CN107452001A - 一种基于改进fcm算法的遥感图像序列分割方法 - Google Patents

一种基于改进fcm算法的遥感图像序列分割方法 Download PDF

Info

Publication number
CN107452001A
CN107452001A CN201710448043.XA CN201710448043A CN107452001A CN 107452001 A CN107452001 A CN 107452001A CN 201710448043 A CN201710448043 A CN 201710448043A CN 107452001 A CN107452001 A CN 107452001A
Authority
CN
China
Prior art keywords
mrow
msub
munderover
cluster
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
Application number
CN201710448043.XA
Other languages
English (en)
Inventor
杜根远
卢涵宇
姚丹丹
邱颖豫
袁雅婧
胡涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xuchang University
Original Assignee
Xuchang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xuchang University filed Critical Xuchang University
Priority to CN201710448043.XA priority Critical patent/CN107452001A/zh
Publication of CN107452001A publication Critical patent/CN107452001A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T7/90—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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (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)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明属于遥感图像技术领域，公开了一种基于改进FCM算法的遥感图像序列分割方法，包括：将彩色图像从RGB颜色空间转换到Lab空间；其次提取图像像素的ab分量；然后计算ab分量的直方图，并运用直方图交互获取图像的聚类中心与聚类数；最后利用目标函数进行FCM聚类，记录聚类结果。本发明程序运行时间较短，有效地提高图像分割的精度与效率；改进的FCM分割算法在不同聚类下的效果以及最终分割效果类中心和聚类数，克服了传统FCM算法获取初始聚类中心和聚类数的随机性，同时又选用了叉熵距离测度，使得该方法不必依赖于球状数据分布，聚类分割效果较好，边缘清晰，效率也大大提高。

