CN112232119A - 一种遥感纹理图像分割方法及装置 - Google Patents

一种遥感纹理图像分割方法及装置 Download PDF

Info

Publication number
CN112232119A
CN112232119A CN202010942317.2A CN202010942317A CN112232119A CN 112232119 A CN112232119 A CN 112232119A CN 202010942317 A CN202010942317 A CN 202010942317A CN 112232119 A CN112232119 A CN 112232119A
Authority
CN
China
Prior art keywords
texture
value
image
remote sensing
initial
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
CN202010942317.2A
Other languages
English (en)
Inventor
魏宝安
夏立福
郭慧宇
莫玉兵
张伟东
宋尚萍
王平
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.)
Fourth Topographic Survey Team Of Ministry Of Natural Resources
Original Assignee
Fourth Topographic Survey Team Of Ministry Of Natural Resources
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 Fourth Topographic Survey Team Of Ministry Of Natural Resources filed Critical Fourth Topographic Survey Team Of Ministry Of Natural Resources
Priority to CN202010942317.2A priority Critical patent/CN112232119A/zh
Publication of CN112232119A publication Critical patent/CN112232119A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种遥感纹理图像分割方法及装置。所述方法包括：对获取的待分割遥感纹理图像进行纹理特征提取，得到纹理特征值；对纹理特征值进行归一化处理，生成归一化纹理特征值；设定初始聚类数目、初始聚类种群规模以及迭代停止条件；基于初始聚类数目和初始聚类种群规模，对蚱蜢优化聚类算法的算法个体进行初始化，得到初始参数；基于初始参数，计算得到初始蚱蜢种群的适应度值；迭代执行基于初始聚类数目和初始聚类种群规模，至获取适应度值中的目标适应度值的步骤至迭代停止条件，并获取适应度值中的目标适应度值；基于目标适应度值对待分割遥感纹理图像进行划分，生成分割图像。本发明可以整个图像分割过程的效率，得到最优的图像分割效果。

