CN112424828B - 一种集成空间约束的核模糊c均值快速聚类算法 - Google Patents
一种集成空间约束的核模糊c均值快速聚类算法 Download PDFInfo
- Publication number
- CN112424828B CN112424828B CN201980021943.3A CN201980021943A CN112424828B CN 112424828 B CN112424828 B CN 112424828B CN 201980021943 A CN201980021943 A CN 201980021943A CN 112424828 B CN112424828 B CN 112424828B
- Authority
- CN
- China
- Prior art keywords
- pixel
- fuzzy
- clustering
- image
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000005286 illumination Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract description 10
- 230000008859 change Effects 0.000 abstract description 8
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract 1
- 239000003292 glue Substances 0.000 abstract 1
- 238000003709 image segmentation Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/023—Learning or tuning the parameters of a fuzzy system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T2207/20076—Probabilistic image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于算法技术领域,更具体地,涉及一种集成空间约束的核模糊C均值快速聚类算法,具体步骤如下:(I)利用光照处理算法,构建受光照影响的预处理图;(II)在步骤(I)之后,使用高斯核将原图和预处理图映射到特征空间,对图像进行聚类分割。提供一种集成空间约束的核模糊C均值快速聚类算法,对光照图像进行处理和运算,完成对光照产品中荧光胶的异物、气泡、变色缺陷的检测。本发明提供一种集成空间约束的核模糊C均值快速聚类算法,将图像映射到特征空间中,并且利用像素空间关系优化核模糊C均值聚类的目标函数,使得聚类过程对于环境变化造成的同类像素点灰度值发生变化具有分割鲁棒性。
Description
技术领域
本发明属于算法技术领域,更具体地,涉及一种集成空间约束的核模糊C均值快速聚类算法。
背景技术
核模糊C均值聚类(Kernel Fuzzy C-means)是一种无监督的聚类方法,可以生成数据集的子集,近年来广泛用于图像分割领域。在现有的聚类方法中,Bezdek(1974)提出的模糊C均值(FCM)方法是近年来最活跃的数据分析方法之一,在图像处理中,常用于图像分割,但模糊C均值方法仅考虑了图像的灰度信息,没有考虑像素的空间位置关系,因此FCM算法对噪声特别敏感,且速度较慢。此后有了多种改进FCM算法性能和计算复杂度的方法,Shankar和Pal(1994)提出了一种快速模糊c-均值(FFCM)的渐进式子采样方法,该方法通过将图像根据像素值分成多个可扩展分区,在迭代算法时,当分区之间的目标函数差值低于阈值,算法终止。Ahmed等在FCM的目标函数中加入邻域约束,提出FCM_S算法,但FCM_S算法在每一步迭代时都需要计算邻域的色彩特征,时间复杂度大。Feng 等借助马尔可夫随机场( MRF) 在FCM 算法中引入邻域约束,提出了GFCM 算法,通过对像素的模糊隶属度函数值去模糊化得到一个临时分割场,然后运用MRF理论计算出像素属于每一类的局部条件概率,最后将该局部条件概率引入到FCM 算法的目标函数。尽管已经有了很多的FCM改进算法,但多是围绕着如何提高类的纯度或类间的差异纯度,例如Liu&Miyamoto引入了熵函数到聚类过程,使图像分割后类内的像素点纯度更高,并且有了二次熵、相对熵等改进方法,而对于环境影响较大的图像,分割结果中的聚类中心与隶属度仍然不够准确。
发明内容
本发明为克服上述现有技术分割不准确的缺陷,提供一种集成空间约束的核模糊C均值快速聚类算法,将图像映射到特征空间中,并且利用像素空间关系优化核模糊C均值聚类的目标函数,使得聚类过程对于环境变化造成的同类像素点灰度值发生变化具有分割鲁棒性。
为解决上述技术问题,本发明采用的技术方案是:
提供一种集成空间约束的核模糊C均值快速聚类算法,具体步骤如下:
(I)利用光照处理算法,构建受光照影响的预处理图;
(II)在步骤(I)之后,使用高斯核将原图和预处理图映射到特征空间,对图像进行聚类分割。
