CN101923715A - 基于粒子群优化空间纹理信息约束聚类的图像分割方法 - Google Patents
基于粒子群优化空间纹理信息约束聚类的图像分割方法 Download PDFInfo
- Publication number
- CN101923715A CN101923715A CN 201010271546 CN201010271546A CN101923715A CN 101923715 A CN101923715 A CN 101923715A CN 201010271546 CN201010271546 CN 201010271546 CN 201010271546 A CN201010271546 A CN 201010271546A CN 101923715 A CN101923715 A CN 101923715A
- Authority
- CN
- China
- Prior art keywords
- image
- expression
- class
- neighborhood
- images
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种粒子群优化空间纹理信息约束聚类的图像分割方法,主要解决纹理图像分割的局部错分问题,改善边缘结合位置的分割效果。其实现过程是:(1)输入待分割的图像;(2)对待分割图像提取灰度共生特征和小波特征;(3)利用高斯核有选择的用空间信息和邻域纹理信息改进模糊c-均值的相似性测度并进行聚类;(4)利用粒子群优化方法对聚类过程中的调控参数进行优化;(5)判断是否达到设定的循环终止条件,如果没有达到循环终止条件则返回到第3步进行下一次循环,如果达到则退出循环得到最终隶属度值,即图像最终分割结果。本发明与现有的技术相比显著提高了图像的分割性能,能够有效地分割纹理图像和SAR图像。
Description
技术领域
本发明属于图像处理领域,涉及图像分割,可用于纹理图像分割和对SAR图像的分割。
背景技术
随着科学技术的发展,人们越来越多的以图像的形式获得各种信息。图像分割方法也成为人们研究的热点。
Shen S和Liew A W提出了基于模糊c-均值(Fuzzy C-Means,FCM)的改进算法并分别应用于医学图像和自然图像分割,得到了较好的图像分割结果,但由于仅考虑灰度特征因此对纹理特征明显的图像并不能得到理想的分割结果。
Oskoei MA和Omran MG分别将遗传算法(Genetic Algorithm,GA)和粒子群优化(Particle Swarm Optimization,PSO)算法引入模糊聚类以实现目标函数的优化,应用于自然图像分割时得到了较为理想的分割结果,通过优化算法改进模糊聚类的数据聚类结果并应用于图像分割目前得到广泛关注。
Tian Xiaolin等人提出的基于PSO优化空间约束聚类的SAR图像分割,在部分SAR图像的分割中得到了理想的结果,由于其仅使用多尺度灰度特征,在纹理特征明显的SAR图像中尽管考虑了空间信息仍旧不能得到理想的分割结果。图像分割中纹理特征的提取成为改进以上算法的关键。
上述的方法并没有同时利用纹理特征和空间信息,因此在纹理特征明显的图像分割中并不能得到理想的分割结果。
在利用纹理特征进行聚类的过程中,传统的FCM分割方法并没有考虑空间信息,因此存在严重的局部错分现象,尤其是边缘部分错分严重。
发明内容
本发明的目的在于克服上述已有方法的缺点,提出了一种基于粒子群优化空间纹理信息约束聚类的图像分割方法,以改善纹理图像局部错分现象,提高边缘分割效果。
为实现上述目的,本发明包括如下过程:
(1)输入待分割图像,并提取待分割图像的纹理特征;
(2)用提取的纹理特征与空间信息更新模糊c-均值的相似性测度,并按如下公式进行聚类:
其中:Jm表示模糊c-均值聚类的目标函数,m∈(1,∞)控制模糊度的权重指数;
属度组成的矩阵;
(3)通过粒子群优化对调控参数α和β进行更新,优化的最大代数为100;
(4)判断是否达到设定的循环结束条件,如果达到循环结束条件,则分割结束,把当前的隶属度值作为图像分割结果,否则转到步骤2进行下一次循环,
本发明与现有的技术相比具有以下优点:
1.本发明由于提取图像的纹理特征,比起用灰度特征进行图像分割更为有效;
2.本发明不是用纹理特征进行简单的聚类,而是通过有选择的加入空间信息和邻域纹理信息对FCM的相似性测度进行改造,基本消除了局部错分现象,改善了图像边缘分割效果;
3.本发明由于对FCM聚类算法中改进的的相似性测度d2(Xj,Zi)=||Xj-Zi||(1-αDij-βXij)中的邻域空间相对位置信息Dij的系数α和邻域纹理特征信息Xij的系数β,采用粒子群优化PSO算法调控,有助于获得良好的分割结果。
附图说明
图1是本发明的实现流程图;
图2是本发明对于三幅合成纹理图像SYN1,SYN2,SYN3分割结果与现有三种方法分割结果对比图;
图3是本发明对于三幅SAR图像SAR1,SAR2,SAR3分割结果与现有三种方法分割结果对比图。
具体实施方式
参照图1,本发明的具体实施过程如下:
步骤1.输入待分割图像,提取待分割图像的纹理特征。
本发明对待分割图像提取的纹理特征包括灰度共生特征和小波特征:
1.1)灰度共生特征提取
在灰度共生特征的提取中,首先计算待分割图像中以待提取特征的像素点为中心的,设定的特征窗口内的图像子块的灰度共生矩阵P(u,v,d,θ),其中u和v表示灰度共生矩阵计算中统计的两个像素点的灰度;θ表示提取灰度共生矩阵的方向,θ的选择为4个离散的方向:0°,45°,90°,135°;d表示灰度共生矩阵计算中统计的两个像素点的距离,本发明中取值为1。在灰度共生矩阵的基础上再提取纹理特征量,称为二次统计量。
本发明中从图像的灰度共生矩阵中抽取以下这些二次统计量作为分类识别的特征系数:(1)角二阶矩:(2)同质性:(3)对比度:L-1表示量化的灰度等级。其中,角二阶矩在0°,45°,90°,135°上的值用(g10,g11,g12,g13)表示,同质性在四个方向上用(g20,g21,g22,g23)表示,对比度在四个方向上用(g30,g31,g32,g33)表示。
1.2)小波特征提取
提取小波特征时,首先对待分割图像中以待提取特征的像素点为中心的,设定的特征窗口内的图像子块沿x方向和y方向分别进行一维滤波,把每一尺度分解成四个子带LL、HL、LH和HH,分别表征图像的低频信息及水平、垂直和斜方向上的细节。
按式分别求出子带的L1范数,式中,w表示子带的L1范数,M为子带系数的行数,N为子带系数的列数,M×N为子带大小,m,n表示子带中系数的索引,coef(m,n)为该子带中第m行第n列的系数值。经过对图像进行L层小波变换,提取得到3L+1个子带的L1范数,从而得到一个3L+1维的特征向量(w0,w1,…,w3L+1)。
本发明的实验部分对于合成纹理图像采用12维灰度共生特征和对待分割图像分解两层得到的7维小波特征相结合得到的19维特征(g10,…,g13,g20,…,g23,g30,…,g33,w0,…,w6),简称为G_W特征。对于SAR图像只使用对待分割图像分解两层得到的7维小波特征(w0,w1,…,w6),简称为W特征。
步骤2.用提取的纹理特征与空间信息更新FCM的相似性测度d2(Xj,Zi)。对相似性测度d2(Xj,Zi)的更新,该更新通过如下公式计算得到,即
d2(Xj,Zi)=||Xj-Zi||(1-αDij-βXij)
其中:Xj表示第j个像素点位置纹理特征;
Zi表示第i类的聚类中心;
Xij表示邻域纹理特征信息,β是Xij的调控参数,Xij的计算公式为:式中:Xjk=||Xj-Xk||表示像素点j和它的第k个邻域之间的纹理特征的距离,Xj和Xk分别表示像素点j和它的第k个邻域的纹理特征向量;Gik表示像素点j的第k个邻域相对于第i类的高斯选择值,Gik的计算公式为:
Gik=exp(-Xik 2/δi),式中:Xik=||Xk-Zi||表示邻域像素点k的纹理到第i类聚类中心的距离,Zi表示第i类的聚类中心;δi表示第i类的平均类中心距离,δi的计算公式为:式中:表示粒子群优化中当前代第n个被分为第i类的像素点的纹理特征,Ni表示当前被分到第i类的像素点的个数。
步骤3.利用更新的FCM相似性测度d2(Xj,Zi)按如下公式进行聚类:
其中:Jm表示模糊c-均值聚类的目标函数,m∈(1,∞)控制模糊度的权重指数;
N表示图像像素数;
C表示聚类数目;
Xj表示第j个像素点位置纹理特征;
步骤4.通过粒子群优化PSO算法对调控参数α和β进行更新。
设PSO的种群规模为ps,最大种群进化代数为Gmax;设第i个粒子表示为ki=(αi,βi),αi为α在第i个粒子中的数值,βi为β在第i个粒子中的数值,为方便描述,ki统一以Yi表示,个***置Yi就是空间信息调控参数,Yi=(yi1,yi2),它经历的最好位置记为pi=(pi1,pi2),也称为Pbest;在群体所有粒子经历过的最好位置称为gbest。粒子i的速度用Vi=(vi1,vi2)表示,Vi被一个最大速度Vmax所限制。PSO算法的组合模型为:
vid=wvid+c1×rand(·)×(pid-yid)+c2×Rand(·)×(pgd-yid)
yid=yid+vid
其中:vid表式第i个粒子的d维的速度,如果当前对粒子的加速导致它在d维的速度vid超过该维的最大速度vmax,d,则该维的速度被限制为该维最大速度vmax,d;w为惯性权重,w较大算法具有较强的全局搜索能力,w较小则算法倾向于局部搜索,本发明对w的取值方法是使其由最大初始值wmax随迭代次数的增加线性递减至wmin;c1和c2为加速常数;pid表示第i个粒子的d维的最好位置;yid表示第i个粒子的d维的当前位置;rand(·)和Rand(·)为两个在[0,1]范围内变化的随机函数;pgd表示所有粒子的d维的最好位置。
在优化调控参数α,β过程中,优化参数取值必须满足如下条件:
αDij+βXij≤1,0≤α≤1,0≤β≤1。
PSO进行空间信息调控参数优化的步骤如下:
4a)如果是对FCM首次进行优化,对第i个个体而言,则随机给定位置Yi以及速度Vi,否则,取各个体更新的位置Y′i和速度V′i;
4c)将每个个体求得的目标函数值与其经验中记录的个体最优目标函数值进行比较,若目前的目标函数值较之前最优结果更佳,则以之取代个体最优目标函数值,若目前求得的最优目标函数值优于群体最优目标函数值,则将群体最优目标函数值重设为目前的结果;
4d)按照PSO算法的组合模型修改种群中各个体的位置和速度,得到更新的位置Y′i和更新的速度V′i,该组合模型为:
vid=wvid+c1×rand(·)×(pid-yid)+c2×Rand(·)×(pgd-yid)
yid=yid+vid。
PSO优化主要参数的取值如表1所示:
表1.PSO优化算法主要参数
步骤5.判断是否达到设定的循环结束条件,如果达到循环结束条件,则分割结束,把当前的隶属度值作为图像分割结果,否则转到步骤2进行下一次循环,
本发明的效果可以通过以下实验进一步说明:
1.实验条件和内容
实验仿真环境为:MATLAB 7.0.4,Intel(R)Pentium(R)1 CPU 2.4GHz,WindowXP Professional。
实验内容包括:本发明分别用3幅合成纹理图像做了测试实验,合成图像有2类,3类,4类三幅,大小都为256×256,分别命名为:SYN1,SYN2,SYN3,特征采用G_W特征,灰度共生特征窗口大小为9×9,小波特征窗口为8×8,空间邻域窗口大小为11×11。
本发明还对三幅SAR图像做了测试实验,分别分为3类,2类,2类,图像大小都为256×256,分别命名为:SAR1,SAR2,SAR3,实验中采用W特征,相对于G_ W特征,在保证分割效果的前提下减小了计算量。SAR1中为了保护跑道细节信息选择了较小的特征窗口4×4和较小的空间邻域窗口5×5。SAR2和SAR3采用SAR图像分割的一般标准,特征窗口大小为16×16,空间邻域窗口21×21。
2.实验结果
(1)用本发明和Kmeans、FCM、PSO-SCFCM三种方法对SYN1,SYN2,SYN3三幅合成纹理图像的分割结果如图2所示,其中图(2a)为SYN1的原图像;图(2b)为SYN2的原图像;图(2c)为SYN3的原图像;图(2d)为图(2a)的分割模板;图(2e)为图(2b)的分割模板;图(2f)为图(2c)的分割模板;图(2g)为现有Kmeans算法对图(2a)的分割结果;图(2h)为现有Kmeans算法对图(2b)的分割结果;图(2i)为现有Kmeans算法对图(2c)的分割结果;图(2j)为现有FCM算法对图(2a)的分割结果;图(2k)为现有FCM算法对图(2b)的分割结果;图(2l)为现有FCM算法对图(2c)的分割结果;图(2m)为现有PSO-SCFCM算法对图(2a)的分割结果;图(2n)为现有PSO-SCFCM算法对图(2b)的分割结果;图(2o)为现有PSO-SCFCM算法对图(2c)的分割结果;图(2p)为本发明算法对图(2a)分割结果;图(2q)为本发明算法对图(2b)的分割结果;图(2r)为本发明算法对图(2c)的分割结果。