Description

一种遥感纹理图像分割方法及装置
技术领域
本发明涉及遥感图像分析及处理技术领域，特别是一种遥感纹理图像分割方法及装置。
背景技术
图像分割是一种基本的计算机视觉技术，也是图像处理过渡到图像分析的关键步骤。分割目的就是根据某些特征(如灰度、纹理、颜色)把图像分成若干有意义区域，同一区域中包含的像素应该具有相同或者相似的特性，不同区域包含的像素应该具有不同的特性。纹理是遥感图像的重要标志，利用纹理特征可以较好的完成遥感图像分割，从而为后续高质量的遥感分析打下基础。从本质上来看，图像分割是一个按照像素属性进行聚类的过程，因此，许多聚类算法被应用于图像分割中并取得了不错的效果。C均值算法是最常用的一种聚类算法。在给定类别数的情况下，运用C均值进行聚类时，结果主要受初始类中心的影响，容易陷入局部最优解，到目前为止还没有一种很好的选取初始类中心的方法。此外，当聚类数目C较大时，算法的迭代次数将会大大增加。
发明内容
本发明解决的技术问题是：克服现有技术的不足，提供了一种遥感纹理图像分割方法及装置。
为了解决上述技术问题，本发明实施例提供了一种遥感纹理图像分割方法，包括：
对获取的待分割遥感纹理图像进行纹理特征提取，得到所述待分割纹理图像对应的纹理特征值；
对所述纹理特征值进行归一化处理，生成归一化纹理特征值；
设定初始聚类数目、初始聚类种群规模以及迭代停止条件；
基于所述初始聚类数目和所述初始聚类种群规模，对蚱蜢优化聚类算法的算法个体进行初始化，得到初始参数；
基于所述初始参数，计算得到所述初始蚱蜢种群的适应度值；
迭代执行所述基于所述初始聚类数目和所述初始聚类种群规模，至所述并获取所述适应度值中的目标适应度值的步骤至所述迭代停止条件，并获取所述适应度值中的目标适应度值；
基于所述目标适应度值对所述待分割遥感纹理图像进行划分，生成分割图像。
可选地，所述对获取的待分割遥感纹理图像进行纹理特征提取，得到所述待分割纹理图像对应的纹理特征值，包括：
获取所述待分割遥感纹理图像；
对所述待分割遥感纹理图像进行Gabor变换处理，生成变换遥感纹理图像；
提取所述变换遥感纹理图像中的纹理特征，得到所述纹理特征值。
可选地，所述对所述待分割遥感纹理图像进行Gabor变换处理，生成变换遥感纹理图像，包括：
采用如下公式(1)和(2)对所述待分割遥感纹理图像进行Gabor变换处理，生成所述变换遥感纹理图像：
Figure BDA0002674052240000021
Figure BDA0002674052240000022
上述公式(1)和(2)中，j为复数算子，W表示Gabor小波的频带带宽，σx和σy分别表示高斯包络沿x轴和y轴方向的常量，σu＝1/2πσx、σv＝1/2πσy为多尺度、多方向Gabor特征，分别采用5个尺度和8个方向的Gabor滤波器组，图像中每个像素点z＝(x,y)对应的多尺度和多方向特征表示为Gu,v(z)。
可选地，所述对所述纹理特征值进行归一化处理，生成归一化纹理特征值，包括：
采用下述公式(3)对所述纹理特征值进行归一化处理，生成所述归一化纹理特征值：
Figure BDA0002674052240000031
上述公式(3)中，xtgnew表示归一化以后得到纹理特征值，xtg表示第t维纹理原始特征值，xtmax第t维纹理特征值的最大值，xtmin第t维纹理特征值的最小值。
可选地，所述基于所述初始参数，计算得到所述初始蚱蜢种群的适应度值，包括：
采用下述公式(4)计算得到所述适应度值：
Figure BDA0002674052240000032
上述公式(4)中，k表示图像包含的总类别数一幅图像的多个信息，x为当前个体，ci为所有属于第i类的个体集合，
Figure BDA0002674052240000035
表示集合ci中所有个体的平均值。
可选地，在所述基于所述初始参数，计算得到所述初始蚱蜢种群的适应度值之后，还包括：
在迭代次数未达到所述迭代停止条件的情况下，基于蚱蜢算法位置更新更新所述算法个体的位置，对不处于预设上下界范围内的个体需要进行重置操作；
更新所述适应度值，迭代次数加1，并执行判断所述迭代次数是否达到所述迭代停止条件的操作。
可选地，所述基于蚱蜢算法位置更新更新所述算法个体的位置，包括：
采用下述公式(5)对所述算法个体的位置进行更新：
Figure BDA0002674052240000033
上述公式(5)中，第i个蚱蜢的位置记为Xi，
