基于空间信息的可能性模糊C均值聚类遥感图像分割

doi:10.3724/SP.J.1087.2011.03004

计算机应用 ›› 2011, Vol. 31 ›› Issue (11): 3004-3007.DOI: 10.3724/SP.J.1087.2011.03004

基于空间信息的可能性模糊C均值聚类遥感图像分割

张一行¹,王霞¹,方世明¹,李晓冬²,凌峰²

1. 中国地质大学(武汉) 资源学院，武汉 430074
2. 中国科学院测量与地球物理研究所，武汉 430077

收稿日期:2011-05-10 修回日期:2011-07-02 发布日期:2011-11-16 出版日期:2011-11-01
通讯作者: 凌峰
作者简介:
张一行(1989-),男,湖北武汉人，主要研究方向：遥感图像处理；
王霞(1989-)，女，湖北枣阳人，主要研究方向：遥感图像处理；
方世明(1977-)，男，安徽太湖人，副教授，博士，主要研究方向：地理信息系统、地质公园规划设计；
李晓冬(1983-)，男，河北保定人，博士研究生，主要研究方向：遥感图像处理；
凌峰(1979-)，男，安徽宿松人，副研究员，博士，主要研究方向：遥感数据分析。
基金资助:
国家自然科学基金资助项目;武汉市青年晨光计划项目

Remote sensing image segmentation using possibilistic fuzzy c-means clustering algorithm based on spatial-information

ZHANG Yi-hang¹,WANG Xia¹,FANG Shi-ming¹,LI Xiao-dong²,LING Feng²

1. School of Resources, China University of Geosciences, Wuhan Hubei 430074, China
2. Institute of Geodesy and Geophysics, Chinese Academy of Sciences, Wuhan Hubei 430077, China

Received:2011-05-10 Revised:2011-07-02 Online:2011-11-16 Published:2011-11-01
Contact: LING Feng

摘要/Abstract

摘要： 可能性模糊C均值(PFCM)聚类算法作为模糊C均值(FCM)聚类算法的一种改进算法，能在一定程度上克服FCM算法对噪声的敏感性；但由于PFCM没有考虑像元间的空间信息，对含有较大噪声的图像分割效果依然不理想。为此，提出一种新的基于空间信息的PFCM算法(SPFCM)，克服了PFCM算法对含有较大噪声的图像分割效果不佳的缺点。通过对人工图像和IKONOS遥感图像进行分析，结果表明，SPFCM算法无论是在视觉上还是在分割正确率上都优于传统的FCM算法、PFCM算法及两种加入空间信息的FCM算法；对于含有高斯噪声和盐椒噪声的图像，平均分割正确率高达99.71%，是一种去噪效果较好的图像分割算法。

关键词: 空间信息, 模糊C均值聚类, 可能性C均值聚类, 图像分割

Abstract: Fuzzy C-Means (FCM) clustering algorithm is very sensitive to image noise when it is used to image segmentation. As an improvement of FCM, Possibility FCM (PFCM) clustering algorithm can reduce the influence of image noise on image segmentation to some extent. However, since no spatial information of the image is taken into consideration, PFCM can not perform well when the image contains much noise. In order to further improve the segmentation accuracy of PFCM when much noise is present in the image, a new Spatial PFCM (SPFCM) algorithm was proposed by incorporating the spatial information of each pixel into the traditional PFCM algorithm in this paper. Both synthetic and IKONOS images with different kinds of noise were applied, and the segmentation results show that the proposed SPFCM clustering prevails over the FCM, PFCM, FCM-S1 and FCM-S2 visually and quantitatively. When dealing with different image noise, its average segmentation rate is as high as 99.71%, which shows the effectiveness of the proposed algorithm.

Key words: spatial information, Fuzzy C-Means (FCM) clustering, Possibilistic C-Means (PCM) clustering, image segmentation

张一行王霞方世明李晓冬凌峰. 基于空间信息的可能性模糊C均值聚类遥感图像分割[J]. 计算机应用, 2011, 31(11): 3004-3007.

ZHANG Yi-hang WANG Xia FANG Shi-ming LI Xiao-dong LING Feng. Remote sensing image segmentation using possibilistic fuzzy c-means clustering algorithm based on spatial-information[J]. Journal of Computer Applications, 2011, 31(11): 3004-3007.

[1]	杨瑞, 钱晓军, 孙振强, 许振. 自然场景下多区域特征融合的混合航拍图像分割算法[J]. 计算机应用, 2021, 41(8): 2445-2452.
[2]	沈雪雯, 王晓东, 姚宇. 基于空间分频的超声图像分割注意力网络[J]. 计算机应用, 2021, 41(6): 1828-1835.
[3]	黄梨, 卢龙. 基于长距离依赖编码与深度残差U-Net的缺血性卒中病灶分割[J]. 计算机应用, 2021, 41(6): 1820-1827.
[4]	董阳, 潘海为, 崔倩娜, 边晓菲, 滕腾, 王邦菊. 面向多模态磁共振脑瘤图像的小样本分割方法[J]. 计算机应用, 2021, 41(4): 1049-1054.
[5]	罗琴, 王艳. 无需初始轮廓的图像分割模型[J]. 计算机应用, 2021, 41(4): 1179-1183.
[6]	胡屹杉, 秦品乐, 曾建潮, 柴锐, 王丽芳. 基于特征融合和动态多尺度空洞卷积的超声甲状腺分割网络[J]. 计算机应用, 2021, 41(3): 891-897.
[7]	袁芊芊, 邓洪敏, 王晓航. 基于超像素快速模糊C均值聚类与支持向量机的柑橘病虫害区域分割[J]. 计算机应用, 2021, 41(2): 563-570.
[8]	屠红艳, 张挺, 夏鹏飞, 杜奕. 基于改进型变分自编码器的不确定性空间信息重建方法[J]. 计算机应用, 2021, 41(10): 2959-2963.
[9]	原泉, 王艳, 李玉先. 距离保持水平集演化模型的快速实现算法[J]. 计算机应用, 2020, 40(9): 2743-2747.
[10]	高海军, 曾祥银, 潘大志, 郑伯川. 基于U-Net改进模型的直肠肿瘤分割方法[J]. 计算机应用, 2020, 40(8): 2392-2397.
[11]	孙建军, 徐岩. 基于加权改进模糊C均值聚类的欠定混合矩阵估计[J]. 计算机应用, 2020, 40(6): 1769-1773.
[12]	吴崇数, 林霖, 薛蕴菁, 时鹏. 基于自监督学习的病理图像层次分割[J]. 计算机应用, 2020, 40(6): 1856-1862.
[13]	张一飞, 李新福, 田学东. 基于图像分割的立体匹配算法[J]. 计算机应用, 2020, 40(5): 1415-1420.
[14]	曾招鑫, 刘俊. 基于深度学习的秀丽隐杆线虫显微图像分割方法[J]. 计算机应用, 2020, 40(5): 1453-1459.
[15]	王燕, 何宏科. 基于邻域信息的改进模糊c均值脑MRI分割[J]. 计算机应用, 2020, 40(4): 1196-1201.

基于空间信息的可能性模糊C均值聚类遥感图像分割

Remote sensing image segmentation using possibilistic fuzzy c-means clustering algorithm based on spatial-information

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics