计算机研究-基于模糊c均值聚类的SAR图像分割算法研究.pdf资源-CSDN文库

版权申诉

191 浏览量 2022-06-28 05:37:16 上传评论收藏 1.86MB PDF 举报

资源推荐

资源详情

资源评论

摘要

合成孔径雷达（Synthetic Aperture Radar，SAR）是一种高分辨率相干成像雷

达。与红外和可见光遥感技术相比，SAR 具有全天时，全天候工作的优点，因此

广泛应用于军事和国民经济邻域。SAR 图像分割是 SAR 图像处理的重要环节，是

影响 SAR 自动解译性能的关键技术之一。

模糊 c 均值(FCM)聚类算法是模糊聚类分析中的经典算法，比较适合处理图像

中的不确定性问题，已经广泛应用于图像分割中。目前国内外学者已经提出了许

多用于图像分割的改进算法，但是用在处理 SAR 图像时，由于相干斑噪声的影响，

并不能获得理想的结果。本文在研究了已有的基于 FCM 聚类的图像分割算法的基

础上，提出了两种新的用于 SAR 图像分割的改进算法，具体内容和工作如下：

1）针对传统的非局部均值(NLM)算法的不足，提出了自适应的非局部均值

(SNLM)算法。SNLM 主要有两方面改进：针对 NLM 不能很好的处理中心像素的

邻域内含有两大类的情况，提出了自适应的相似度度量方法，提高了边界附近像

素的平滑效果。针对 NLM 算法滤波参数难以设定和硬滤波参数不能很好的平滑各

区域噪声的问题，提出了自适应的滤波参数计算方法，不仅可以自动选择滤波参

数，而且提高了各区域的平滑效果。

2）通过分析已有的快速 FCM 图像分割算法，结合 SNLM 算法提出了自适应

非局部快速模糊 c 均值聚类(SNF_FCM)图像分割算法。SNF_FCM 使用 SNLM 算

法对 SAR 图像进行平滑，然后对平滑后的图像的灰度级进行聚类，在得到对灰度

级的分类结果后，根据各个像素的灰度值对像素进行归类，从而完成 SAR 图像分

割。通过在模拟图像和真实 SAR 图像上的实验，表明 SNF_FCM 图像分割算法具

有很高的区域一致性，在类间差异较为明显的 SAR 图像上能够获得很好的分割结

果。

3）通过分析模糊聚类的类内离散度和类间离散度，得出同时考虑这两者是合

理的，鉴于传统 FCM 算法只考虑了类内离散度，提出了结合类间离散度的非局部

模糊 c 均值聚类(NBS_FCM)图像分割算法。NBS_FCM 算法使用 SNLM 提取的非

局部均值作为非局部修正惩罚项，以此平滑噪声的影响；使用类间离散度惩罚项，

提高聚类结果的类间离散度。通过分析得出，类间离散度惩罚项实际上可以调整

各聚类中心间的距离。在模拟图像和真实 SAR 图像上的实验结果表明，NBS_FCM

图像分割算法不仅在类间差异较为明显的 SAR 图像上能够获得很好的分割结果，

而且在含有彼此差异不均衡且难以区分的类的 SAR 图像上，仍然可以得到较好的

结果。

关键词： SAR 图像分割模糊 c 均值聚类非局部均值类间离散度

万方数据

Abstract

Synthetic Aperture Radar (SAR) is a high-resolution coherent radar. Compared

with remote sensing imaging with the visible and infrared light, the SAR image can

operate day and night under any weather conditions, which makes it widely used in

military and national economy. SAR image segmentation is a important step in SAR

image processing, and affects the performance of the SAR automatic interpretation.

Fuzzy c-means (FCM) clustering is a classical algorithm in fuzzy clustering

analysis, which is suitable to handle uncertainty of the images. It has been widely

applied in image segmentation. Now many improved algorithms are proposed to

segment the images, but they may not give satisfactory segmentation results because of

speckle noise. In order to segment SAR image effectively , two improved SAR image

segmentation algorithms based on FCM clustering are proposed in this paper. The main

jobs and contributions of this paper are as follows:

1) To against the deficiency of the traditional non-local means (NLM) algorithm, a

self-tuning non-local means (SNLM) algorithm is proposed. SNLM adopts adaptive

binary weighted similarity measure, thus it can deal with the situation that there are two

class in the neighborhood of a central pixel. In addition, SNLM adopts self-tuning

filtering degree parameter, thus it can obtain better filtering results without any setting

of the filtering degree parameter.

2) By combining the fast FCM image segmentation algorithm with the SNLM

algorithm, we propose the self-tuning non-local fast FCM (SNF_FCM) image

segmentation algorithm. SNF_FCM first filters SAR images by using the SNLM

algorithm, then clusters the gray levels of the images, and finally classifies the piexls of

the images according to the classes of their gray levels. Experiments on synthetic and

real SAR images show that the proposed method has great region uniformity and

behaves well on SAR images which have visibly different classes.