Figure BDA0002674052240000034
表示第i个蚱蜢个体第d维分量的值，
Figure BDA0002674052240000041
表示第i个蚱蜢个体第d维分量的值,ubd和lbd分别代表第d维的上限和下限，
Figure BDA0002674052240000042
代表目前为止蚱蜢位置在d维空间上的最佳解，dij是第i个蚱蜢和第j个蚱蜢之间的距离，S函数代表着社交力度。
为了解决上述技术问题，本发明实施例还提供了一种遥感纹理图像分割装置，包括：
纹理特征值获取模块，用于对获取的待分割遥感纹理图像进行纹理特征提取，得到所述待分割纹理图像对应的纹理特征值；
归一化特征值生成模块，用于对所述纹理特征值进行归一化处理，生成归一化纹理特征值；
聚类数目设定模块，用于设定初始聚类数目、初始聚类种群规模以及迭代停止条件；
初始参数获取模块，用于基于所述初始聚类数目和所述初始聚类种群规模，对蚱蜢优化聚类算法的算法个体进行初始化，得到初始参数；
适应度值计算模块，用于基于所述初始参数，计算得到所述初始蚱蜢种群的适应度值；
目标适应度获取模块，用于迭代执行所述初始参数获取模块和所述适应度值计算模块，并获取所述适应度值中的目标适应度值；
分割图像生成模块，用于基于所述目标适应度值对所述待分割遥感纹理图像进行划分，生成分割图像。
可选地，所述纹理特征值获取模块包括：
纹理图像获取单元，用于获取所述待分割遥感纹理图像；
变换图像生成单元，用于对所述待分割遥感纹理图像进行Gabor变换处理，生成变换遥感纹理图像；
纹理特征值获取单元，用于提取所述变换遥感纹理图像中的纹理特征，得到所述纹理特征值。
可选地，所述变换图像生成单元包括：
采用如下公式(1)和(2)对所述待分割遥感纹理图像进行Gabor变换处理，生成所述变换遥感纹理图像：
Figure BDA0002674052240000051
Figure BDA0002674052240000052
上述公式(1)和(2)中，j为复数算子，W表示Gabor小波的频带带宽，σx和σy分别表示高斯包络沿x轴和y轴方向的常量，σu＝1/2πσx、σv＝1/2πσy为多尺度、多方向Gabor特征，分别采用5个尺度和8个方向的Gabor滤波器组，图像中每个像素点z＝(x,y)对应的多尺度和多方向特征表示为Gu,v(z)。
可选地，所述归一化特征值生成模块包括：
采用下述公式(3)对所述纹理特征值进行归一化处理，生成所述归一化纹理特征值：
Figure BDA0002674052240000053
上述公式(3)中，xtgnew表示归一化以后得到纹理特征值，xtg表示第t维纹理原始特征值，xtmax第t维纹理特征值的最大值，xtmin第t维纹理特征值的最小值。
可选地，所述适应度值计算模块包括：
采用下述公式(4)计算得到所述适应度值：
Figure BDA0002674052240000054
上述公式(4)中，k表示图像包含的总类别数一幅图像的多个信息，x为当前个体，ci为所有属于第i类的个体集合，
Figure BDA0002674052240000055
表示集合ci中所有个体的平均值。
可选地，还包括：
个***置更新模块，用于在迭代次数未达到所述迭代停止条件的情况下，基于蚱蜢算法位置更新更新所述算法个体的位置，对不处于预设上下界范围内的个体需要进行重置操作；
停止条件操作执行模块，用于更新所述适应度值，迭代次数加1，并执行判断所述迭代次数是否达到所述迭代停止条件的操作。
可选地，所述个***置更新模块包括：
采用下述公式(5)对所述算法个体的位置进行更新：
Figure BDA0002674052240000061
上述公式(5)中，第i个蚱蜢的位置记为Xi，
Figure BDA0002674052240000062
表示第i个蚱蜢个体第d维分量的值，
Figure BDA0002674052240000063
表示第i个蚱蜢个体第d维分量的值,ubd和lbd分别代表第d维的上限和下限，
Figure BDA0002674052240000064
代表目前为止蚱蜢位置在d维空间上的最佳解，dij是第i个蚱蜢和第j个蚱蜢之间的距离，S函数代表着社交力度。
本发明与现有技术相比的优点在于：
