CN110147795A - 一种自适应非局部模糊c均值聚类sar图像分割算法 - Google Patents
一种自适应非局部模糊c均值聚类sar图像分割算法 Download PDFInfo
- Publication number
- CN110147795A CN110147795A CN201910438994.8A CN201910438994A CN110147795A CN 110147795 A CN110147795 A CN 110147795A CN 201910438994 A CN201910438994 A CN 201910438994A CN 110147795 A CN110147795 A CN 110147795A
- Authority
- CN
- China
- Prior art keywords
- pixel
- algorithm
- adaptive
- fuzzy
- local
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种自适应非局部模糊C均值聚类SAR图像分割算法。获取到高分辨率的SAR图像后,针对非局部均值算法研究了像素间改进的相似性度量方法,并结合邻域灰度直方图信息熵得到非局部空间信息项的自适应权值参数以很好调节相干斑抑制与图像细节保持间的平衡。在此基础上,在目标函数中引入类间离散度作用项完成算法构建。
Description
技术领域
本发明属于图像处理领域,更为具体的讲,涉及一种自适应非局部模糊C均值聚类合成孔径雷达(SAR)图像分割算法。
背景技术
随着遥感技术的发展,SAR成像技术已进入高分辨率时代。与中低分辨率SAR相比,高分辨率技术增强了其传感器获取地物信息的能力,能够提供更为复杂精细的场景和丰富的散射信息。但与此同时,有关SAR图像的解析与自主识别领域却进展缓慢。因此,如何高效分析处理大量SAR图像数据,对其中包含的信息进行有效提取,已经成为当前SAR技术研究的一大重心。
SAR图像分割作为图像预处理阶段的关键步骤,本质是将整幅图像划分为多个内部具有相似特性的图像块,块与块之间边界区分明显,互不相交,同时所有图像块的并集可重构原图像。图像分割的目的在于区分出人们关注的特定区域和不感兴趣区域,因此之后的解析研究可只在切割出的感兴趣区域进行。要获取这样可被明显区分且内部特征一致的像素簇,常见的算法有以下三大类:
(1)基于阈值的图像分割算法。此方法常常用于双分割区域,且目标区域与背景不相关区域在某项特征上有明显区分的情况。通过划定阈值,将每一个像素点进行归类,提取出目标区域。当然此法也可拓展到多分割区域。阈值分割法最明显的缺陷是其受噪声干扰较大,尽管在处理过程中已考虑到噪声影响并做以抑制处理,但在噪声严重区的分割精度依然不理想。
(2)基于边缘检测的图像分割算法。图像分割的最终目的是使图像形成数个互不干扰的子区域,所以准确定位边缘以及各子域的边界相当重要。其基本思想是检测图像中的特征点或边缘点,根据无数点的确定来划分不同子区域的边界。基于边缘检测法进行图像分割的关键在于识别出完整且准确的子区域轮廓,但这只是理想情况,大多数边缘检测的结果中各个区域的轮廓都是一条断断续续未全连接的“虚线”,故一般还需要加入边缘补全以及剔除伪边缘的步骤。此外,该类算法在处理细节较多,变化比较复杂的图像时难以检测出可靠的边缘,降低了图像分割的准确率。
(3)基于区域的图像分割算法。该类方法主要是通过区域内部特征的一致性来完成分割。大致可分为区域生长合并法、随机场法以及聚类法。其中基于聚类的分割算法则通过提取出不同像素间的相关性,并由迭代使特征相关性达到最大完成分割,在图像分割领域中大放异彩。将模糊划分知识与聚类算法相结合,采用隶属度平方加权的方法,构成类内加权误差平方和,避免平凡解。再引入模糊指数m,数次迭代,通过最小化目标函数对样本点进行最优c类划分,这就是大众熟知的FCM算法。也由于其优越性,众多的学者们对其做了很多的研究与改进。例如改进后的FCM_S1,FCM_S2,EnFCM,FGFCM,NS_FCM以及QICA_FCM等等。
显而易见,最为重要的步骤为构建目标函数,或者可以说找到图像内部特征的相关性。不同于普通的光学图像,SAR图像中由于独特的雷达成像机理,含有复杂的相干斑噪声,在进行分割时要着重考虑此种乘性噪声的影响。
发明内容