从图(2g)、图(2h)和图(2i)的分割结果可见,Kmeans算法虽然利用了纹理特征,但由于没考虑空间信息,因此不能得到理想的分割结果。
从图(2j)、图(2k)和图(2l)的分割结果可见,FCM算法虽然利用了纹理特征,但由于没考虑空间信息,因此不能得到理想的分割结果。
从图(2m)、图(2n)和图(2o)的分割结果可见,PSO-SCFCM算法由于采用的是灰度特征,所以对纹理特征明显的图像起不到正确的分割效果。
从图(2p)、图(2q)和图(2r)的分割结果可见,本发明方法对合成纹理图像有比较理想的分结果。
表2给出了不同算法对SYN1,SYN2,SYN3分割结果,表2中数据表示误分类像素点个数与图像像素总数的百分比,误分像素个数/图像像素总数×100%,从表2中可知,本发明分割结果与三种现有算法分割结果相比较,误分率明显降低。
表2.合成纹理图像误分率比较
(2)用本发明和Kmeans、FCM、PSO-SCFCM三种方法对SAR1,SAR2,SAR3三幅SAR图像的分割结果如图3所示,其中图(3a)为SAR1的原图像;图(3b)为SAR2的原图像;图(3c)为SAR3的原图像;图(3d)为现有Kmeans算法对图(3a)的分割结果;图(3e)为现有Kmeans算法对图(3b)的分割结果;图(3f)为现有Kmeans算法对图(3c)的分割结果;图(3g)为现有FCM算法对图(3a)的分割结果;图(3h)为现有FCM算法对图(3b)的分割结果;图(3i)为现有FCM算法对图(3c)的分割结果;图(3j)为现有PSO-SCFCM算法对图(3a)的分割结果;图(3k)为现有PSO-SCFCM算法对图(3b)的分割结果;图(3l)为现有PSO-SCFCM算法对图(3c)的分割结果;图(3m)为本发明算法对图(3a)分割结果;图(3n)为本发明算法对图(3b)的分割结果;图(3o)为本发明算法对图(3c)的分割结果。
从图(3d)、图(3e)和图(3f)的分割结果可见,Kmeans算法虽然利用了纹理特征,但由于没考虑空间信息,因此不能得到理想的分割结果。
从图(3g)、图(3h)和图(3i)的分割结果可见,FCM算法虽然利用了纹理特征,但由于没考虑空间信息,因此不能得到理想的分割结果。
从图(3j)、图(3k)和图(3l)的分割结果可见,PSO-SCFCM算法由于采用的是灰度特征,所以对纹理特征明显的SAR图像起不到正确的分割效果。
从图(3m)、图(3n)和图(3o)的分割结果可见,本发明方法对纹理特征明显的SAR图像有比较理想的分结果。
综上,本发明提出的基于粒子群优化空间纹理信息约束聚类的图像分割方法,通过将相邻像素的相对位置和纹理信息所构成的空间信息通过高斯核函数的选择作用按类别融入模糊C-均值FCM聚类算法的相似性测度中,基本消除了图像的局部错分现象。空间信息对FCM聚类算法的调控由粒子群优化PSO算法完成,优化的调控参数有助于获得良好的分割结果。
Claims (2)
1.一种基于粒子群优化空间纹理信息约束聚类的图像分割方法,包含以下步骤:
(1)输入待分割图像,并提取待分割图像的纹理特征;
(2)用提取的纹理特征与空间信息更新模糊c-均值的相似性测度,并按如下公式进行聚类:
其中:Jm表示模糊c-均值聚类的目标函数,m∈(1,∞)控制模糊度的权重指数;uij是矢量Xj隶属于第i类的隶属度函数U是图像所有像素点隶属度组成的矩阵;
N表示图像像素数,C表示聚类数目,Xj表示第j个像素点位置纹理特征,Zi表示第i类的聚类中心V是由聚类中心组成的矩阵;d2(Xj,Zi)=||Xj-Zi||(1-αDij-βXij)为更新的相似性测度,式中Dij表示邻域空间相对位置信息,α是Dij的调控参数,Xij表示邻域纹理特征信息,β是Xij的调控参数,
(3)通过粒子群优化对调控参数α和β进行更新,优化的最大代数为100;
2.根据权利要求书1所述的方法,其中步骤(2)所述的相似性测度公式d2(Xj,Zi)=||Xj-Zi||(1-αDij-βXij)中的邻域纹理特征信息Xij,用如下公式表示:
其中:uik表示第j个像素点的第k个邻域属于第i类的概率值;