本发明实施例提供的遥感纹理图像分割方法及装置，通过对获取的待分割遥感纹理图像进行纹理特征提取，得到待分割纹理图像对应的纹理特征值，对纹理特征值进行归一化处理，生成归一化纹理特征值；设定初始聚类数目、初始聚类种群规模以及迭代停止条件，基于初始聚类数目和初始聚类种群规模，对蚱蜢优化聚类算法的算法个体进行初始化，得到初始参数，基于初始参数，计算得到初始蚱蜢种群的适应度值，迭代执行基于所述初始聚类数目和初始聚类种群规模，至并获取适应度值中的目标适应度值的步骤至迭代停止条件，并获取适应度值中的目标适应度值，基于目标适应度值对待分割遥感纹理图像进行划分，生成分割图像。本发明实施例提出的基于蚱蜢优化聚类的遥感纹理图像分割方法，它既降低了传统C均值聚类分割方法对初始聚类中心的敏感度。同时，蚱蜢优化算法能快速的找到最优解。在时间复杂度层面，大大提高整个图像分割过程的效率。快速得到最优的图像分割效果。
附图说明
图1为本发明实施例提供的一种遥感纹理图像分割方法的步骤流程图；
图2为本发明实施例提供的一种遥感纹理图像分割装置的结构示意图。
具体实施方式
参照图1，示出了本发明实施例提供的一种遥感纹理图像分割方法的步骤流程图，如图1所示，该遥感纹理图像分割方法具体可以包括如下步骤：
步骤101：对获取的待分割遥感纹理图像进行纹理特征提取，得到所述待分割纹理图像对应的纹理特征值。
本发明实施例可以应用于结合蚱蜢优化聚类算法对遥感纹理图像进行分割的场景中。
图像分割是一种基本的计算机视觉技术，也是图像处理过渡到图像分析的关键步骤。分割目的就是根据某些特征(如灰度、纹理、颜色等)把图像分成若干有意义区域，同一区域中包含的像素应该具有相同或者相似的特性，不同区域包含的像素应该具有不同的特性。
纹理是遥感图像的重要标志，利用纹理特征可以较好的完成遥感图像分割，从而为后续高质量的遥感分析打下基础。
待分割遥感纹理图像是指用户输入的需要进行图像分割的纹理图像。
在获取待分割遥感纹理图像之后，可以对获取的待分割遥感纹理图像进行纹理特征的提取，以得到待分割纹理图像对应的纹理特征值，具体地，可以结合下述具体实现方式进行详细描述。
在本发明的一种具体实现方式中，上述步骤101可以包括：
子步骤A1：获取所述待分割遥感纹理图像。
子步骤A2：对所述待分割遥感纹理图像进行Gabor变换处理，生成变换遥感纹理图像。
子步骤A3：提取所述变换遥感纹理图像中的纹理特征，得到所述纹理特征值。
在本发明实施例中，首先可以由用户输入待分割遥感纹理图像，进而可以度遥感纹理图像进行预处理，具体地可以分别采用5个尺度和8个方向的Gabor滤波器组，对图像进行Gabor变换处理，可以生成变换遥感纹理图像，从而提取变换遥感纹理图像的纹理特征。
其中，对待分割遥感纹理图像进行Gabor变换处理，生成变换遥感纹理图像可以结合下述公式(1)和(2)实现：
Figure BDA0002674052240000081
Figure BDA0002674052240000082
上述公式(1)和(2)中，j为复数算子，W表示Gabor小波的频带带宽，σx和σy分别表示高斯包络沿x轴和y轴方向的常量，σu＝1/2πσx、σv＝1/2πσy为多尺度、多方向Gabor特征，分别采用5个尺度和8个方向的Gabor滤波器组，图像中每个像素点z＝(x,y)对应的多尺度和多方向特征表示为Gu,v(z)。
在生成遥感纹理图像之后，可以提取遥感纹理图像中的纹理特征值，具体地，可以提取40维特征，本发明中基于纹理图像的多尺度和多方向特征表征如下：
{Gu,v(z):u∈(0,1,...,4),v∈(0,1,...,7)}
在提取遥感纹理图像中的纹理特征值之后，执行步骤102。
步骤102：对所述纹理特征值进行归一化处理，生成归一化纹理特征值。
在提取遥感纹理图像中的纹理特征值之后，可以对纹理特征值进行归一化处理，以生成归一化纹理特征值，具体地，可以将提取的纹理特征值归一化到[0，1]，具体地归一化方式可以采用下述公式(3)来实现：
Figure BDA0002674052240000083
上述公式(3)中，xtgnew表示归一化以后得到纹理特征值，xtg表示第t维纹理原始特征值，xtmax第t维纹理特征值的最大值，xtmin第t维纹理特征值的最小值。
在生成归一化纹理特征值之后，执行步骤103。
步骤103：设定初始聚类数目、初始聚类种群规模以及迭代停止条件。
此时，可以预先设定初始聚类数目、初始聚类种群规模(即需要对图像分割的数目)以及迭代停止条件，其中，初始聚类数目可以设定为K，初始聚类种群估摸可以设定为P，迭代停止条件可以为上一次聚类的结果和下一次聚类的结果几乎一致的条件等。