本发明的目的在于进一步提升SAR图像分割精度,增强算法对于不同场景图像的自适应性,提供一种自适应非局部模糊C均值聚类SAR图像分割算法。针对非局部均值算法中权值分配问题研究了其改进的自适应相似性测度方法使中心像素搜索域中各点权值分配更为合理,加强对相干斑噪声的鲁棒性。同时,利用各像素点邻域灰度直方图的信息熵确定该点非局部空间信息项在目标函数中所占权重,以很好调节相干斑抑制与图像细节保持间的平衡。在此基础上,在目标函数中引入类间离散度作用项完成算法构建。该算法对于SAR图像的分割精度进一步提升,且对于不同场景具备更好适应性,具备优异性能。
为实现上述目的,本发明提出的SAR图像分割方法包括以下几个步骤:
1.高分辨率合成孔径雷达图像的获取
获取观测区域内包含合适且丰富地物类型的高分辨率合成孔径雷达图像。
2.自适应非局部均值计算
针对传统非局部均值算法对于图像细节处理的缺陷引入自适应二值权值函数剔除与中心像素差异过大的像素点,得到更为精准的相似性测度公式。具体定义如下:
其中j∈Ni,ts表示中心像素i与其邻域内像素的灰度差阈值。该值的设置由图像所受噪声程度和整体灰度等级所决定。当图像受相干斑影响严重或图像的灰度等级较高时,阈值需设置较大,反之亦然。因此,改进后的两像素邻域分布间的自适应相似性测度可按如下公式计算得到:
其中,Ti={tij,j∈Ni}为中心像素i的自适应二值权矩阵,能够滤除与中心像素差异过大的邻域像素,进行准确的平滑处理。
将其带入非局部均值算法中即可得到像素自适应非局部均值。算法权值计算公式如下:
其中,w′ij满足w′ij∈[0,1],且归一化因子Z′j为:
将新的权值w′ij应用于NLM公式中,由此可得像素i的自适应非局部均值为:
同样的,xi表示像素i的灰度值,是以像素i为中心的大小为S×S的搜索窗口。
3.非局部空间信息项自适应权值参数计算
经由自适应非局部均值算法处理后可得到对相干斑噪声具有强鲁棒性的滤波图像,该图像可作为非局部空间信息项合并至FCM算法中改进图像分割性能。在目标函数中非局部空间信息项的权重参数控制了算法的抗噪能力和区域一致性水平,是平衡算法鲁棒性和细节保持能力的关键。具体而言,对于相干斑噪声,其非局部空间信息项的权值应足够大,以调整噪声像素的属性,削弱其对分割算法的影响。另一方面,对于包含图像细节信息的像素点,如边缘像素,应减小权重值,避免非局部信息影响像素属性,更好保持图像细节。因此,对所有像素都使用固定的单一值是不合理的。
针对这一问题,可考虑利用局部灰度直方图的熵来控制非局部空间信息项对像素的自适应程度,增强算法对异常值的抗干扰能力。对于图像中任一像素i,将其非局部信息项权重由固定值替换为基于灰度直方图信息熵的自适应加权参数λi,其定义如下:
其中,
σ=median{vari,i∈Ω}
上述公式中表示以像素i为中心的方形邻域内像素灰度直方图的信息熵,以度量邻域无序程度。其中n为灰度量化级数,pl代表量化后的灰度级l所对应频率。此外,vari是像素i的邻域方差值,Ω表示图像像素全集。
4.模糊聚类的类间离散度计算
模糊聚类总散射矩阵、模糊类内散射矩阵及模糊类间散射矩阵定义为:
由推导可知SFT=SFW+SFB,令tr(Z)表示矩阵Z的迹,则有:
其中,类内散射矩阵的迹tr(SFW)可用于度量簇内紧致性(类内离散度),而类间散射矩阵的迹tr(SFB)则表明簇间变化的分离性(类间离散度)。在样本集X={x1,x2,...,xn}中,虽然和硬聚类一样有tr(SFT)=tr(SFW)+tr(SFB),但模糊聚类总散射矩阵的迹tr(SFT)并非为一个常数,它依赖于uki。这意味着,在模糊聚类中tr(SFW)与tr(SFB)不再具有此消彼长的变化关系。标准FCM算法仅考虑簇内紧致性,其目标函数为因此,为保证算法同时也具有较好的类间分离性,需结合簇内和簇间的模糊变化以最小化tr(SFW),同时最大化tr(SFB)。
5.图像分割
针对SAR图像固有的相干斑噪声对分割效果所产生的影响,利用自适应非局部均值算法准确提取非局部空间信息,并根据每个像素邻域灰度直方图的熵计算其对应的自适应加权参数λi,确定该点非局部空间信息项在目标函数中的权重,调节相干斑抑制与图像细节保持之间的平衡。另一方面,鉴于标准FCM算法是依据类内离散度所提出,为进一步改善算法性能,考虑在在算法中引入类间离散度作用项得到结合信息熵和类间离散度的自适应非局部模糊C均值聚类(A Robust Non-local FCM with Comentropy and Between-cluster Scatter Matrix,NCBS_FCM)SAR图像分割算法。NCBS_FCM的目标函数被定义为:
其中,c为图像分割类别数,n表示图像像素个数,m作为模糊指数,一般设置为2。为使算法更好贴合SAR图像特性,选取其后向散射系数作为特征值xi,则和分别表示像素i后向散射系数的自适应非局部均值与全图像素后向散射系数均值。uki为隶属度参数且满足λi是非局部空间信息项的自适应加权参数,μk表示类间离散项参数。
借助拉格朗日乘数法将其最小化有:
对每一uki求偏导
令则可以得到:
代入至约束中得:
最终uki的更新公式如下所示:
同样地,对vk求偏导得:
令有如下式子:
将上式进一步整理可得到聚类中心vk的迭代更新公式如下:
其中,类间离散项参数μk的迭代更新公式为
在模糊聚类算法中要求隶属度uki∈[0,1],而对于某些像素点,其计算结果可能为负。为避免此类情况出现,做出如下处理:对任一给定像素点xi,若则令uki=1,其余uk′i=0,k′≠k,即像素i将完全属于第k个聚类群。这意味着在该算法中每一聚类集群都有一个硬边界使得位于该边界内的像素点被硬划分为该类,而边界外的像素点具有模糊隶属度值uki∈[0,1]。在算法中同时具有硬聚类和模糊聚类可在一定程度上避免FCM算法过模糊情况,改善聚类性能。
附图说明
为了进一步说明本发明实施例或现有技术中的技术方案,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,本发明的示意性实施例及其说明仅用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例中自适应非局部模糊C均值聚类SAR图像分割算法的一种具体实施流程图;
图2是本发明实施例中的待分割真实SAR图像;
图3是本发明实施例中的对比算法EnFCM算法分割结果;
图4是本发明实施例中的对比算法FLICM算法分割结果图;
图5本发明实施例中的自适应非局部模糊C均值聚类SAR图像分割算法结果图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面结合附图对本发明的具体实施方式进行清楚、完整地描述,以便本领域的技术人员能更好地理解本发明。需要特别提醒注意的是,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在本实施例中,图1为自适应非局部模糊C均值聚类SAR图像分割算法方法的一种具体实施流程图,如图1所示,主要步骤如下:
步骤1:高分辨率合成孔径雷达图像的获取
获取观测区域内包含合适且丰富地物类型的高分辨率合成孔径雷达图像。
本实施例中,选择为C波段RadarSat-2于2010年5月获取的方位向×距离向为0.5m×0.5m的无锡地区SAR图像,图像大小为265×264。得到的SAR图像如图2所示。
步骤2:自适应非局部均值计算
针对传统非局部均值算法对于图像细节处理的缺陷引入自适应二值权值函数剔除与中心像素差异过大的像素点,得到更为精准的相似性测度公式。具体定义如下:
其中j∈Ni,ts表示中心像素i与其邻域内像素的灰度差阈值。该值的设置由图像所受噪声程度和整体灰度等级所决定。当图像受相干斑影响严重或图像的灰度等级较高时,阈值需设置较大,反之亦然。因此,改进后的两像素邻域分布间的自适应相似性测度可按如下公式计算得到:
其中,Ti={tij,j∈Ni}为中心像素i的自适应二值权矩阵,能够滤除与中心像素差异过大的邻域像素,进行准确的平滑处理。
将其带入非局部均值算法中即可得到像素自适应非局部均值。算法权值计算公式如下:
其中,w′ij满足w′ij∈[0,1],且归一化因子Z′j为:
将新的权值w′ij应用于NLM公式中,由此可得像素i的自适应非局部均值为:
同样的,xi表示像素i的灰度值,是以像素i为中心的大小为S×S的搜索窗口。
步骤3:非局部空间信息项自适应权值参数计算
经由自适应非局部均值算法处理后可得到对相干斑噪声具有强鲁棒性的滤波图像,该图像可作为非局部空间信息项合并至FCM算法中改进图像分割性能。在目标函数中非局部空间信息项的权重参数控制了算法的抗噪能力和区域一致性水平,是平衡算法鲁棒性和细节保持能力的关键。具体而言,对于相干斑噪声,其非局部空间信息项的权值应足够大,以调整噪声像素的属性,削弱其对分割算法的影响。另一方面,对于包含图像细节信息的像素点,如边缘像素,应减小权重值,避免非局部信息影响像素属性,更好保持图像细节。因此,对所有像素都使用固定的单一值是不合理的。