优选地,在步骤(I)中,构建受光照影响的预处理图的具体步骤如下:
(a)设置图像卷积核,遍历图像;
(b)在步骤(a)之后,计算卷积核内像素值均值Ave以及像素点值pix;
(c)重复进行步骤(b),直至遍历原图完成,得到的预处理图与原图大小相同。
优选地,在步骤(b)中,若Ave高于预设阈值T,则该像素点的值设置为
(1)
其中,l为常量,m、n为卷积核大小,为第i个邻域像素点的像素值,C为常数值;
若Ave低于预设阈值T,则该像素点的值设置为
(2)
其中,N是像素点原值,是第i个邻域像素点的像素值。
优选地,在步骤(II)中,特征空间中,包含空间关系的目标函数补偿项为:
其中为受光照影响的预处理图,/>表示第i个聚类中心,/>表示受光照影响的预处理图/>在特征空间中的第r个像素点;/>为算法加快收敛的速度的动态收敛因子;/>是原图图像上第k个像素/>对第j类聚类中心的隶属度;指数h是模糊指数,取h=2;/>是聚类中心/>在特征空间中的聚类中心;/>为第k个邻域像素点的像素值;i为原图像素点的序号,表示第i个像素点;r表示第r个像素点;参数c表示聚类的类别数,参数N表示原图图像的像素总数;
为算法加快收敛的速度的动态收敛因子,其中/>为常量;/>以像素点的最小欧式距离为基础,欧式距离较小时,即像素点距离聚类中心较近,聚类接近收敛,则/>对目标函数的影响较小,使目标函数值的变化程度变小,若像素点与聚类中心的距离较大,则/>值比较大,使目标函数往收敛方向变化的步长更大,而加速算法的收敛速度。
优选地,优化的目标函数公式为:
(3)
(4)
其中,,/>为常量,/>是预处理图像;
是原图,k表示原图的第k个像素点;/>代表将像素值映射到高斯特征空间,用高斯径向基函数K(v,x)表示;其中的σ为函数的宽度参数,控制函数的径向作用范围;U为目标函数隶属度,V为目标函数聚类中心,v为聚类中心;x为高斯径向基函数的计算因子;
结合拉格朗日乘数法,对目标函数进行求导,得到的隶属度和聚类中心表达式分别为:
(5)
(6)
优选地,在步骤(II)中,对图像进行聚类分割具体的步骤如下:
步骤201,确定聚类的类别数c,其中c不大于,N为图像的像素总数;模糊指数m、迭代停止误差E以及最大迭代次数T;
步骤202、初始化原空间的聚类中心v;
步骤203、计算距离矩阵D初始值:,/>是特征空间的聚类中心,是特征空间中的第i个像素点;
步骤204、根据聚类中心公式更新聚类中心:
(7)
步骤205、根据隶属度公式更新隶属度:
(8)
步骤206、根据所得的聚类中心和隶属度,重新计算距离矩阵D,并计算目标函数的值:
(9)
步骤207、如果超过最大迭代次数T或者目标函数的前后差值小于迭代停止误差或者隶属度矩阵前后差值小于设定迭代停止误差,则停止迭代过程,反之回到步骤204;
步骤208、根据隶属度矩阵将像素点划分到隶属度最大的一类。
与现有技术相比,本发明的有益效果是:
本发明一种集成空间约束的核模糊C均值快速聚类算法,提供一种对光照变化有一定鲁棒性的和核模糊C均值快速聚类算法,对图像进行分割处理,该算法能使聚类算法对图像受到的环境光照影响有一定的鲁棒性,在聚类之前首先计算出有关邻域信息的图像,在迭代过程中考虑了最小欧式距离的影响,加速像素点向聚类中心的收敛过程,完成图像分割。
附图说明
图1为一种集成空间约束的核模糊C均值快速聚类算法的流程图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例
如图1所示为本发明一种集成空间约束的核模糊C均值快速聚类算法,具体步骤如下:
(I)利用光照处理算法,构建受光照影响的预处理图;
(II)在步骤(I)之后,使用高斯核将原图和预处理图映射到特征空间,对图像进行聚类分割。
其中,在步骤(I)中,构建受光照影响的预处理图的具体步骤如下:
(a)设置图像卷积核,遍历图像;
(b)在步骤(a)之后,计算卷积核内像素值均值Ave以及像素点值pix;
(c)重复进行步骤(b),直至遍历原图完成,得到的预处理图与原图大小相同。
另外,在步骤(b)中,若Ave高于预设阈值T,则该像素点的值设置为
(1)
其中,l为常量,m、n为卷积核大小,为第i个邻域像素点的像素值,C为常数值;
若Ave低于预设阈值T,则该像素点的值设置为
(2)
其中,N是像素点原值,是第i个邻域像素点的像素值。
其中,在步骤(II)中,特征空间中,包含空间关系的目标函数补偿项为:
其中为受光照影响的预处理图,/>表示第i个聚类中心,/>表示受光照影响的预处理图/>在特征空间中的第r个像素点;/>为算法加快收敛的速度的动态收敛因子;/>是原图图像上第k个像素/>对第j类聚类中心的隶属度;指数h是模糊指数,取h=2;/>是聚类中心/>在特征空间中的聚类中心;/>为第k个邻域像素点的像素值;i为原图像素点的序号,表示第i个像素点;r表示第r个像素点;参数c表示聚类的类别数,参数N表示原图图像的像素总数;
为算法加快收敛的速度的动态收敛因子,其中/>为常量;/>以像素点的最小欧式距离为基础,欧式距离较小时,即像素点距离聚类中心较近,聚类接近收敛,则/>对目标函数的影响较小,使目标函数值的变化程度变小,若像素点与聚类中心的距离较大,则/>值比较大,使目标函数往收敛方向变化的步长更大,而加速算法的收敛速度。