在设定初始聚类数目、初始聚类种群规模以及迭代停止条件之后，执行步骤104。
步骤104：基于所述初始聚类数目和所述初始聚类种群规模，对蚱蜢优化聚类算法的算法个体进行初始化，得到初始参数。
在设定初始聚类数目和初始聚类种群规模之后，可以基于初始聚类数目和初始聚类种群规模对蚱蜢优化聚类算法的算法个体进行初始化，以得到初始参数，其中，初始参数可以包括：c(即分割次数)的最大、最小值，产生初始种群GP，初始蚱蜢种群的位置和其它参数，在本方法中，由于种群位置向量表示纹理图像的聚类中心，故对于种群中任意一个个体中的一位，其取值范围为[0，1]，最后，用代数T表示蚱蜢优化算法的运行次数，在初始条件下，令T＝0。
在对蚱蜢优化算法的算法个体进行初始化得到初始参数之后，执行步骤105。
步骤105：基于所述初始参数，计算得到所述初始蚱蜢种群的适应度值。
在获取初始参数之后，可以基于初始参数计算得到初始蚱蜢种群的适应度值，具体地，可以基于下述公式(4)实现：
Figure BDA0002674052240000091
上述公式(4)中，k表示图像包含的总类别数一幅图像的多个信息，x为当前个体，ci为所有属于第i类的个体集合，
Figure BDA0002674052240000092
表示集合ci中所有个体的平均值。
在本发明的一种具体实现方式中，在上述步骤105之后，还可以包括：
步骤B1：在迭代次数未达到所述迭代停止条件的情况下，基于蚱蜢算法位置更新更新所述算法个体的位置，对不处于预设上下界范围内的个体需要进行重置操作；
步骤B2：更新所述适应度值，迭代次数加1，并执行判断所述迭代次数是否达到所述迭代停止条件的操作。
在本发明实施例中，在迭代次数未达到迭代停止条件的情况下，可以根据蚱蜢算法位置更新公式更新个体的位置，对于不在各维度上下界范围内的个体需要进行重置操作，蚱蜢优化聚类算法位置更新公式如下：
Figure BDA0002674052240000101
上述公式(5)中，第i个蚱蜢的位置记为Xi，
Figure BDA0002674052240000102
表示第i个蚱蜢个体第d维分量的值，
Figure BDA0002674052240000103
表示第i个蚱蜢个体第d维分量的值,ubd和lbd分别代表第d维的上限和下限，
Figure BDA0002674052240000104
代表目前为止蚱蜢位置在d维空间上的最佳解，dij是第i个蚱蜢和第j个蚱蜢之间的距离，S函数代表着社交力度。
社交力度的计算方式如下：
Figure BDA0002674052240000105
其中r代表S函数的自变量，f为吸引强度；l为吸引长度尺度，取值为l＝1.5，f＝0.5，c是一个递减的系数，在迭代过程中收缩适宜范围，参数c更新公式如下：
Figure BDA0002674052240000106
其中，cmax为c的最大值，cmin为c最小值，tit代表当前迭代次数，L代表最大迭代次数。
在更新算法个体的位置之后，可以更新最优个体GT，迭代次数加1，并执行判断迭代次数是否达到迭代停止条件的操作。
在基于初始参数计算得到初始蚱蜢种群的适应度值之后，执行步骤106。
步骤106：迭代执行所述基于所述初始聚类数目和所述初始聚类种群规模，至所述并获取所述适应度值中的目标适应度值的步骤至所述迭代停止条件，并获取所述适应度值中的目标适应度值。
迭代执行基于初始聚类数目和初始聚类种群规模，对蚱蜢优化聚类算法的算法个体进行初始化，得到初始参数，和基于初始参数，计算得到初始蚱蜢种群的适应度值的步骤，直到满足迭代停止条件，从而可以获取适应度值中的目标适应度值。
在获取目标适应度值之后，执行步骤107。
步骤107：基于所述目标适应度值对所述待分割遥感纹理图像进行划分，生成分割图像。
在获取目标适应度之后，可以基于目标适应度值对待分割遥感纹理图像进行划分，以生成分割图像。
本发明实施例提供的遥感纹理图像分割方法，通过对获取的待分割遥感纹理图像进行纹理特征提取，得到待分割纹理图像对应的纹理特征值，对纹理特征值进行归一化处理，生成归一化纹理特征值；设定初始聚类数目、初始聚类种群规模以及迭代停止条件，基于初始聚类数目和初始聚类种群规模，对蚱蜢优化聚类算法的算法个体进行初始化，得到初始参数，基于初始参数，计算得到初始蚱蜢种群的适应度值，迭代执行基于所述初始聚类数目和初始聚类种群规模，至并获取适应度值中的目标适应度值的步骤至迭代停止条件，并获取适应度值中的目标适应度值，基于目标适应度值对待分割遥感纹理图像进行划分，生成分割图像。本发明实施例提出的基于蚱蜢优化聚类的遥感纹理图像分割方法，它既降低了传统C均值聚类分割方法对初始聚类中心的敏感度。同时，蚱蜢优化算法能快速的找到最优解。在时间复杂度层面，大大提高整个图像分割过程的效率。快速得到最优的图像分割效果。