针对这一问题,可考虑局利用局部灰度直方图的熵来控制非局部空间信息项对像素的自适应程度,增强算法对异常值的抗干扰能力。对于图像中任一像素i,将其非局部信息项权重由固定值替换为基于灰度直方图信息熵的自适应加权参数λi,其定义如下:
其中,
σ=median{vari,i∈Ω}
上述公式中表示以像素i为中心的方形邻域内像素灰度直方图的信息熵,以度量邻域无序程度。其中n为灰度量化级数,pl代表量化后的灰度级l所对应频率。此外,vari是像素i的邻域方差值,Ω表示图像像素全集。
步骤4:模糊聚类的类间离散度计算
模糊聚类总散射矩阵、模糊类内散射矩阵及模糊类间散射矩阵定义为:
由推导可知SFT=SFW+SFB,令tr(Z)表示矩阵Z的迹,则有:
其中,类内散射矩阵的迹tr(SFW)可用于度量簇内紧致性(类内离散度),而类间散射矩阵的迹tr(SFB)则表明簇间变化的分离性(类间离散度)。在样本集X={x1,x2,...,xn}中,虽然和硬聚类一样有tr(SFT)=tr(SFW)+tr(SFB),但模糊聚类总散射矩阵的迹tr(SFT)并非为一个常数,它依赖于uki。这意味着,在模糊聚类中tr(SFW)与tr(SFB)不再具有此消彼长的变化关系。标准FCM算法仅考虑簇内紧致性,因此,为保证算法同时也具有较好的类间分离性,需结合簇内和簇间的模糊变化以最小化tr(SFW),同时最大化tr(SFB)。
步骤5:图像分割
针对SAR图像固有的相干斑噪声对分割效果所产生的影响,利用自适应非局部均值算法准确提取非局部空间信息,并根据每个像素邻域灰度直方图的熵计算其对应的自适应加权参数λi,确定该点非局部空间信息项在目标函数中的权重,调节相干斑抑制与图像细节保持之间的平衡。另一方面,鉴于标准FCM算法是依据类内离散度所提出,为进一步改善算法性能,依据5.3节的分析,考虑在在算法中引入类间离散度作用项得到结合信息熵和类间离散度的自适应非局部模糊C均值聚类(A Robust Non-local FCM with Comentropyand Between-cluster Scatter Matrix,NCBS_FCM)SAR图像分割算法。NCBS_FCM的目标函数被定义为:
其中,c为图像分割类别数,n表示图像像素个数,m作为模糊指数,一般设置为2。为使算法更好贴合SAR图像特性,选取其后向散射系数作为特征值xi,则和分别表示像素i后向散射系数的自适应非局部均值与全图像素后向散射系数均值。uki为隶属度参数且满足λi是非局部空间信息项的自适应加权参数,μk表示类间离散项参数。
此外,隶属度uki和聚类中心vk的更新迭代公式如下:
其中,类间离散项参数μk的迭代更新公式为
在模糊聚类算法中要求隶属度uki∈[0,1],而对于某些像素点,其计算结果可能为负。为避免此类情况出现,做出如下处理:对任一给定像素点xi,若则令uki=1,其余uk′i=0,k′≠k,即像素i将完全属于第k个聚类群。这意味着在该算法中每一聚类集群都有一个硬边界使得位于该边界内的像素点被硬划分为该类,而边界外的像素点具有模糊隶属度值uki∈[0,1]。在算法中同时具有硬聚类和模糊聚类可在一定程度上避免FCM算法过模糊情况,改善聚类性能。
算法对应结果图如图5所示。图3与图4分别为EnFCM算法分割结果和FLICM算法分割结果图。
除上述实施例外,本发明还可以有其他实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明的保护范围内。尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (8)
1.一种自适应非局部模糊C均值聚类SAR图像分割算法,其特征在于,具体包括以下步骤:
步骤1:高分辨率合成孔径雷达图像的获取;
步骤2:自适应非局部均值计算;
步骤3:非局部空间信息项自适应权值参数计算;
步骤4:模糊聚类的类间离散度计算;
步骤5:图像分割。
2.根据权利要求1所述的自适应非局部模糊C均值聚类SAR图像分割算法,其特征在于,所述步骤1具体包括:获取观测区域内包含合适且丰富地物类型的高分辨率合成孔径雷达图像。
3.根据权利要求1所述的自适应非局部模糊C均值聚类SAR图像分割算法,其特征在于,所述步骤2具体包括:
步骤2.1:相似性测度计算;
步骤2.2:自适应非局部均值计算。