另外,优化的目标函数公式为:
(3)
(4)
其中,,/>为常量,/>是预处理图像;
是原图,k表示原图的第k个像素点;/>代表将像素值映射到高斯特征空间,用高斯径向基函数K(v,x)表示;其中的σ为函数的宽度参数,控制函数的径向作用范围;U为目标函数隶属度,V为目标函数聚类中心,v为聚类中心;x为高斯径向基函数的计算因子。
结合拉格朗日乘数法,对目标函数进行求导,得到的隶属度和聚类中心表达式分别为:
(5)
(6)
其中,在步骤(II)中,对图像进行聚类分割具体的步骤如下:
步骤201,确定聚类的类别数c,其中c不大于,N为图像的像素总数;模糊指数m、迭代停止误差E以及最大迭代次数T;
步骤202、初始化原空间的聚类中心v;
步骤203、计算距离矩阵D初始值:,/>是特征空间的聚类中心,是特征空间中的第i个像素点;
步骤204、根据聚类中心公式更新聚类中心:
(7)
步骤205、根据隶属度公式更新隶属度:
(8)
步骤206、根据所得的聚类中心和隶属度,重新计算距离矩阵D,并计算目标函数的值:
(9)
步骤207、如果超过最大迭代次数T或者目标函数的前后差值小于迭代停止误差或者隶属度矩阵前后差值小于设定迭代停止误差,则停止迭代过程,反之回到步骤204;
步骤208、根据隶属度矩阵将像素点划分到隶属度最大的一类。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种集成空间约束的核模糊C均值快速聚类算法,其特征在于,具体步骤如下:
(I)利用光照处理算法,构建受光照影响的预处理图;
(II)在步骤(I)之后,使用高斯核将原图和预处理图映射到特征空间,对图像进行聚类分割;
在步骤(II)中,特征空间中,包含空间关系的目标函数补偿项为:
其中为受光照影响的预处理图,/>表示第i个聚类中心,/>表示受光照影响的预处理图/>在特征空间中的第r个像素点;/>为算法加快收敛的速度的动态收敛因子;/>是原图图像上第k个像素/>对第j类聚类中心的隶属度;指数h是模糊指数,取h=2;/>是聚类中心/>在特征空间中的聚类中心;/>为第k个邻域像素点的像素值;i为原图像素点的序号,表示第i个像素点;r表示第r个像素点;参数c表示聚类的类别数,参数N表示原图图像的像素总数;
为算法加快收敛的速度的动态收敛因子,其中/>为常量。
2.根据权利要求1所述的集成空间约束的核模糊C均值快速聚类算法,其特征在于,在步骤(I)中,构建受光照影响的预处理图的具体步骤如下:
(a)设置图像卷积核,遍历图像;
(b)在步骤(a)之后,计算卷积核内像素值均值Ave以及像素点值pix;
(c)重复进行步骤(b),直至遍历原图完成,得到的预处理图与原图大小相同。
3.根据权利要求2所述的集成空间约束的核模糊C均值快速聚类算法,其特征在于,在步骤(b)中,若Ave高于预设阈值T,则该像素点的值设置为
(1)
其中,l为常量,m、n为卷积核大小,为第i个邻域像素点的像素值,C为常数值;
若Ave低于预设阈值T,则该像素点的值设置为
(2)
其中,是第i个邻域像素点的像素值。
4.根据权利要求1所述的集成空间约束的核模糊C均值快速聚类算法,其特征在于,优化的目标函数公式为:
(3)
(4)
其中,,/>为常量,/>是预处理图像;
是原图,k表示原图的第k个像素点;/>代表将像素值映射到高斯特征空间,用高斯径向基函数K(v,x)表示;其中的σ为函数的宽度参数,控制函数的径向作用范围;U为目标函数隶属度,V为目标函数聚类中心,v为聚类中心;x为高斯径向基函数的计算因子;
结合拉格朗日乘数法,对目标函数进行求导,得到的隶属度和聚类中心表达式分别为:
(5)
(6)。
5.根据权利要求4所述的集成空间约束的核模糊C均值快速聚类算法,其特征在于,在步骤(II)中,对图像进行聚类分割具体的步骤如下:
步骤201,确定聚类的类别数c,其中c不大于;模糊指数m、迭代停止误差E以及最大迭代次数T;
步骤202、初始化原空间的聚类中心v;
步骤203、计算距离矩阵D初始值:,/>是特征空间中的第i个像素点;
步骤204、根据聚类中心公式更新聚类中心:
(7)
步骤205、根据隶属度公式更新隶属度:
(8)
步骤206、根据所得的聚类中心和隶属度,重新计算距离矩阵D,并计算目标函数的值:
(9)
步骤207、如果超过最大迭代次数T或者目标函数的前后差值小于迭代停止误差或者隶属度矩阵前后差值小于设定迭代停止误差,则停止迭代过程,反之回到步骤204;
步骤208、根据隶属度矩阵将像素点划分到隶属度最大的一类。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/095970 WO2021007744A1 (zh) | 2019-07-15 | 2019-07-15 | 一种集成空间约束的核模糊c均值快速聚类算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112424828A CN112424828A (zh) | 2021-02-26 |
