没有合适的资源?快使用搜索试试~ 我知道了~
首页SAR图像分割新进展:自适应模糊聚类算法研究
SAR图像分割新进展:自适应模糊聚类算法研究
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 48 浏览量
更新于2024-07-02
收藏 1.86MB PDF 举报
"图像分割算法在保持图像边缘清晰的同时,增强了不同类别的区分度,特别是在处理有大量噪声的SAR图像时,能够获得更加准确的分割效果。 4)为了进一步优化模糊c均值聚类算法的效率和准确性,本文还研究了并行计算技术在SAR图像分割中的应用。将SNF_FCM和NBS_FCM算法与并行计算框架相结合,提出了基于GPU(Graphics Processing Unit)加速的SAR图像分割算法。这种并行化策略充分利用了GPU的并行计算能力,大大减少了计算时间,提高了实时处理大规模SAR图像的能力,对于实时监控和快速响应的应用场景具有重要意义。 5)实验部分,本文选取了多种典型SAR图像进行对比实验,包括具有复杂地表特征的图像和高噪声水平的图像。实验结果显示,提出的SNF_FCM和NBS_FCM算法不仅在分割精度上优于传统的FCM和NLM算法,而且在处理SAR图像的相干斑噪声方面表现出了显著优势。此外,通过与其他高级图像分割方法的对比,证明了这两种新算法的有效性和鲁棒性。 6)最后,本文对提出的算法进行了深入的性能分析,探讨了不同参数设置对分割效果的影响,并提出了参数选择的指导原则。此外,还讨论了这些算法可能存在的局限性和未来的研究方向,如如何进一步提高算法的计算效率,以及如何将这些方法扩展到其他类型的遥感图像处理。 本研究工作深入探究了模糊c均值聚类在SAR图像分割中的应用,通过创新性的改进,提升了SAR图像处理的性能,对于推动SAR图像理解和应用领域的发展具有积极的贡献。这些研究成果不仅为SAR图像的自动解译提供了技术支持,也为相关领域的研究提供了新的思路和方法。"
资源详情
资源推荐
6 基于模糊 c 均值聚类的 SAR 图像分割算法研究
FCM_S1。此外 Zhang 等人还将邻域均值替换为邻域中值,并称做 FCM_S2。
2007 年,Cai
[45]
等人提出了推广的快速 FCM (Fast Generalized Fuzzy C-Means,
FGFCM) 算法。FGFCM 是 EnFCM 的改进,EnFCM 中平滑图像只是求取邻域的
均值,而 FGFCM 还考虑了邻域像素的空间信息和与中心像素的灰度差信息,以这
两项为参考计算权值,最终得到的平滑图像是计算邻域加权均值的结果。由于使
用了双重加权,
FGFCM
具有比
EnFCM
更高的鲁棒性。
2009 年,Zhu
[46]
等人提出了结合改进模糊划分的推广 FCM(Generalized Fuzzy
C-Means Clustering with Improved Fuzzy Partitions,GIFP-FCM)算法。GIFP-FCM 添
加了关于隶属度的惩罚项,使得各个像素的隶属度曲线更加平稳,只在较窄的区
域有快速的变化,如此使得聚类能够更快的收敛。
2010 年,Krinidis
[47]
等人提出了一种几乎不需要参数设置的局部信息 FCM
(Fuzzy Local Information C-Means,FLICM)算法。FLICM 是对 BCFCM 的改进,
该算法的邻域惩罚项中,没有需要设置的参数,而是使用邻域像素的隶属度和与
中心像素的空间距离计算权值,并以 1 减去邻域像素自己的隶属度作为各个邻域
像素的加权系数。虽然解决了参数设置这一难题,但是 FLICM 在噪声严重的图像
上效果较差。
2011 年,Zhao
[48]
等人在 GIFP-FCM 和 FCM_S 的基础上,提出了空间改进的
FCM(Spatial Improved Fuzzy C-Means,IFCM_S)算法。
IFCM _S
是
GIFP FCM
和
FCM _S
的结合,该算法依靠邻域均值惩罚项来保证算法的鲁棒性,依靠隶属度惩