参照图2，示出了本发明实施例提供的一种遥感纹理图像分割装置的结构示意图，如图2所示，该遥感纹理图像分割装置200具体可以包括如下模块：
纹理特征值获取模块210，用于对获取的待分割遥感纹理图像进行纹理特征提取，得到所述待分割纹理图像对应的纹理特征值；
归一化特征值生成模块220，用于对所述纹理特征值进行归一化处理，生成归一化纹理特征值；
聚类数目设定模块230，用于设定初始聚类数目、初始聚类种群规模以及迭代停止条件；
初始参数获取模块240，用于基于所述初始聚类数目和所述初始聚类种群规模，对蚱蜢优化聚类算法的算法个体进行初始化，得到初始参数；
适应度值计算模块250，用于基于所述初始参数，计算得到所述初始蚱蜢种群的适应度值；
目标适应度获取模块260，用于迭代执行所述初始参数获取模块和所述适应度值计算模块，并获取所述适应度值中的目标适应度值；
分割图像生成模块270，用于基于所述目标适应度值对所述待分割遥感纹理图像进行划分，生成分割图像。
可选地，所述纹理特征值获取模块210包括：
纹理图像获取单元，用于获取所述待分割遥感纹理图像；
变换图像生成单元，用于对所述待分割遥感纹理图像进行Gabor变换处理，生成变换遥感纹理图像；
纹理特征值获取单元，用于提取所述变换遥感纹理图像中的纹理特征，得到所述纹理特征值。
可选地，所述变换图像生成单元包括：
采用如下公式(1)和(2)对所述待分割遥感纹理图像进行Gabor变换处理，生成所述变换遥感纹理图像：
Figure BDA0002674052240000121
Figure BDA0002674052240000122
上述公式(1)和(2)中，j为复数算子，W表示Gabor小波的频带带宽，σx和σy分别表示高斯包络沿x轴和y轴方向的常量，σu＝1/2πσx、σv＝1/2πσy为多尺度、多方向Gabor特征，分别采用5个尺度和8个方向的Gabor滤波器组，图像中每个像素点z＝(x,y)对应的多尺度和多方向特征表示为Gu,v(z)。
可选地，所述归一化特征值生成模块220包括：
采用下述公式(3)对所述纹理特征值进行归一化处理，生成所述归一化纹理特征值：
Figure BDA0002674052240000131
上述公式(3)中，xtgnew表示归一化以后得到纹理特征值，xtg表示第t维纹理原始特征值，xtmax第t维纹理特征值的最大值，xtmin第t维纹理特征值的最小值。
可选地，所述适应度值计算模块250包括：
采用下述公式(4)计算得到所述适应度值：
Figure BDA0002674052240000132
上述公式(4)中，k表示图像包含的总类别数一幅图像的多个信息，x为当前个体，ci为所有属于第i类的个体集合，
Figure BDA0002674052240000133
表示集合ci中所有个体的平均值。
可选地，还包括：
个***置更新模块，用于在迭代次数未达到所述迭代停止条件的情况下，基于蚱蜢算法位置更新更新所述算法个体的位置，对不处于预设上下界范围内的个体需要进行重置操作；
停止条件操作执行模块，用于更新所述适应度值，迭代次数加1，并执行判断所述迭代次数是否达到所述迭代停止条件的操作。
可选地，所述个***置更新模块包括：
采用下述公式(5)对所述算法个体的位置进行更新：
Figure BDA0002674052240000141
上述公式(5)中，第i个蚱蜢的位置记为Xi，
Figure BDA0002674052240000142
表示第i个蚱蜢个体第d维分量的值，
Figure BDA0002674052240000143
表示第i个蚱蜢个体第d维分量的值,ubd和lbd分别代表第d维的上限和下限，
Figure BDA0002674052240000144
代表目前为止蚱蜢位置在d维空间上的最佳解，dij是第i个蚱蜢和第j个蚱蜢之间的距离，S函数代表着社交力度。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (14)