Xjk表示像素点j和它的第k个邻域之间的纹理特征的欧氏距离,其表示式为:Xjk=||Xj-Xk||,式中的Xj和Xk表示像素点j和它的第k个邻域的纹理特征向量;
Gik表示像素点j的第k个邻域相对于第i类的高斯选择值,其表示式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102715462A CN101923715B (zh) | 2010-09-02 | 2010-09-02 | 基于粒子群优化空间纹理信息约束聚类的图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102715462A CN101923715B (zh) | 2010-09-02 | 2010-09-02 | 基于粒子群优化空间纹理信息约束聚类的图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101923715A true CN101923715A (zh) | 2010-12-22 |
CN101923715B CN101923715B (zh) | 2012-07-04 |
Family
ID=43338625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102715462A Expired - Fee Related CN101923715B (zh) | 2010-09-02 | 2010-09-02 | 基于粒子群优化空间纹理信息约束聚类的图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101923715B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842067A (zh) * | 2012-07-18 | 2012-12-26 | 浙江工商大学 | 一种融入粒子群优化思想的带约束铁路物流场站空间聚类方法 |
CN103366362A (zh) * | 2013-04-17 | 2013-10-23 | 昆明理工大学 | 一种基于萤火虫优化算法的矿带图像分割法 |
CN103824300A (zh) * | 2014-03-12 | 2014-05-28 | 西安电子科技大学 | 基于空间相关特征超像素块的sar图像分割方法 |
CN103985112A (zh) * | 2014-03-05 | 2014-08-13 | 西安电子科技大学 | 基于改进多目标粒子群优化聚类的图像分割方法 |
CN104036511A (zh) * | 2014-06-24 | 2014-09-10 | 沈阳大学 | 基于生物启发运算的彩色图像分割方法 |
CN104408158A (zh) * | 2014-12-05 | 2015-03-11 | 合肥工业大学 | 一种基于几何重构和语义融合的视点追踪方法 |
CN104881852A (zh) * | 2015-06-11 | 2015-09-02 | 西安电子科技大学 | 基于免疫克隆和模糊核聚类的图像分割方法 |
CN108510504A (zh) * | 2018-03-22 | 2018-09-07 | 北京航空航天大学 | 图像分割方法和装置 |
CN108898602A (zh) * | 2018-06-27 | 2018-11-27 | 南京邮电大学 | 一种基于改进qpso的fcm医学图像分割方法 |
CN109378039A (zh) * | 2018-08-20 | 2019-02-22 | 中国矿业大学 | 基于离散约束和封顶范数的肿瘤基因表达谱数据聚类方法 |
CN112101461A (zh) * | 2020-09-16 | 2020-12-18 | 北京邮电大学 | 一种基于hrtf-pso-fcm的无人机侦察视觉信息可听化方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751469B (zh) * | 2015-04-02 | 2017-07-28 | 西安电子科技大学 | 基于核模糊c均值聚类的图像分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551905A (zh) * | 2009-05-08 | 2009-10-07 | 西安电子科技大学 | 基于模糊c均值聚类和空间信息的多尺度纹理图像分割方法 |
CN101571951A (zh) * | 2009-06-11 | 2009-11-04 | 西安电子科技大学 | 基于邻域概率密度函数特征的水平集图像分割方法 |
-
2010
- 2010-09-02 CN CN2010102715462A patent/CN101923715B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551905A (zh) * | 2009-05-08 | 2009-10-07 | 西安电子科技大学 | 基于模糊c均值聚类和空间信息的多尺度纹理图像分割方法 |
CN101571951A (zh) * | 2009-06-11 | 2009-11-04 | 西安电子科技大学 | 基于邻域概率密度函数特征的水平集图像分割方法 |
Non-Patent Citations (3)
Title |
---|
《Proceedings of 2007 International Symposium on Intelligent Signal Processing and Communication Systems》 20071201 Xiaolin Tian et al. SAR Image Segmentation based on Spatially Adaptive Weighted Possibilisitic C-Means Clustering 全文 1-2 , 2 * |
《电子学报》 20080331 田小林等 基于PSO优化空间约束聚类的SAR图像分割 全文 1-2 第36卷, 第3期 2 * |
《西安电子科技大学学报(自然科学版)》 20081031 田小林等 加权空间函数优化FCM的SAR图像分割 全文 1-2 第35卷, 第5期 2 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842067A (zh) * | 2012-07-18 | 2012-12-26 | 浙江工商大学 | 一种融入粒子群优化思想的带约束铁路物流场站空间聚类方法 |
CN103366362B (zh) * | 2013-04-17 | 2016-01-20 | 昆明理工大学 | 一种基于萤火虫优化算法的矿带图像分割法 |
CN103366362A (zh) * | 2013-04-17 | 2013-10-23 | 昆明理工大学 | 一种基于萤火虫优化算法的矿带图像分割法 |
CN103985112A (zh) * | 2014-03-05 | 2014-08-13 | 西安电子科技大学 | 基于改进多目标粒子群优化聚类的图像分割方法 |
CN103985112B (zh) * | 2014-03-05 | 2017-05-10 | 西安电子科技大学 | 基于改进多目标粒子群优化聚类的图像分割方法 |
CN103824300A (zh) * | 2014-03-12 | 2014-05-28 | 西安电子科技大学 | 基于空间相关特征超像素块的sar图像分割方法 |
CN104036511A (zh) * | 2014-06-24 | 2014-09-10 | 沈阳大学 | 基于生物启发运算的彩色图像分割方法 |
CN104408158A (zh) * | 2014-12-05 | 2015-03-11 | 合肥工业大学 | 一种基于几何重构和语义融合的视点追踪方法 |
CN104408158B (zh) * | 2014-12-05 | 2017-10-03 | 合肥工业大学 | 一种基于几何重构和语义融合的视点追踪方法 |
CN104881852A (zh) * | 2015-06-11 | 2015-09-02 | 西安电子科技大学 | 基于免疫克隆和模糊核聚类的图像分割方法 |
CN104881852B (zh) * | 2015-06-11 | 2017-09-05 | 西安电子科技大学 | 基于免疫克隆和模糊核聚类的图像分割方法 |
CN108510504A (zh) * | 2018-03-22 | 2018-09-07 | 北京航空航天大学 | 图像分割方法和装置 |
CN108898602A (zh) * | 2018-06-27 | 2018-11-27 | 南京邮电大学 | 一种基于改进qpso的fcm医学图像分割方法 |
CN109378039A (zh) * | 2018-08-20 | 2019-02-22 | 中国矿业大学 | 基于离散约束和封顶范数的肿瘤基因表达谱数据聚类方法 |
CN109378039B (zh) * | 2018-08-20 | 2022-02-25 | 中国矿业大学 | 基于离散约束和封顶范数的肿瘤基因表达谱数据聚类方法 |
CN112101461A (zh) * | 2020-09-16 | 2020-12-18 | 北京邮电大学 | 一种基于hrtf-pso-fcm的无人机侦察视觉信息可听化方法 |
CN112101461B (zh) * | 2020-09-16 | 2022-02-25 | 北京邮电大学 | 一种基于hrtf-pso-fcm的无人机侦察视觉信息可听化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101923715B (zh) | 2012-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101923715B (zh) | 基于粒子群优化空间纹理信息约束聚类的图像分割方法 | |
CN101923714A (zh) | 基于空间加权隶属度模糊c-均值的纹理图像分割方法 | |
CN110781775B (zh) | 一种多尺度特征支持的遥感影像水体信息精确分割方法 | |
CN108765371B (zh) | 一种病理切片中非常规细胞的分割方法 | |
CN103353987B (zh) | 一种基于模糊理论的超像素分割方法 | |
JP4780106B2 (ja) | 情報処理装置及び情報処理方法、画像処理装置及び画像処理方法、並びにコンピュータ・プログラム | |
CN103400147B (zh) | 基于图像处理的目标鱼识别方法及*** | |
CN108764041B (zh) | 用于下部遮挡人脸图像的人脸识别方法 | |
CN110163239B (zh) | 一种基于超像素和条件随机场的弱监督图像语义分割方法 | |
CN108062543A (zh) | 一种面部识别方法及装置 | |
CN107145889A (zh) | 基于具有RoI池化的双CNN网络的目标识别方法 | |
CN101847163A (zh) | 一种多特征融合的外观设计专利图像检索方法 | |
CN112862792A (zh) | 一种用于小样本图像数据集的小麦白粉病孢子分割方法 | |
CN104143186B (zh) | 一种slic超像素分块优化方法 | |
CN115100467B (zh) | 一种基于核注意力网络的病理全切片图像分类方法 | |
Khanykov et al. | Image segmentation improvement by reversible segment merging | |
CN109166167B (zh) | 一种基于点集体素的多质分界面提取方法 | |
CN107358619A (zh) | 基于鸡群优化法的图像多阈值分割方法 | |
CN107403194A (zh) | 基于t‑SNE的皮肤癌图像识别可视化模块 | |
CN108038487A (zh) | 基于图像分割与特征融合的植物叶片辨别方法 | |
CN112509092A (zh) | 基于卷积生成对抗网络的乳腺X-ray图像自动生成方法 | |
CN104299233A (zh) | 基于超像素块的蜂群和灰色关联算法的sar图像分割方法 | |
CN116993947B (zh) | 一种三维场景可视化展示方法及*** | |
CN112819832A (zh) | 基于激光点云的城市场景语义分割细粒度边界提取方法 | |
CN108830864A (zh) | 图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120704 Termination date: 20180902 |