CN112424828B true CN112424828B (zh) | 2024-02-02 |
Family
ID=74209679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980021943.3A Active CN112424828B (zh) | 2019-07-15 | 2019-07-15 | 一种集成空间约束的核模糊c均值快速聚类算法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210081827A1 (zh) |
CN (1) | CN112424828B (zh) |
WO (1) | WO2021007744A1 (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012103B (zh) * | 2021-02-07 | 2022-09-06 | 电子科技大学 | 一种大口径望远镜镜片表面疵病定量检测方法 |
CN113095951B (zh) * | 2021-05-08 | 2023-09-22 | 西安科技大学 | 一种瓦斯抽采智能调控方法、设备、装置及存储介质 |
CN113159235B (zh) * | 2021-05-24 | 2022-09-30 | 合肥工业大学 | 一种面向产品绿色设计的知识协同聚类方法 |
CN113469107B (zh) * | 2021-07-16 | 2024-06-04 | 辽宁大学 | 一种融合空间密度分布的轴承故障诊断方法 |
CN113591628B (zh) * | 2021-07-16 | 2024-07-02 | 合肥工业大学 | 一种基于红外偏振的无人机检测方法及*** |
CN113705658B (zh) * | 2021-08-24 | 2024-03-19 | 浙江中烟工业有限责任公司 | 一种烟丝杂物智能识别方法 |
CN113808129A (zh) * | 2021-10-27 | 2021-12-17 | 常州微亿智造科技有限公司 | 易混淆缺陷的有效检测方法 |
CN114037005A (zh) * | 2021-10-27 | 2022-02-11 | 上海电机学院 | 一种基于优化选取典型日负荷曲线的电力负荷预测方法 |
CN113919449B (zh) * | 2021-12-15 | 2022-03-15 | 国网江西省电力有限公司供电服务管理中心 | 基于精准模糊聚类算法的居民电力数据聚类方法及装置 |
CN114863151B (zh) * | 2022-03-20 | 2024-02-27 | 西北工业大学 | 一种基于模糊理论的图像降维聚类方法 |
CN114692752A (zh) * | 2022-03-30 | 2022-07-01 | 中国农业银行股份有限公司 | 客户画像构建方法及装置、存储介质及电子设备 |
CN114937299B (zh) * | 2022-05-17 | 2024-06-25 | 合肥工业大学 | 一种知识诱导的多核模糊聚类的人脸图像分类方法 |
CN115131588B (zh) * | 2022-06-13 | 2024-02-23 | 西北工业大学 | 一种基于模糊聚类的图像鲁棒聚类方法 |
CN115423005B (zh) * | 2022-08-22 | 2023-10-31 | 江苏大学 | 一种联合收获机大数据重构方法与装置 |
CN115952432B (zh) * | 2022-12-21 | 2024-03-12 | 四川大学华西医院 | 一种基于糖尿病数据的无监督聚类方法 |
CN116385866B (zh) * | 2023-02-09 | 2024-05-10 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于sar图像的铁路沿线彩钢房变化检测方法和装置 |
CN115830022B (zh) * | 2023-02-15 | 2023-04-28 | 山东梁山酿酒总厂有限公司 | 基于机器视觉的过滤机滤网缺陷检测方法 |
CN116153437B (zh) * | 2023-04-19 | 2023-06-30 | 乐百氏(广东)饮用水有限公司 | 一种饮用水源的水质安全评价与水质预测方法及*** |
CN116630320A (zh) * | 2023-07-24 | 2023-08-22 | 天津力神电池股份有限公司 | 电池极片的检测方法、装置、电子设备及存储介质 |
CN117078359B (zh) * | 2023-10-16 | 2024-01-12 | 山东大学 | 基于用户群分类的产品推荐方法、***、设备及介质 |
CN117078688B (zh) * | 2023-10-17 | 2024-01-02 | 江苏普隆磁电有限公司 | 一种用于强磁钕铁硼磁体的表面缺陷识别方法 |