1.一种遥感纹理图像分割方法，其特征在于，包括：
对获取的待分割遥感纹理图像进行纹理特征提取，得到所述待分割纹理图像对应的纹理特征值；
对所述纹理特征值进行归一化处理，生成归一化纹理特征值；
设定初始聚类数目、初始聚类种群规模以及迭代停止条件；
基于所述初始聚类数目和所述初始聚类种群规模，对蚱蜢优化聚类算法的算法个体进行初始化，得到初始参数；
基于所述初始参数，计算得到所述初始蚱蜢种群的适应度值；
迭代执行所述基于所述初始聚类数目和所述初始聚类种群规模，至所述并获取所述适应度值中的目标适应度值的步骤至所述迭代停止条件，并获取所述适应度值中的目标适应度值；
基于所述目标适应度值对所述待分割遥感纹理图像进行划分，生成分割图像。
2.根据权利要求1所述的方法，其特征在于，所述对获取的待分割遥感纹理图像进行纹理特征提取，得到所述待分割纹理图像对应的纹理特征值，包括：
获取所述待分割遥感纹理图像；
对所述待分割遥感纹理图像进行Gabor变换处理，生成变换遥感纹理图像；
提取所述变换遥感纹理图像中的纹理特征，得到所述纹理特征值。
3.根据权利要求2所述的方法，其特征在于，所述对所述待分割遥感纹理图像进行Gabor变换处理，生成变换遥感纹理图像，包括：
采用如下公式(1)和(2)对所述待分割遥感纹理图像进行Gabor变换处理，生成所述变换遥感纹理图像：
Figure FDA0002674052230000011
Figure FDA0002674052230000021
上述公式(1)和(2)中，j为复数算子，W表示Gabor小波的频带带宽，σx和σy分别表示高斯包络沿x轴和y轴方向的常量，σu＝1/2πσx、σv＝1/2πσy为多尺度、多方向Gabor特征，分别采用5个尺度和8个方向的Gabor滤波器组，图像中每个像素点z＝(x,y)对应的多尺度和多方向特征表示为Gu,v(z)。
4.根据权利要求1所述的方法，其特征在于，所述对所述纹理特征值进行归一化处理，生成归一化纹理特征值，包括：
采用下述公式(3)对所述纹理特征值进行归一化处理，生成所述归一化纹理特征值：
Figure FDA0002674052230000022
上述公式(3)中，xtgnew表示归一化以后得到纹理特征值，xtg表示第t维纹理原始特征值，xtmax第t维纹理特征值的最大值，xtmin第t维纹理特征值的最小值。
5.根据权利要求1所述的方法，其特征在于，所述基于所述初始参数，计算得到所述初始蚱蜢种群的适应度值，包括：
采用下述公式(4)计算得到所述适应度值：
Figure FDA0002674052230000023
上述公式(4)中，k表示图像包含的总类别数一幅图像的多个信息，x为当前个体，ci为所有属于第i类的个体集合，
Figure FDA0002674052230000024
表示集合ci中所有个体的平均值。
6.根据权利要求1所述的方法，其特征在于，在所述基于所述初始参数，计算得到所述初始蚱蜢种群的适应度值之后，还包括：
在迭代次数未达到所述迭代停止条件的情况下，基于蚱蜢算法位置更新更新所述算法个体的位置，对不处于预设上下界范围内的个体需要进行重置操作；
更新所述适应度值，迭代次数加1，并执行判断所述迭代次数是否达到所述迭代停止条件的操作。
7.根据权利要求6所述的方法，其特征在于，所述基于蚱蜢算法位置更新更新所述算法个体的位置，包括：
采用下述公式(5)对所述算法个体的位置进行更新：
Figure FDA0002674052230000031
上述公式(5)中，第i个蚱蜢的位置记为Xi，
Figure FDA0002674052230000032
表示第i个蚱蜢个体第d维分量的值，
Figure FDA0002674052230000033
表示第i个蚱蜢个体第d维分量的值,ubd和lbd分别代表第d维的上限和下限，
Figure FDA0002674052230000034
代表目前为止蚱蜢位置在d维空间上的最佳解，dij是第i个蚱蜢和第j个蚱蜢之间的距离，S函数代表着社交力度。
8.一种遥感纹理图像分割装置，其特征在于，包括：
纹理特征值获取模块，用于对获取的待分割遥感纹理图像进行纹理特征提取，得到所述待分割纹理图像对应的纹理特征值；
归一化特征值生成模块，用于对所述纹理特征值进行归一化处理，生成归一化纹理特征值；
聚类数目设定模块，用于设定初始聚类数目、初始聚类种群规模以及迭代停止条件；
初始参数获取模块，用于基于所述初始聚类数目和所述初始聚类种群规模，对蚱蜢优化聚类算法的算法个体进行初始化，得到初始参数；
适应度值计算模块，用于基于所述初始参数，计算得到所述初始蚱蜢种群的适应度值；
目标适应度获取模块，用于迭代执行所述初始参数获取模块和所述适应度值计算模块，并获取所述适应度值中的目标适应度值；
分割图像生成模块，用于基于所述目标适应度值对所述待分割遥感纹理图像进行划分，生成分割图像。
9.根据权利要求8所述的装置，其特征在于，所述纹理特征值获取模块包括：
纹理图像获取单元，用于获取所述待分割遥感纹理图像；
变换图像生成单元，用于对所述待分割遥感纹理图像进行Gabor变换处理，生成变换遥感纹理图像；
纹理特征值获取单元，用于提取所述变换遥感纹理图像中的纹理特征，得到所述纹理特征值。
10.根据权利要求9所述的装置，其特征在于，所述变换图像生成单元包括：
采用如下公式(1)和(2)对所述待分割遥感纹理图像进行Gabor变换处理，生成所述变换遥感纹理图像：
Figure FDA0002674052230000041
Figure FDA0002674052230000042
上述公式(1)和(2)中，j为复数算子，W表示Gabor小波的频带带宽，σx和σy分别表示高斯包络沿x轴和y轴方向的常量，σu＝1/2πσx、σv＝1/2πσy为多尺度、多方向Gabor特征，分别采用5个尺度和8个方向的Gabor滤波器组，图像中每个像素点z＝(x,y)对应的多尺度和多方向特征表示为Gu,v(z)。
11.根据权利要求8所述的装置，其特征在于，所述归一化特征值生成模块包括：
采用下述公式(3)对所述纹理特征值进行归一化处理，生成所述归一化纹理特征值：
Figure FDA0002674052230000043
上述公式(3)中，xtgnew表示归一化以后得到纹理特征值，xtg表示第t维纹理原始特征值，xtmax第t维纹理特征值的最大值，xtmin第t维纹理特征值的最小值。
12.根据权利要求8所述的装置，其特征在于，所述适应度值计算模块包括：
采用下述公式(4)计算得到所述适应度值：
Figure FDA0002674052230000051
上述公式(4)中，k表示图像包含的总类别数一幅图像的多个信息，x为当前个体，ci为所有属于第i类的个体集合，
Figure FDA0002674052230000052
表示集合ci中所有个体的平均值。
13.根据权利要求8所述的装置，其特征在于，还包括：
个***置更新模块，用于在迭代次数未达到所述迭代停止条件的情况下，基于蚱蜢算法位置更新更新所述算法个体的位置，对不处于预设上下界范围内的个体需要进行重置操作；
停止条件操作执行模块，用于更新所述适应度值，迭代次数加1，并执行判断所述迭代次数是否达到所述迭代停止条件的操作。
14.根据权利要求13所述的装置，其特征在于，所述个***置更新模块包括：
采用下述公式(5)对所述算法个体的位置进行更新：
Figure FDA0002674052230000053
上述公式(5)中，第i个蚱蜢的位置记为Xi，
Figure FDA0002674052230000054
表示第i个蚱蜢个体第d维分量的值，
Figure FDA0002674052230000055
表示第i个蚱蜢个体第d维分量的值,ubd和lbd分别代表第d维的上限和下限，
Figure FDA0002674052230000056
代表目前为止蚱蜢位置在d维空间上的最佳解，dij是第i个蚱蜢和第j个蚱蜢之间的距离，S函数代表着社交力度。
CN202010942317.2A 2020-09-09 2020-09-09 一种遥感纹理图像分割方法及装置 Pending CN112232119A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010942317.2A CN112232119A (zh) 2020-09-09 2020-09-09 一种遥感纹理图像分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010942317.2A CN112232119A (zh) 2020-09-09 2020-09-09 一种遥感纹理图像分割方法及装置

