART GRID AND ELECTRICAL AUTOMATION (ICSGEA), 28 May 2017 (2017-05-28), pages 406 - 410, XP033253339 * |
| GU YING-JIE; JIA ZHEN-HONG; QIN XI-ZHONG; YANG JIE; PANG SHAO-NING: "Image segmentation algorithm based on shuffled frog-leaping with FCM", COMMUNICATIONS TECHNOLOGY, vol. 44, no. 2, 28 February 2011 (2011-02-28), pages 118 - 119+122, XP009524357, ISSN: 1002-0802 * |
| LI, ZHEN , LUO KE : "Improved FCM algorithm based on PSO and SFLA", JOURNAL OF COMPUTER APPLICATIONS, vol. 31, no. 5, 31 May 2011 (2011-05-31), pages 1355 - 1358, XP009524361, ISSN: 1001-9081, DOI: 10.3724/SP.J.1087.2011.01355 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508963A (zh) * | 2020-11-30 | 2021-03-16 | 西安电子科技大学 | 一种基于模糊c均值聚类的sar图像分割方法 |
| CN112508963B (zh) * | 2020-11-30 | 2023-09-19 | 西安电子科技大学 | 一种基于模糊c均值聚类的sar图像分割方法 |
| CN113705658A (zh) * | 2021-08-24 | 2021-11-26 | 浙江中烟工业有限责任公司 | 一种烟丝杂物智能识别方法 |
| CN113705658B (zh) * | 2021-08-24 | 2024-03-19 | 浙江中烟工业有限责任公司 | 一种烟丝杂物智能识别方法 |
| CN113901995A (zh) * | 2021-09-28 | 2022-01-07 | 广东奥博信息产业股份有限公司 | 一种面向环境噪声数据的聚类方法及系统 |
| CN113901995B (zh) * | 2021-09-28 | 2024-04-12 | 广东奥博信息产业股份有限公司 | 一种面向环境噪声数据的聚类方法及系统 |
| CN114330526B (zh) * | 2021-12-23 | 2024-04-19 | 北京交通大学 | 基于tgo-ssa-fcm算法的交通流量缺失数据修复方法 |
| CN114330526A (zh) * | 2021-12-23 | 2022-04-12 | 北京交通大学 | 基于tgo-ssa-fcm算法的交通流量缺失数据修复方法 |
| CN114595422A (zh) * | 2022-02-24 | 2022-06-07 | 大族激光科技产业集团股份有限公司 | 一种加工头蛙跳计算方法、加工设备及存储介质 |
| CN114596438A (zh) * | 2022-03-10 | 2022-06-07 | 南京邮电大学 | 一种求解基因芯片图像分割的Memetic方法 |
| CN115952432A (zh) * | 2022-12-21 | 2023-04-11 | 四川大学华西医院 | 一种基于糖尿病数据的无监督聚类方法 |
| CN115952432B (zh) * | 2022-12-21 | 2024-03-12 | 四川大学华西医院 | 一种基于糖尿病数据的无监督聚类方法 |
| CN116188496A (zh) * | 2023-04-25 | 2023-05-30 | 牧马人(山东)勘察测绘集团有限公司 | 基于土地利用类型的遥感影像自适应分割方法 |
| CN116188496B (zh) * | 2023-04-25 | 2023-07-07 | 牧马人(山东)勘察测绘集团有限公司 | 基于土地利用类型的遥感影像自适应分割方法 |
| CN116260547A (zh) * | 2023-05-11 | 2023-06-13 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种抑制同频干扰的系统及方法 |
| CN116260547B (zh) * | 2023-05-11 | 2023-09-22 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种抑制同频干扰的系统及方法 |
| CN116309575A (zh) * | 2023-05-19 | 2023-06-23 | 济宁众达利电气设备有限公司 | 基于图像处理的电插头生产质量检测方法 |
| CN117408394A (zh) * | 2023-12-14 | 2024-01-16 | 国网天津市电力公司电力科学研究院 | 电力系统的碳排放因子预测方法、装置及电子设备 |
| CN117828958B (zh) * | 2024-03-06 | 2024-05-17 | 深圳大学 | 基于蟋蟀争斗优化算法的桁架结构优化设计方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110264471A (zh) | 2019-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020233084A1 (zh) | 一种图像分割方法、装置、存储介质及终端设备 | |
| WO2023000574A1 (zh) | 一种模型训练方法、装置、设备及可读存储介质 | |
| CN112580416A (zh) | 基于深暹罗网络和贝叶斯优化的视频跟踪 | |
| WO2021027193A1 (zh) | 人脸聚类方法、装置、设备和存储介质 | |
| CN112639843A (zh) | 使用机器学习模型来抑制偏差数据 | |
| WO2018214505A1 (zh) | 立体匹配方法与系统 | |
| CN111553215B (zh) | 人员关联方法及其装置、图卷积网络训练方法及其装置 | |
| CN112037912A (zh) | 基于医疗知识图谱的分诊模型训练方法、装置及设备 | |
| WO2021089013A1 (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
| WO2020119053A1 (zh) | 一种图片聚类方法、装置、存储介质及终端设备 | |
| WO2022042123A1 (zh) | 图像识别模型生成方法、装置、计算机设备和存储介质 | |
| WO2016062044A1 (zh) | 一种模型参数训练方法、装置及系统 | |
| WO2023020113A1 (zh) | 一种检测用户特征的方法、装置、设备及存储介质 | |
| CN110246095B (zh) | 一种图像修复方法、装置、存储介质及终端设备 | |
| US20210034976A1 (en) | Framework for Learning to Transfer Learn | |
| CN111383232A (zh) | 抠图方法、装置、终端设备及计算机可读存储介质 | |
| EP3839764A1 (en) | Method and system for detecting duplicate document using vector quantization | |
| Jia et al. | EEPNet: An efficient and effective convolutional neural network for palmprint recognition | |
| US20220351490A1 (en) | Convolution calculation method, convolution calculation apparatus, and terminal device | |
| CN114677565A (zh) | 特征提取网络的训练方法和图像处理方法、装置 | |
| CN116452631A (zh) | 一种多目标跟踪方法、终端设备及存储介质 | |
| Xie et al. | High precision image segmentation algorithm using SLIC and neighborhood rough set | |
| WO2022127037A1 (zh) | 一种数据分类方法、装置及相关设备 | |
| CN112036316B (zh) | 手指静脉识别方法、装置、电子设备及可读存储介质 | |
| Xue et al. | SUGAR: Efficient Subgraph-level Training via Resource-aware Graph Partitioning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 19929617 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 19929617 Country of ref document: EP Kind code of ref document: A1 |
|
| 32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 31.03.2022) |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 19929617 Country of ref document: EP Kind code of ref document: A1 |