4.根据权利要求3所述的自适应非局部模糊C均值聚类SAR图像分割算法,其特征在于,所述步骤2.1具体包括:针对传统非局部均值算法对于图像细节处理的缺陷引入自适应二值权值函数剔除与中心像素差异过大的像素点,得到更为精准的相似性测度公式。具体定义如下:
其中j∈Ni,ts表示中心像素i与其邻域内像素的灰度差阈值。该值的设置由图像所受噪声程度和整体灰度等级所决定。当图像受相干斑影响严重或图像的灰度等级较高时,阈值需设置较大,反之亦然。因此,改进后的两像素邻域分布间的自适应相似性测度可按如下公式计算得到:
其中,Ti={tij,j∈Ni}为中心像素i的自适应二值权矩阵,能够滤除与中心像素差异过大的邻域像素,进行准确的平滑处理。
5.根据权利要求3所述的自适应非局部模糊C均值聚类SAR图像分割算法,其特征在于,所述步骤2.2具体包括:将步骤2.1所得到的改进的像素间相似性度量值带入原非局部均值算法中以得到像素自适应非局部均值。算法权值计算公式如下:
其中,w′ij满足w′ij∈[0,1],且归一化因子Z′j为:
将新的权值w′ij应用于NLM公式中,由此可得像素i的自适应非局部均值为:
同样的,xi表示像素i的灰度值,是以像素i为中心的大小为S×S的搜索窗口。
6.根据权利要求1所述的自适应非局部模糊C均值聚类SAR图像分割算法,其特征在于,所述步骤3具体包括:经由自适应非局部均值算法处理后可得到对相干斑噪声具有强鲁棒性的滤波图像,该图像可作为非局部空间信息项合并至FCM算法中改进图像分割性能。考虑利用局部灰度直方图的熵来控制非局部空间信息项对像素的自适应程度,增强算法对异常值的抗干扰能力。对于图像中任一像素i,将其非局部信息项权重由固定值替换为基于灰度直方图信息熵的自适应加权参数λi,其定义如下:
其中,
σ=median(vari,i∈Ω}
上述公式中表示以像素i为中心的方形邻域内像素灰度直方图的信息熵,以度量邻域无序程度。其中n为灰度量化级数,pl代表量化后的灰度级l所对应频率。此外,vari是像素i的邻域方差值,Ω表示图像像素全集。
7.根据权利要求1所述的自适应非局部模糊C均值聚类SAR图像分割算法,其特征在于,所述步骤4具体包括:在目标函数中引入类间离散项的作用以进一步改善分割性能。模糊聚类总散射矩阵、模糊类内散射矩阵及模糊类间散射矩阵定义为:
由推导可知SFT=SFW+SFB,令tr(Z)表示矩阵Z的迹,则有:
其中,类内散射矩阵的迹tr(SFW)可用于度量簇内紧致性(类内离散度),而类间散射矩阵的迹tr(SFB)则表明簇间变化的分离性(类间离散度)。在样本集X={x1,x2,...,xn}中,虽然和硬聚类一样有tr(SFT)=tr(SFW)+tr(SFB),但模糊聚类总散射矩阵的迹tr(SFT)并非为一个常数,它依赖于uki。这意味着,在模糊聚类中tr(SFW)与tr(SFB)不再具有此消彼长的变化关系。标准FCM算法仅考虑簇内紧致性,其目标函数为因此,为保证算法同时也具有较好的类间分离性,需结合簇内和簇间的模糊变化以最小化tr(SFW),同时最大化tr(SFB)。
8.根据权利要求1所述的自适应非局部模糊C均值聚类SAR图像分割算法,其特征在于,所述步骤5具体包括:针对SAR图像固有的相干斑噪声对分割效果所产生的影响,利用自适应非局部均值算法准确提取非局部空间信息,并根据每个像素邻域灰度直方图的熵计算其对应的自适应加权参数λi,确定该点非局部空间信息项在目标函数中的权重,调节相干斑抑制与图像细节保持之间的平衡。另一方面,鉴于标准FCM算法是依据类内离散度所提出,为进一步改善算法性能,考虑在在算法中引入类间离散度作用项得到结合信息熵和类间离散度的自适应非局部模糊C均值聚类(A Robust Non-local FCM with Comentropy andBetween-cluster Scatter Matrix,NCBS_FCM)SAR图像分割算法。NCBS_FCM的目标函数被定义为:
其中,c为图像分割类别数,n表示图像像素个数,m作为模糊指数,一般设置为2。为使算法更好贴合SAR图像特性,选取其后向散射系数作为特征值xi,则和分别表示像素i后向散射系数的自适应非局部均值与全图像素后向散射系数均值。uki为隶属度参数且满足λi是非局部空间信息项的自适应加权参数,μk表示类间离散项参数。
借助拉格朗日乘数法将其最小化,得到uki隶属度和聚类中心vk的更新迭代公式为:
其中,类间离散项参数μk的迭代更新公式为
