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 PDFInfo
- 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
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
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>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&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>&alpha;</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&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>&alpha;</mi>
</mrow>
</mfrac>
<mrow>
<mo>&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>&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>&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>&alpha;f</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&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>&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
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)
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)
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 |
-
2017
- 2017-06-14 CN CN201710448043.XA patent/CN107452001A/zh active Pending
Patent Citations (5)
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)
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)
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 |