Publications (1)

Publication Number Publication Date
CN112232119A true CN112232119A (zh) 2021-01-15

Family

ID=74116106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010942317.2A Pending CN112232119A (zh) 2020-09-09 2020-09-09 一种遥感纹理图像分割方法及装置

Country Status (1)

Country Link
CN (1) CN112232119A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570555A (zh) * 2021-07-07 2021-10-29 温州大学 基于改进蚱蜢算法的多阈值医学图像的二维分割方法
CN117476165A (zh) * 2023-12-26 2024-01-30 贵州维康子帆药业股份有限公司 一种中成药药物药材智能管理方法及***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570555A (zh) * 2021-07-07 2021-10-29 温州大学 基于改进蚱蜢算法的多阈值医学图像的二维分割方法
CN113570555B (zh) * 2021-07-07 2024-02-09 温州大学 基于改进蚱蜢算法的多阈值医学图像的二维分割方法
CN117476165A (zh) * 2023-12-26 2024-01-30 贵州维康子帆药业股份有限公司 一种中成药药物药材智能管理方法及***
CN117476165B (zh) * 2023-12-26 2024-03-12 贵州维康子帆药业股份有限公司 一种中成药药物药材智能管理方法及***

Similar Documents

Publication Publication Date Title
CN111753828B (zh) 一种基于深度卷积神经网络的自然场景水平文字检测方法
CN105956582B (zh) 一种基于三维数据的人脸识别***
CN109978848B (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN112288761B (zh) 一种异常发热的电力设备检测方法、装置和可读存储介质
CN113052185A (zh) 一种基于Faster R-CNN的小样本目标检测方法
CN111476310B (zh) 一种图像分类方法、装置及设备
CN112101364B (zh) 基于参数重要性增量学习的语义分割方法
CN111882554B (zh) 一种基于SK-YOLOv3的电力线故障智能检测方法
CN111832642A (zh) 一种基于vgg16在昆虫分类学上的图像识别方法
CN112232119A (zh) 一种遥感纹理图像分割方法及装置
Li et al. A fast level set algorithm for building roof recognition from high spatial resolution panchromatic images
CN112348059A (zh) 基于深度学习的多种染色病理图像分类方法及***
CN112132145A (zh) 一种基于模型扩展卷积神经网络的图像分类方法及***
CN116310466A (zh) 基于局部无关区域筛选图神经网络的小样本图像分类方法
CN111126169B (zh) 基于正交化的图正则非负矩阵分解的人脸识别方法及***
CN111639697A (zh) 基于非重复采样与原型网络的高光谱图像分类方法
CN111666813A (zh) 一种基于非局部信息的三维卷积神经网络的皮下汗腺提取方法
CN113011506B (zh) 一种基于深度重分形频谱网络的纹理图像分类方法
CN108876776B (zh) 一种分类模型生成方法、眼底图像分类方法及装置
CN116994060A (zh) 基于lbp提取和tcnn神经网络的脑部纹理分析方法
CN116030308B (zh) 基于图卷积神经网络的多模态医学图像分类方法及***
CN105844299B (zh) 一种基于词袋模型的图像分类方法
CN116778339A (zh) 局部视图辅助判别高光谱波段选择方法及***
CN111046861B (zh) 识别红外影像的方法、构建识别模型的方法及应用
CN114926691A (zh) 基于卷积神经网络的虫害智能化识别方法及***

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