CN117253228B (zh) * | 2023-11-14 | 2024-02-09 | 山东大学 | 一种基于核像距离内编码的细胞团簇空间约束方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6839462B1 (en) * | 1996-12-23 | 2005-01-04 | Kitney Richard I | Image segmentation method |
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 |
CN103093478A (zh) * | 2013-02-18 | 2013-05-08 | 南京航空航天大学 | 基于快速核空间模糊聚类的异源图像粗大边缘检测方法 |
CN103456018A (zh) * | 2013-09-08 | 2013-12-18 | 西安电子科技大学 | 基于融合和pca核模糊聚类的遥感图像变化检测方法 |
CN103854290A (zh) * | 2014-03-25 | 2014-06-11 | 中国科学院光电技术研究所 | 一种结合骨架特征点和分布场描述子的扩展目标跟踪方法 |
CN105740895A (zh) * | 2016-01-28 | 2016-07-06 | 长春师范大学 | 一种基于动态多目标优化的图像分割方法及*** |
CN106408580A (zh) * | 2016-11-18 | 2017-02-15 | 南通大学 | 一种基于模糊c均值和均值漂移的肝脏区域提取方法 |
CN107464249A (zh) * | 2017-06-13 | 2017-12-12 | 内蒙古农业大学 | 一种羊只无接触体尺测量方法 |
CN108171710A (zh) * | 2017-12-27 | 2018-06-15 | 海南海大信息产业园有限公司 | 一种图像分割处理方法 |
CN109145921A (zh) * | 2018-08-29 | 2019-01-04 | 江南大学 | 一种基于改进的直觉模糊c均值聚类的图像分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10235750B2 (en) * | 2014-02-27 | 2019-03-19 | Agency For Science, Technology And Research | Segmentation of cardiac magnetic resonance (CMR) images using a memory persistence approach |
-
2019
- 2019-07-15 WO PCT/CN2019/095970 patent/WO2021007744A1/zh active Application Filing
- 2019-07-15 CN CN201980021943.3A patent/CN112424828B/zh active Active
-
2020
- 2020-11-03 US US17/088,577 patent/US20210081827A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6839462B1 (en) * | 1996-12-23 | 2005-01-04 | Kitney Richard I | Image segmentation method |
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 |
CN103093478A (zh) * | 2013-02-18 | 2013-05-08 | 南京航空航天大学 | 基于快速核空间模糊聚类的异源图像粗大边缘检测方法 |
CN103456018A (zh) * | 2013-09-08 | 2013-12-18 | 西安电子科技大学 | 基于融合和pca核模糊聚类的遥感图像变化检测方法 |
CN103854290A (zh) * | 2014-03-25 | 2014-06-11 | 中国科学院光电技术研究所 | 一种结合骨架特征点和分布场描述子的扩展目标跟踪方法 |
CN105740895A (zh) * | 2016-01-28 | 2016-07-06 | 长春师范大学 | 一种基于动态多目标优化的图像分割方法及*** |
CN106408580A (zh) * | 2016-11-18 | 2017-02-15 | 南通大学 | 一种基于模糊c均值和均值漂移的肝脏区域提取方法 |
CN107464249A (zh) * | 2017-06-13 | 2017-12-12 | 内蒙古农业大学 | 一种羊只无接触体尺测量方法 |
CN108171710A (zh) * | 2017-12-27 | 2018-06-15 | 海南海大信息产业园有限公司 | 一种图像分割处理方法 |
CN109145921A (zh) * | 2018-08-29 | 2019-01-04 | 江南大学 | 一种基于改进的直觉模糊c均值聚类的图像分割方法 |
Non-Patent Citations (5)
Title |
---|