在模糊聚类算法中要求隶属度uki∈[0,1],而对于某些像素点,其计算结果可能为负。为避免此类情况出现,做出如下处理:对任一给定像素点xi,若则令uki=1,其余uk′i=0,k′≠k,即像素i将完全属于第k个聚类群。这意味着在该算法中每一聚类集群都有一个硬边界使得位于该边界内的像素点被硬划分为该类,而边界外的像素点具有模糊隶属度值uki∈[0,1]。在算法中同时具有硬聚类和模糊聚类可在一定程度上避免FCM算法过模糊情况,改善聚类性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910438994.8A CN110147795A (zh) | 2019-05-24 | 2019-05-24 | 一种自适应非局部模糊c均值聚类sar图像分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910438994.8A CN110147795A (zh) | 2019-05-24 | 2019-05-24 | 一种自适应非局部模糊c均值聚类sar图像分割算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110147795A true CN110147795A (zh) | 2019-08-20 |
Family
ID=67593201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910438994.8A Pending CN110147795A (zh) | 2019-05-24 | 2019-05-24 | 一种自适应非局部模糊c均值聚类sar图像分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147795A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580479A (zh) * | 2019-08-27 | 2019-12-17 | 天津大学 | 基于熵和聚类算法的电子散斑干涉条纹图二值化方法 |
CN112241956A (zh) * | 2020-11-03 | 2021-01-19 | 甘肃省地震局(中国地震局兰州地震研究所) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 |
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 |
CN112819775A (zh) * | 2021-01-28 | 2021-05-18 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种航空航天复合材料损伤检测图像的分割强化方法 |
CN113160214A (zh) * | 2021-05-12 | 2021-07-23 | 西南科技大学 | 一种图像局部领域像素相似性衡量新方法 |
CN114677391A (zh) * | 2022-05-26 | 2022-06-28 | 青岛大学附属医院 | 一种脊椎图像分割方法 |
CN115601364A (zh) * | 2022-12-14 | 2023-01-13 | 惠州威尔高电子有限公司(Cn) | 基于图像分析的金手指电路板检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938071A (zh) * | 2012-09-18 | 2013-02-20 | 西安电子科技大学 | 基于非局部均值的sar图像变化检测模糊聚类分析方法 |
CN104732551A (zh) * | 2015-04-08 | 2015-06-24 | 西安电子科技大学 | 基于超像素和图割优化的水平集图像分割方法 |
CN105741279A (zh) * | 2016-01-27 | 2016-07-06 | 西安电子科技大学 | 基于粗糙集的快速抑制模糊聚类的图像分割方法 |
US20170178285A1 (en) * | 2015-12-22 | 2017-06-22 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for cardiac image segmentation |
