加权空间函数优化FCM的SAR图像分割

传统模糊c-均值聚类算法没有考虑图像像素空间信息特征,在应用于合成孔径雷达图像分割时,由于合成孔径雷达图像中斑点噪声的影响,通常不能得到正确的分割结果．基于此问题提出加权空间隶属度和加权空间函数并应用于c-均值聚类算法,加权空间隶属度是多尺度条件下空间各相邻像素的位置和强度信息的加权隶属度值,加权空间函数中各加权空间隶属度的影响系数由自适应遗传算法优化,最终的隶属度值由加权空间函数修正．由于在这种聚类过程中融入了优化的空间信息,因此弱化了斑点噪声的影响,提高了分割精度．这种算法应用于实际合成孔径雷达图像分割实验,结果表明此算法对初始分类结果不敏感,具有较强的抗噪性能,改善了SAR图像的分割结果．     

结合邻域信息粒子群聚类用于SAR图像变化检测

SAR图像变化检测可以转化为对差异图的聚类问题。由于 SAR 图像本身容易受到斑点噪声干扰,为提高聚类效果提出了一种结合邻域信息的自适应粒子群聚类算法。该方法在模糊 C 均值原目标函数基础上,引入中心像素的邻域信息,并通过自适应粒子群的全局搜索来优化聚类中心。该方法还引入了自学习算子即粒子编码中的中心像素的隶属度,能够向其相邻像素的隶属度学习,并据此修正自身的隶属度值相关。实验结果表明,与模糊C均值和量子免疫克隆聚类算法相比,该方法利用了像素的邻域信息,从而增强了抗噪性能。与模糊局部信息C均值算法相比,该方法对图像细节保持能力较强,运行时间也较少。     

改进的核空间直觉模糊C-均值聚类分割算法

针对鲁棒模糊局部信息C-均值聚类分割算法易丢失图像细节的问题,提出一种改进的核空间直觉模糊C-均值聚类算法。将像素空间邻域信息和直觉指数引入到鲁棒模糊局部信息C-均值聚类目标函数,给出改进的像素空间邻域信息约束的聚类目标函数,对其聚类目标函数最优化推导并得到新的隶属度和聚类中心迭代表达式,并设计相应的图像分割算法,以便提高图像局部信息的有效分割能力。实验结果表明,改进的核空间直觉模糊聚类分割算法相比现有鲁棒模糊局部信息C-均值聚类分割算法能获得更好的分割效果。     

结合空间信息的模糊C均值聚类的图像分割算法

针对传统的模糊C均值聚类算法未考虑图像的空间信息,对噪声图像分割不理想,提出了一种结合空间信息的模糊C均值聚类的图像分割算法。此算法充分考虑像素的邻域特性,对隶属度函数做一定的修改,并将局部信息和非局部信息引入到数据和聚类中心的相异性测度中。实验结果表明,该算法能有效地分割图像,并具有较好的抗噪能力。     

改进的基于邻域隶属度约束的FCM图像分割算法

传统模糊C均值（FCM：FuzzyC—Means）聚类算法应用于图像分割时,因对噪声较敏感而达不到理想的分割效果。为此,提出了改进的基于邻域隶属度约束的FCM图像分割算法。该算法通过对FCM目标函数添加空间邻域信息约束隶属度函数,提高对图像噪声的鲁棒性,使分割的结果更加符合期望。实验结果表明,该算法对噪声具有较强的抑制能力,图像分割时能获得较好的分割效果。     

结合非迭代PPB的快速FCM算法在SAR图像分割中的应用

模糊c均值(fuzzy c means,FCM)算法是一种有效的图像分割算法,但对噪声比较敏感。目前,已有许多适用于高斯、椒盐等加性噪声的FCM改进方法,针对SAR图像乘性噪声的研究较少。文章基于SAR图像噪声特点,提出了结合非迭代PPB的快速FCM算法。首先引入非迭代PPB的滤波权值系数作为像素点间的相似度测量,采用积分图的思想,加速生成对乘性噪声敏感度低的和图像;然后利用统计方向方法,修正和图像的边缘部分,以保持图像的边缘细节信息;最后以修正后和图像的灰度级作为聚类对象进行FCM聚类。经合成SAR图像及真实SAR图像实验验证,文章方法能够快速有效地分割SAR图像。     

改进的基于遗传模糊C均值聚类的图像分割算法

模糊C均值（Fuzzy C-Means,FCM）聚类算法已广泛应用于图像分割领域,其本质是一种局部搜索算法,采用迭代爬山算法寻找最优解,对初始聚类中心敏感,很容易陷入局部极优值,且没有考虑图像的空间邻域信息,对噪声敏感。本文提出了改进的基于遗传模糊聚类的图像分割算法,利用遗传算法的全局寻优能力来克服FCM算法容易陷入局部极优值问题;并在FCM算法的目标函数中添加空间邻域信息来约束隶属度函数从而提高对噪声的鲁棒性,使分割更加符合期望。实验结果表明本文算法的有效性,图像分割时具有较强的抗噪能力和较好的分割效果。     

基于空间邻域信息的模糊聚类图像分割

模糊C均值(Fuzzy C-means,FCM)聚类算法在图像分割中已获得广泛应用.为了克服传统FCM算法抗噪性能差的局限性,提出了一种新的基于空间邻域信息的模糊聚类图像分割方法.该方法将图像的聚类分割转化为一个优化问题,通过建立包含邻域信息的适应度函数考虑像素之间的相互影响,利用捕食者-食饵微粒群的全局优化能力获得最优聚类中心,实现图像分割.仿真结果表明,提出的算法不易陷入局部最优,抗噪能力强,分割效果好,是一种有效的图像分割算法.     

基于中智模糊聚类的彩色图像鲁棒分割算法

为了提高噪声干扰彩色图像分割的鲁棒性,给出一种基于中智模糊聚类的彩色图像改进分割算法。将像素空间邻域信息嵌入现有的中智模糊C-均值聚类目标函数,利用马氏距离代替欧氏距离,度量中智模糊聚类中样本与聚类中心之间的差异程度,获得适合彩色图像分割的模糊聚类目标函数,并采用拉格朗日乘子法获取隶属度和聚类中心的迭代求解表达式。对彩色图像添加高斯噪声和椒盐噪声,图像分割测试结果表明,所给算法相比模糊C-均值聚类算法和基于马氏距离的中智模糊聚类算法有更强的鲁棒性。     

基于非局部信息的截集式PCM图像分割算法

提出一种基于非局部信息的截集式可能性C-均值聚类算法。该算法利用像素间的非局部空间邻域信息,将未被噪声污染的像素代替被噪声污染的像素,构造非局部空间约束项,并将该约束项添加到截集式可能性C-均值聚类算法的目标函数中,以实现图像的分割。对4种不同类型的图像进行分割测试,结果显示,该算法不仅保留了图像中更多的细节信息,而且提高了算法对噪声的鲁棒性和抗噪声能力。     

联合模型初始化独立谱聚类算法

针对原始谱聚类算法初始化敏感的缺点,提出了一种基于联合模型的初始化独立谱聚类算法并将其用于图像分割．通过引入联合模型可以充分利用待聚类数据所包含的空间邻近信息和特征相似性信息,得到更精确的聚类结果;通过引入K-调和平均算法克服了原始谱聚类算法对初始化的敏感性,从而得到更稳定的聚类性能．最后,通过对纹理图像和合成孔径雷达图像分割验证了新算法的有效性．     

Dirichlet过程混合模型SAR图像分割算法

传统的合成孔径雷达(SAR)图像参数化有限模型都有其特定的物理背景或者数学假设,很难准确估计SAR图像中各地物的密度分布,为了解决这一问题,提出一种基于非参数化无限混合模型的SAR图像分割方法,该方法利用Dirichlet过程对SAR图像进行建模,进一步采用非参数化Bayes模型分割包含复杂地物目标的SAR图像。Dirichlet分布作为一种基于分布的分布可以确定不同类别的先验概率,由样本估计出密度函数来描述图像,从而可以更精确地分割各类地物。该算法在模拟图像与真实SAR图像上进行了比对测试,实验结果验证了Dirichlet过程混合模型SAR图像分割算法的有效性和稳健性。     