罚项来提高聚类的速度。
2011 年,Zhao
[49]
等人又提出了结合非局部空间信息的 FCM 算法(Fuzzy
C-Means Clustering Algorithm with Non Local Spatial Information,FCM_NLS)。
FCM_NLS 在 FCM_S 的基础上做了改进,将利用邻域空间信息的惩罚项改进为利
用非局部空间信息的惩罚项,由于非局部空间信息比邻域空间信息对噪声更加不
敏感,因此 FCM_NLS 较之利用局部空间信息的算法有更好的抗噪声能力。
除了以上介绍的这些改进算法,还有许多学者在其他方面改进 FCM 算法,如
改进距离计算的方法
[50-51]
、使用核化技术
[52]
、与人工智能方法结合
[54]
等。虽然不
同的学者考虑的方面不同,使用的技术不同,但是其原理都是利用尽可能多的信
息,使得算法不单单是在特征空间对数据的聚类,而是能够与图像本身信息和图
像相关理论相结合的聚类。现有的基于 FCM 的图像分割算法虽然已经有许多,并
且有些确实能够达到令人满意的效果,但是由于 SAR 图像的特殊性,适用于光学
图像的一些算法在 SAR 图像上效果并不理想。因此,基于 FCM 的 SAR 图像分割
算法仍然有待挖掘和提高。
万方数据
第一章 绪论 7
1.3 本文工作
本文对 FCM 展开研究,旨在提高其在 SAR 图像上的分割效果。首先研究了
模糊理论、FCM 算法和已有的改进 FCM 算法,然后提出了两种基于 FCM 的 SAR
图像分割算法:自适应非局部快速 FCM(SNF_FCM)图像分割算法和结合类间离散
度的非局部 FCM(NBS_FCM)图像分割算法,并通过模拟图像实验和真实 SAR 图
像实验验证了这两个算法的有效性。文章具体工作如下:
1. SNF_FCM 图像分割算法主要工作:
(1)提出了自适应非局部均值(SNLM)算法
首先分析了传统的非局部均值(NLM)算法对噪声的平滑能力的不足:对于
中心像素的邻域内含有两类的情况(例如边界)没有特殊处理,导致这类像素点
很难找到相似点而不能得到很好的平滑;采用的硬滤波参数难以设定其值且不能
很好的平滑各区域噪声。然后针对这两个问题,提出了自适应的相似度度量方法
和自适应的滤波参数计算方法,并构建了 SNLM 算法。最后通过实验证明 SNLM
比 NLM 有更好的平滑效果且更容易使用。
(2)改进快速 FCM 提出了 SNF_FCM 算法
传统的快速 FCM 算法先利用局部空间信息平滑图像,然后通过对灰度级的聚
类实现对像素的分类。由于局部空间信息的局限性,很难在平滑图像和保留细节
间达到平衡。针对这种情况,使用 SNLM 提取的非局部空间信息代替了局部空间
信息,提出了 SNF_FCM 算法。通过拉格朗日乘数法得出了算法的迭代更新公式
并给出了算法的详细步骤和流程图。
(3)验证了 SNF_FCM 算法的 SAR 图像分割效果
设计了两组实验验证 SNF_FCM 算法的 SAR 图像分割效果。第一组实验在模
拟斑点噪声图像上进行,通过在不同噪声等级下与其他 6 种算法的分割结果对比,
证明了 SNF_FCM 具有很高的准确率。第二组实验在两幅真实 SAR 图像上进行,
通过对比分析 7 种算法的结果,得出 SNF_FCM 算法具有很高的区域一致性和鲁
棒性,且更易使用。
2. NBS_FCM 图像分割算法主要工作:
(1)分析了模糊聚类算法的类内离散度和类间离散度
通过分析模糊聚类的类内离散度和类间离散度,得出结论:模糊聚类算法的
总体离散度与隶属度矩阵有关,并不固定。因此缩小类内离散度并不完全等同于
增大了类间离散度。而标准 FCM 只考虑了类内离散度,为了获得小的类内离散度
和高的类间离散度,算法需要同时考虑两者。
(2)提出了 NBS_FCM 算法
针对抗噪声问题和类间离散度问题,利用 SNLM 获取的自适应非局部均值构
万方数据
8 基于模糊 c 均值聚类的 SAR 图像分割算法研究
造修正惩罚项,使用类间离散度度量公式构建类间离散度惩罚项,结合这两项与