CN108198193A (zh) * | 2018-01-16 | 2018-06-22 | 北京航空航天大学 | 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 |
CN108932449A (zh) * | 2017-05-27 | 2018-12-04 | 广州智慧城市发展研究院 | 一种基于聚类的条码二值化方法及*** |
CN109300137A (zh) * | 2018-09-20 | 2019-02-01 | 北京航空航天大学 | 一种多曲面估计区间二型模糊聚类磁共振脑图像分割方法 |
-
2019
- 2019-05-24 CN CN201910438994.8A patent/CN110147795A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938071A (zh) * | 2012-09-18 | 2013-02-20 | 西安电子科技大学 | 基于非局部均值的sar图像变化检测模糊聚类分析方法 |
CN104732551A (zh) * | 2015-04-08 | 2015-06-24 | 西安电子科技大学 | 基于超像素和图割优化的水平集图像分割方法 |
US20170178285A1 (en) * | 2015-12-22 | 2017-06-22 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for cardiac image segmentation |
CN105741279A (zh) * | 2016-01-27 | 2016-07-06 | 西安电子科技大学 | 基于粗糙集的快速抑制模糊聚类的图像分割方法 |
CN108932449A (zh) * | 2017-05-27 | 2018-12-04 | 广州智慧城市发展研究院 | 一种基于聚类的条码二值化方法及*** |
CN108198193A (zh) * | 2018-01-16 | 2018-06-22 | 北京航空航天大学 | 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 |
CN109300137A (zh) * | 2018-09-20 | 2019-02-01 | 北京航空航天大学 | 一种多曲面估计区间二型模糊聚类磁共振脑图像分割方法 |
Non-Patent Citations (2)
Title |
---|
LING WAN等: "A Robust Fuzzy C-Means Algorithm Based on Bayesian Nonlocal Spatial Information for SAR Image Segmentation", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
汪柯陆: "基于模糊c均值聚类的SAR图像分割算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580479A (zh) * | 2019-08-27 | 2019-12-17 | 天津大学 | 基于熵和聚类算法的电子散斑干涉条纹图二值化方法 |
CN112241956A (zh) * | 2020-11-03 | 2021-01-19 | 甘肃省地震局(中国地震局兰州地震研究所) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 |
CN112241956B (zh) * | 2020-11-03 | 2023-04-07 | 甘肃省地震局(中国地震局兰州地震研究所) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 |
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 |
CN112819775A (zh) * | 2021-01-28 | 2021-05-18 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种航空航天复合材料损伤检测图像的分割强化方法 |
CN112819775B (zh) * | 2021-01-28 | 2022-07-19 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种航空航天复合材料损伤检测图像的分割强化方法 |