基于指数小波分形特征的SAR图像特定目标检测

提出一种SAR图像特定尺寸、方向目标检测方法．根据指数小波对SAR目标边缘的选择性强化特性,对SAR图像进行方向指数小波滤波．基于滤波后的目标特性,定义指数小波分形特征(EWF)．该特征依据SAR成像过程中目标尺寸、方向等先验性信息,实现对SAR图像特定目标检测．指数小波分形特征与传统的目标检测特征不同,它对目标尺寸、方向、背景对比度同时具有敏感性．基于MSTAR数据库的检测实验结果说明了EWF特征对尺寸、方向性SAR目标检测的有效性．     

基于超像素和密度峰值聚类的图像分割

图像分割是计算机视觉领域的一个重要组成部分。密度峰值聚类已应用于图像分割领域。但由于密度峰值聚类在聚类时只能考虑数据的全局空间信息,不能有效去除图像噪声,因此提出了一种超像素的图像预处理方法。该方法能充分考虑局部空间信息,具有较强的鲁棒性。通过改进的形态梯度重建和分水岭算法得到具有精确轮廓且去噪效果较好的超像素图像。在此基础上,加入密度峰值聚类完成后续分割。通过在光学图像数据集BSDS 500上进行实验,验证了超像素算法及图像分割算法的有效性。     

基于局部相似性测度的SAR图像多层分割

针对谱聚类算法计算复杂度高,不适用于合成孔径雷达图像分割的问题,利用谱聚类算法与权核k均值之间的等价性,提出一种基于局部相似性测度的SAR图像多层分割算法．首先提取图像中每个像素的小波纹理特征,利用每个像素点的纹理特征计算各自的局部尺度参数,进而构造像素点之间的邻接关系,然后利用最近邻规则对此邻接关系进行逐层合并,进行基础聚类和逐层细化实现像素点聚类,最终得到图像的分割结果．对人工纹理图像和SAR图像的分割结果表明了新算法避免了传统谱聚类算法对尺度参数的敏感性,获得了更优的分割性能．     

Change detection for SAR images based on fuzzy clustering using multilevel thresholding

A new fuzzy clustering algorithm using multilevel thresholding is proposed to reduce the computational complexity of the fuzzy local information c-means (FLICM) algorithm for solving the clustering problem on the difference image of change detection for SAR images. First, the pixels in the difference image are classified into the “changed” pixels, “unchanged” pixels and unknown status pixels by the multilevel thresholding procedure. Then the unknown status pixels are clustered by the FLICM. If the neighboring pixels in the FLICM are not the unknown status pixels, their degrees of membership are set to 1 or 0. The proposed method improves the precision in the change detection for SAR images with the low computational complexity. Experimental results show that the proposed method has the better performance than fuzzy c-means (FCM) and FLICM algorithms on the change detection for SAR images and that its run time is about 70％ less than that of the FLICM algorithm.     

基于支持特征点的SAR辅助导航反演点置信度估计

合成孔径雷达(SAR)由于全天候、全天时等特点使得它正成为飞行器导航的理想传感器之一.SAR辅助导航是利用SAR实时获取的目标散射图像与飞行器中存储的参考图像进行匹配运算,进而修正飞行器的位置数据.但由于SAR为侧视雷达,当地形存有较大起伏时,实时图中某些位置的像素将产生偏移,使整个反演精度下降.基于此,以F.Leberl构象模型为基础,提出了基于支持特征点的反演控制点置信度估计方法.实验结果显示,根据置信度对适合精确匹配区域的数据进行优化选取,能较大提高反演飞行器空间位置的精度.     

SURE准则的非局部SAR图像相干斑抑制

针对传统空域非局部平均方法在合成孔径雷达图像相干斑抑制中存在相似区域提取和方向信息捕获不足的问题,提出了一种基于各向异性高斯方向窗和Stein's无偏风险估计(SURE)准则融合的非局部均值(NLM)算法。该方法设计多个不同方向的各向异性高斯窗来匹配SAR图像的局部空间几何结构,比传统的方形窗能更好地保护SAR图像中的方向性结构。采用比率测度来衡量图像块间的相似程度,并计算基于该各向异性高斯窗的NLM结果。结合SURE准则来融合不同方向的各向异性高斯窗的非局部平均结果,获得最终的SAR图像降斑结果。针对多幅SAR图像进行对比实验,实验结果表明:该方法在有效抑制SAR图像相干斑的同时能很好地保留图像的几何结构信息,为后续的SAR图像理解与解译提供了良好的基础。