标准 FCM,构建了
NBS_FCM
算法。通过拉格朗日乘数法得出了算法的迭代更新
公式,并分析算法结构得出了算法的特性:具有硬的和模糊的两种隶属度;可以
调节各聚类中心在特征空间的距离。最后给出了
NBS_FCM
的详细步骤和流程图。
(3)验证了 NBS_FCM 的 SAR 图像分割效果并对参数进行了分析。
首先设计了两组实验验证 NBS_FCM 算法的 SAR 图像分割效果,第一组实验
在不同噪声等级下的模拟图像上进行,证明了 NBS_FCM 算法具有很高的准确率
且更加精细。第二组实验在两个真实 SAR 图像上进行,第一个实验证明 NBS_FCM
算法在类间差异明显的 SAR 图像上能够获得很好的分割效果;第二个实验证明了
在含有差异不均衡且难以区分的类的 SAR 图像上,其他方法难以获得正确的分割,
而 NBS_FCM 算法可以有效的完成分割。最后通过在模拟图像上实验,分析了
NBS_FCM 的两个重要参数,验证了调节这两个参数的实际效果。
1.4 章节安排
本文针对基于 FCM 的 SAR 图像分割算法展开研究,共有五章,各章节内容
安排如下:
第一章,绪论。对 SAR 图像分割的研究背景、意义以及国内外现状进行了介
绍。首先介绍了 SAR 的特性和成像机理、相干斑的原因,以及 SAR 的应用和国内
外发展现状;其次介绍了目前主要的两类 SAR 图像分割方法:基于边缘的方法和
基于区域的方法;然后详细介绍了基于 FCM 的图像分割算法的研究现状;最后介
绍了本文的主要工作以及具体的章节安排。
第二章,基于模糊 c 均值聚类的图像分割方法。首先介绍了聚类理论的基础,
随后介绍了模糊 c 划分并引入 FCM 算法,接着详细描述了基于 FCM 的图像分割
算法的流程并讨论了 FCM 的一些问题,最后介绍了目前用于图像分割的 3 种主流
的 FCM 算法改进方式。
第三章,自适应非局部快速模糊 c 均值聚类 SAR 图像分割算法。首先介绍了
非局部均值算法,其次针对传统非局部均值算法的不足,提出了自适应的相似性
度量方法和自适应的滤波参数计算方法,并构建了 SNLM 算法。然后借鉴快速 FCM
图像分割算法的思想,提出了 SNF_FCM 算法,并给出了详细步骤和流程图。最
后设计了多组模拟图像实验和真实 SAR 图像实验,验证了 SNF_FCM 在 SAR 图像
分割上的有效性。
第四章,结合类间离散度的非局部模糊 c 均值聚类 SAR 图像分割算法。首先
分析推导了模糊聚类的类内离散度和类间离散度的度量公式,得出对于模糊聚类
需要同时考虑这两者。然后利用 SNLM 作为空间信息修正惩罚项,利用类间离散
万方数据
剩余69页未读,继续阅读
programyp
- 粉丝: 89
- 资源: 1万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- 构建智慧路灯大数据平台:物联网与节能解决方案
- 智慧开发区建设:探索创新解决方案
- SQL查询实践:员工、商品与销售数据分析
- 2022智慧酒店解决方案:提升服务效率与体验
- 2022年智慧景区信息化整体解决方案:打造数字化旅游新时代
- 2022智慧景区建设:大数据驱动的5A级管理与服务升级
- 2022智慧教育综合方案:迈向2.0时代的创新路径与实施策略
- 2022智慧教育:构建区域教育云,赋能学习新时代
- 2022智慧教室解决方案:融合技术提升教学新时代
- 构建智慧机场:2022年全面信息化解决方案
- 2022智慧机场建设:大数据与物联网引领的生态转型与客户体验升级
- 智慧机场2022安防解决方案:打造高效指挥与全面监控系统
- 2022智慧化工园区一体化管理与运营解决方案
- 2022智慧河长管理系统:科技助力水环境治理
- 伪随机相位编码雷达仿真及FFT增益分析
- 2022智慧管廊建设:工业化与智能化解决方案
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功