Description

一种基于改进FCM算法的遥感图像序列分割方法
技术领域
本发明属于遥感图像技术领域，尤其涉及一种基于改进FCM算法的遥感图像序列分割方法。
背景技术
遥感图像作为制作和更新数据库的重要数据源，已被广泛应用于土地利用&环境监测，资源，勘探，灾害评估，城市规划等领域中随着遥感与信息技术的不断发展，各种海量的遥感数据都可以通过对地观测技术进行获取，然而数据转化成信息的过程当中仍存在很多瓶颈，其中遥感图像分割就是一项非常关键的技术，同时也是图像处理领域的难点和重点，遥感图像分割是指对遥感图像进行处理，分析，从中提取目标的技术和过程，当前虽然已经有了大量的图像分割算法，但由于遥感图像通常具有灰度级多，信息量较大，边界不清晰，目标类型较多等特点，导致这些算法在实际应用中还存在很多问题，如适用性差&分割效率低，分割精度不高等。加之遥感图像的分割本身具有不确定性，不同的应用目的和用户对图像感兴趣的部分不同，期望从图像中获得的信息层次也往往不同，致使难以建立完全准确的分割方法对遥感图像进行分割，总体来看，在进行遥感图像分割处理时，通常采用模糊理论的方法，传统模糊C-均值(FCM)聚类算法的运行效果与初始聚类中心和聚类数密切相关，而初始聚类中心和聚类数具有随机性，导致每次运行效果差异较大；很大程度上依赖于球状样本数据，对于非球状样本数据其聚类效果并不理想。
综上所述，现有技术存在的问题是：传统模糊C-均值(FCM)聚类算法的每次运行效果差异较大；很大程度上依赖于球状样本数据，对于非球状样本数据其聚类效果并不理想。
发明内容
针对现有技术存在的问题，本发明提供了一种基于改进FCM算法的遥感图像序列分割方法。
本发明是这样实现的，一种基于改进FCM算法的遥感图像序列分割方法，所述基于改进FCM算法的遥感图像序列分割方法包括以下步骤：
步骤一，将彩色图像从RGB颜色空间转换到Lab空间；
步骤二，其次提取图像像素的ab分量；
步骤三，然后计算ab分量的直方图，并运用直方图交互获取图像的聚类中心与聚类数；
步骤四，最后利用目标函数进行FCM聚类，记录聚类结果。
进一步，所述目标函数为：
其中，α是表示监督和不监督程度的参数，它可以用未标签和标签的样本的比值来表示，在监督与不监督之间维持一个平衡；bj是布尔型变量，用它来标记标签的和未标签的样本；如果bj为0，则表示样本Xj是未标签的；如果bj为1，则表示样本Xj是已标签的；因此已标签样本的隶属度用一个矩阵形式表示F＝[fij]；公式中的距离仍取上文中的Mahalanobis距离；取m＝2，迭代公式为：
本发明的优点及积极效果为：在聚类的过程中，通过与已标签的样本进行相似性比较，可以提高算法聚类的准确度；运用改进的FCM聚类算法分割后的遥感图像分割效果明显，程序运行时间较短，能够有效地提高图像分割的精度与效率，这是因为改进的FCM算法利用图像直方图获取初始聚图，改进的FCM分割算法在不同聚类下的效果以及最终分割效果类中心和聚类数，克服了传统FCM算法获取初始聚类中心和聚类数的随机性，同时又选用了叉熵距离测度，使得该方法不必依赖于球状数据分布，聚类分割效果较好，边缘清晰，效率也大大提高。
附图说明
图1是本发明实施例提供的基于改进FCM算法的遥感图像序列分割方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例提供的基于改进FCM算法的遥感图像序列分割方法包括：
S101：将彩色图像从RGB颜色空间转换到Lab空间；
S102：其次提取图像像素的ab分量(色度空间)；
S103：然后计算ab分量的直方图，并运用直方图交互获取图像的聚类中心与聚类数；
S104：最后利用目标函数进行FCM聚类，记录聚类结果。
步骤S104中目标函数为：
其中，α是表示监督和不监督程度的参数，它可以用未标签和标签的样本的比值来表示，在监督与不监督之间维持一个平衡。bj是布尔型变量，用它来标记标签的和未标签的样本。如果bj为0，则表示样本Xj是未标签的；如果bj为1，则表示样本Xj是已标签的；因此已标签样本的隶属度用一个矩阵形式表示F＝[fij]。公式中的距离仍取上文中的Mahalanobis距离。取m＝2，迭代公式为：
下面结合对比对本发明的应用效果作详细的描述。
表1传统FCM聚类算法与本发明的对比
运用改进的FCM聚类算法分割后的遥感图像分割效果明显，程序运行时间较短，能够有效地提高图像分割的精度与效率，这是因为改进的FCM算法利用图像直方图获取初始聚图，改进的FCM分割算法在不同聚类下的效果以及最终分割效果类中心和聚类数，克服了传统FCM算法获取初始聚类中心和聚类数的随机性，同时又选用了叉熵距离测度，使得该方法不必依赖于球状数据分布，聚类分割效果较好，边缘清晰，效率也大大提高。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于改进FCM算法的遥感图像序列分割方法，其特征在于，所述基于改进FCM算法的遥感图像序列分割方法包括以下步骤：
步骤一，将彩色图像从RGB颜色空间转换到Lab空间；
步骤二，其次提取图像像素的ab分量；
步骤三，然后计算ab分量的直方图，并运用直方图交互获取图像的聚类中心与聚类数；
步骤四，最后利用目标函数进行FCM聚类，记录聚类结果。
2.如权利要求1所述的基于改进FCM算法的遥感图像序列分割方法，其特征在于，所述目标函数为：
<mrow> <msub> <mi>J</mi> <mi>m</mi> </msub> <mrow> <mo>(</mo> <mi>U</mi> <mo>,</mo> <mi>V</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>c</mi> </munderover> <msup> <msub> <mi>u</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mi>m</mi> </msup> <msup> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mn>2</mn> </msup> <mo>+</mo> <mi>&amp;alpha;</mi> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>c</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>f</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>b</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mi>m</mi> </msup> <msup> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mn>2</mn> </msup> <mo>;</mo> </mrow>
其中，α是表示监督和不监督程度的参数，它可以用未标签和标签的样本的比值来表示，在监督与不监督之间维持一个平衡；bj是布尔型变量，用它来标记标签的和未标签的样本；如果bj为0，则表示样本Xj是未标签的；如果bj为1，则表示样本Xj是已标签的；因此已标签样本的隶属度用一个矩阵形式表示F＝[fij]；公式中的距离仍取上文中的Mahalanobis距离；取m＝2，迭代公式为：
<mrow> <msub> <mi>U</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <mi>&amp;alpha;</mi> </mrow> </mfrac> <mrow> <mo>&amp;lsqb;</mo> <mrow> <mfrac> <mrow> <mn>1</mn> <mo>+</mo> <mrow> <mo>(</mo> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>b</mi> <mi>j</mi> </msub> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>c</mi> </munderover> <msub> <mi>f</mi> <mrow> <mi>K</mi> <mi>j</mi> </mrow> </msub> </mrow> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>c</mi> </munderover> <mfrac> <msubsup> <mi>d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> <msubsup> <mi>d</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> </mfrac> </mrow> </mfrac> <mo>+</mo> <msub> <mi>&amp;alpha;f</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>b</mi> <mi>j</mi> </msub> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mo>;</mo> </mrow>
<mrow> <msub> <mi>V</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> <msub> <mi>X</mi> <mi>j</mi> </msub> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> </mrow> </mfrac> <mo>.</mo> </mrow> 1
CN201710448043.XA 2017-06-14 2017-06-14 一种基于改进fcm算法的遥感图像序列分割方法 Pending CN107452001A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710448043.XA CN107452001A (zh) 2017-06-14 2017-06-14 一种基于改进fcm算法的遥感图像序列分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710448043.XA CN107452001A (zh) 2017-06-14 2017-06-14 一种基于改进fcm算法的遥感图像序列分割方法

Publications (1)

Publication Number Publication Date
CN107452001A true CN107452001A (zh) 2017-12-08

Family

ID=60486789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710448043.XA Pending CN107452001A (zh) 2017-06-14 2017-06-14 一种基于改进fcm算法的遥感图像序列分割方法

Country Status (1)

Country Link
CN (1) CN107452001A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830297A (zh) * 2018-05-19 2018-11-16 烟台大学 一种多光谱遥感影像地物分类方法
CN111681245A (zh) * 2020-06-17 2020-09-18 中原工学院 一种基于树结构的自适应权重k-means算法分割遥感图像的方法
CN111754501A (zh) * 2020-06-30 2020-10-09 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254303A (zh) * 2011-06-13 2011-11-23 河海大学 遥感图像分割方法及遥感图像检索方法
CN102880872A (zh) * 2012-08-28 2013-01-16 中国科学院东北地理与农业生态研究所 一种半监督svm遥感影像分类构建方法
CN104134219A (zh) * 2014-08-12 2014-11-05 吉林大学 基于直方图的彩色图像分割算法
CN105512622A (zh) * 2015-12-01 2016-04-20 北京航空航天大学 一种基于图分割和监督学习的可见光遥感图像海陆分割方法
WO2015130231A8 (en) * 2014-02-27 2016-08-11 Agency For Science, Technology And Research Segmentation of cardiac magnetic resonance (cmr) images using a memory persistence approach

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254303A (zh) * 2011-06-13 2011-11-23 河海大学 遥感图像分割方法及遥感图像检索方法
CN102880872A (zh) * 2012-08-28 2013-01-16 中国科学院东北地理与农业生态研究所 一种半监督svm遥感影像分类构建方法
WO2015130231A8 (en) * 2014-02-27 2016-08-11 Agency For Science, Technology And Research Segmentation of cardiac magnetic resonance (cmr) images using a memory persistence approach
CN104134219A (zh) * 2014-08-12 2014-11-05 吉林大学 基于直方图的彩色图像分割算法
CN105512622A (zh) * 2015-12-01 2016-04-20 北京航空航天大学 一种基于图分割和监督学习的可见光遥感图像海陆分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李勇发等: "基于FCM聚类及其改进的遥感图像分割算法", 《浙江农业科学》 *
来旭等: "基于半监督FCM聚类算法的卫星云图分类", 《国防科技大学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830297A (zh) * 2018-05-19 2018-11-16 烟台大学 一种多光谱遥感影像地物分类方法
CN108830297B (zh) * 2018-05-19 2021-04-27 烟台大学 一种多光谱遥感影像地物分类方法
CN111681245A (zh) * 2020-06-17 2020-09-18 中原工学院 一种基于树结构的自适应权重k-means算法分割遥感图像的方法
CN111681245B (zh) * 2020-06-17 2023-03-14 中原工学院 一种基于树结构的自适应权重k-means算法分割遥感图像的方法
CN111754501A (zh) * 2020-06-30 2020-10-09 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法
CN111754501B (zh) * 2020-06-30 2021-08-27 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法

Similar Documents

Publication Publication Date Title
CN107563381B (zh) 基于全卷积网络的多特征融合的目标检测方法
CN106504255B (zh) 一种基于多标签多示例学习的多目标图像联合分割方法
CN108985334A (zh) 基于自监督过程改进主动学习的通用物体检测***及方法
CN103366367B (zh) 基于像素数聚类的模糊c-均值灰度图像分割方法
Zhang et al. PSO and K-means-based semantic segmentation toward agricultural products
CN105740915B (zh) 一种融合感知信息的协同分割方法
CN102651128B (zh) 一种基于采样的图像集分割方法
CN107220277A (zh) 基于手绘草图的图像检索算法
CN107564022A (zh) 基于贝叶斯融合的视频显著性检测方法
CN102982544B (zh) 多前景目标图像交互式分割方法
CN107730542A (zh) 锥束计算机断层扫描图像对应与配准方法
CN106228554A (zh) 基于多属性约简的模糊粗糙集煤粉尘图像分割方法
CN101710418A (zh) 基于测地距离的交互方式图象分割方法
CN105046714A (zh) 一种非监督的基于超像素和目标发现机制的图像分割方法
CN108846404A (zh) 一种基于相关约束图排序的图像显著性检测方法及装置
Chen et al. Agricultural remote sensing image cultivated land extraction technology based on deep learning
CN102722578B (zh) 一种基于拉普拉斯正则化无监督的聚类特征选取方法
CN107452001A (zh) 一种基于改进fcm算法的遥感图像序列分割方法
CN113223042A (zh) 一种遥感影像深度学习样本智能采集方法及设备
CN109447111A (zh) 一种基于子类训练样本的遥感监督分类方法
CN113837191A (zh) 基于双向无监督域适应融合的跨星遥感图像语义分割方法
Bai et al. Calibrated focal loss for semantic labeling of high-resolution remote sensing images
CN106909881A (zh) 基于无人机遥感影像提取玉米育种基地垄数的方法及***
CN107423771A (zh) 一种两时相遥感图像变化检测方法
CN106250818B (zh) 一种全序保持投影的人脸年龄估计方法

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: 20171208

RJ01 Rejection of invention patent application after publication