3) Because the traditional FCM only considers the within-cluster dispersion and

the between-cluster dispersion is also important, we consider the between-cluster

dispersion as well as the within-cluster dispersion. By incorporating the non-local

spatial information obtained by the SNLM algorithm, we propose a new image

segmentation algorithm called non-local FCM with between-cluster separation measure

(NBS_FCM). NBS_FCM use the SNLM as the non-local penalty term to reduce the

effects of the noise, and use the between-cluster dispersion penalty term to increase the

万方数据

第一章绪论 ............................................................................................................. 1

1.1 研究背景和意义 ........................................................................................ 1

1.2 国内外研究现状 ........................................................................................ 3

1.2.1 SAR 图像分割算法现状 ................................................................. 3

1.2.2 模糊 c-均值聚类图像分割算法现状 ............................................. 5

1.3 本文工作 .................................................................................................... 7

1.4 章节安排 .................................................................................................... 8

第二章模糊 c 均值聚类图像分割方法基础 ....................................................... 11

2.1 模糊 c 均值聚类(FCM) ........................................................................... 11

2.1.1 聚类 ............................................................................................... 11

2.1.2 模糊 c 划分 ................................................................................... 12

2.1.3 模糊 c 均值聚类 ........................................................................... 12

2.2 基于 FCM 聚类的图像分割算法 ........................................................... 14

2.2.1 基于 FCM 聚类的图像分割 ........................................................ 14

2.2.2 FCM 聚类算法中的问题 .............................................................. 16

2.3 改进 FCM 的变形方式 ........................................................................... 17

2.4 本章小结 .................................................................................................. 19

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 ..................... 21

3.1 非局部均值算法 ....................................................................................... 21

3.2 自适应的非局部均值算法(SNLM) ........................................................ 23

3.2.1 自适应的相似度度量 .................................................................... 23

3.2.2 自适应的滤波参数 ....................................................................... 25

3.2.3 自适应的非局部均值算法 ........................................................... 26

3.3 自适应非局部快速模糊 c 均值聚类图像分割算法(SNF_FCM).......... 27

3.4 实验结果与分析 ...................................................................................... 30

3.4.1 模拟斑点噪声图像分割实验 ....................................................... 30

3.4.2 真实 SAR 图像分割实验 ............................................................. 33

3.5 本章小结 .................................................................................................. 37

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 ......... 39

4.1 类内离散度和类间离散度 ...................................................................... 39

4.2 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 ........ 41

万方数据

剩余69页未读，继续阅读

评论收藏

内容反馈

版权申诉

programyp

粉丝: 86
资源: 1万+

计算机研究 -基于模糊c均值聚类的SAR图像分割算法研究.pdf

最新资源

计算机研究 -基于模糊c均值聚类的SAR图像分割算法研究.pdf

论文研究-于灰色模糊熵的SAR图像快速分割方法.pdf

论文研究-基于MAR模型的SAR图像的聚类分割.pdf

基于空间约束核模糊C均值聚类的极化SAR图像分割

基于均值漂移的SAR图像分割方法研究 (2009年)

基于k均值聚类的图像分割研究

计算机研究 -基于图像整合和模糊聚类的SAR图像变化检测.pdf

计算机研究 -基于近邻传播聚类的极化SAR图像分类.pdf

音视频-编解码-基于多特征集成的SAR图像分割算法研究.pdf

论文研究-基于聚类的SAR图像快速目标检测.pdf

论文研究-基于多尺度特征融合的SAR图像分割.pdf

论文研究-基于Wedgelet的SAR图像多尺度快速分割方法.pdf

计算机研究 -基于谱聚类的SAR图像变化检测.pdf

论文研究-基于MRF模型的NSCT域SAR图像分割.pdf

基于分水岭．谱聚类的SAR图像分割

论文研究-基于多空间多层次谱聚类的非监督SAR图像分割算法.pdf

论文研究-基于多尺度继承性SAR图像分割算法.pdf

人工智能-机器学习-基于自然计算的SAR图像分割技术的研究.pdf

【图像分割】基于PCA结合模糊聚类算法FCM实现SAR图像分割附matlab代码.zip

论文研究-基于鸡群优化算法的SAR图像快速分割.pdf

SAR图像分割的边缘保留鲁棒非局部模糊c均值算法。

论文研究-基于人工免疫多目标聚类的SAR图像变化检测 .pdf

论文研究-基于NSCT分解系数的SAR图像目标检测算法.pdf

论文研究-基于灰色Tsallis熵的SAR图像快速分割.pdf

论文研究-基于贝叶斯匹配追踪的SAR图像重构.pdf

云计算-基于进化计算的SAR图像分割.pdf

论文研究-基于小波包分解的SAR图像压缩.pdf

最新资源