CN113160214A (zh) * | 2021-05-12 | 2021-07-23 | 西南科技大学 | 一种图像局部领域像素相似性衡量新方法 |
CN114677391A (zh) * | 2022-05-26 | 2022-06-28 | 青岛大学附属医院 | 一种脊椎图像分割方法 |
CN114677391B (zh) * | 2022-05-26 | 2022-08-26 | 青岛大学附属医院 | 一种脊椎图像分割方法 |
CN115601364A (zh) * | 2022-12-14 | 2023-01-13 | 惠州威尔高电子有限公司(Cn) | 基于图像分析的金手指电路板检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147795A (zh) | 一种自适应非局部模糊c均值聚类sar图像分割算法 | |
CN110349160B (zh) | 一种基于超像素与模糊c均值聚类sar图像分割方法 | |
CN110210463A (zh) | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
CN104091321B (zh) | 适用于地面激光雷达点云分类的多层次点集特征的提取方法 | |
US8588519B2 (en) | Method and system for training a landmark detector using multiple instance learning | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN107784663A (zh) | 基于深度信息的相关滤波跟踪方法及装置 | |
CN103473786B (zh) | 基于多目标模糊聚类的灰度图像分割方法 | |
CN106203521B (zh) | 基于差异图自步学习的sar图像变化检测方法 | |
CN103020639A (zh) | 一种白细胞自动识别计数方法 | |
CN109087330A (zh) | 一种基于由粗到精图像分割的运动目标检测方法 | |
CN106157330B (zh) | 一种基于目标联合外观模型的视觉跟踪方法 | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN106485239A (zh) | 一种利用单类支持向量机检测河流目标的方法 | |
CN110443139A (zh) | 一种面向分类的高光谱遥感影像噪声波段探测方法 | |
CN105205816A (zh) | 多特征加权融合的高分辨率sar影像建筑区提取方法 | |
CN114627380A (zh) | 一种基于光学影像与sar时序数据融合的水稻识别方法 | |
CN107194917B (zh) | 基于dap和arelm的在轨sar图像变化检测方法 | |
CN110390338A (zh) | 一种基于非线性引导滤波与比率梯度的sar高精度匹配方法 | |
Naeini et al. | Improving the dynamic clustering of hyperspectral data based on the integration of swarm optimization and decision analysis | |
CN112241956B (zh) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 | |
CN117765006A (zh) | 基于无人机影像与激光点云的多层次密集树冠分割方法 | |
Guo et al. | Research on vehicle identification based on high resolution satellite remote sensing image |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190820 |
|
WD01 | Invention patent application deemed withdrawn after publication |