Mingming Chen et al..arization of optical fringe patterns with intensity inhomogeneities based on modified FCM algorithm.《Optics and Lasers in Engineering》.2019,第 14-19页. * |
Robust level set image segmentation algorithm using local correntropy-based fuzzy c-means clustering with spatial constraints;Xiao-LiangJiang etal;《https://doi.org/10.1016/j.neucom.2016.03.046》;20160926;第22-35页 * |
手机玻璃屏表面缺陷机器视觉检测与分类方法研究;简川霞;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20180315;第I138-31页 * |
手机玻璃屏表面缺陷视觉检测方法研究;简川霞 等;《包装工程》;20180310;第39卷(第10期);第16-21页 * |
空间模糊C均值聚类的神经切片图像分割方法;邹继杰;《计算机工程与应用》;20121111;第48卷(第32期);第164-169页 * |
Also Published As
Publication number | Publication date |
---|---|
US20210081827A1 (en) | 2021-03-18 |
CN112424828A (zh) | 2021-02-26 |
WO2021007744A1 (zh) | 2021-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112424828B (zh) | 一种集成空间约束的核模糊c均值快速聚类算法 | |
CN107945185B (zh) | 基于宽残差金字塔池化网络的图像分割方法及*** | |
CN111126359B (zh) | 基于自编码器与yolo算法的高清图像小目标检测方法 | |
CN110633604B (zh) | 信息处理方法和信息处理装置 | |
CN111583279A (zh) | 一种基于pcba的超像素图像分割方法 | |
CN103761726B (zh) | 基于fcm的分块自适应图像分割方法 | |
CN112418108B (zh) | 一种基于样本重加权的遥感图像多类目标检测方法 | |
CN114749342B (zh) | 一种锂电池极片涂布缺陷识别方法、装置及介质 | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN109658378B (zh) | 基于土壤ct图像的孔隙辨识方法及*** | |
CN112381030B (zh) | 一种基于特征融合的卫星光学遥感图像目标检测方法 | |
Zheng et al. | Improvement of grayscale image 2D maximum entropy threshold segmentation method | |
CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、***及设备 | |
CN102663681B (zh) | 基于排序k-均值算法的灰度图像分割方法 | |
CN111047603A (zh) | 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法 | |
Zhao et al. | A novel Neutrosophic image segmentation based on improved fuzzy C-means algorithm (NIS-IFCM) | |
CN108846845B (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
CN110706270A (zh) | 一种基于卷积神经网络的自适应场景双目立体匹配方法 | |
CN111986126A (zh) | 一种基于改进vgg16网络的多目标检测方法 | |
CN113392854A (zh) | 一种图像纹理特征提取分类方法 | |
CN109993772B (zh) | 基于时空采样的实例级别特征聚合方法 | |
CN117350929A (zh) | 一种基于改进元启发式算法的电力图像增强优化方法 | |
CN116740572A (zh) | 一种基于改进yolox的海上船舰目标检测方法和*** | |
CN116385281A (zh) | 一种基于真实噪声模型与生成对抗网络的遥感图像去噪方法 | |
CN115439669A (zh) | 基于深度学习的特征点检测网络及跨分辨率图像匹配方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |