改进的FKCN与局部信息相结合的图像分割

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (34): 196-198.

• 图形、图像、模式识别 • 上一篇下一篇

改进的FKCN与局部信息相结合的图像分割

黄宁宁1，贾振红1，余银峰1，杨杰2，庞韶宁3

1.新疆大学信息科学与工程学院，乌鲁木齐 830046
2.上海交通大学图像处理与模式识别研究所，上海 200240
3.新西兰奥克兰理工大学知识工程与开发研究所，新西兰奥克兰 1020

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-12-01 发布日期:2011-12-01

Algorithm for remote sensing image segmentation based on combination of the improved FKCN and local information

HUANG Ningning1，JIA Zhenhong1，YU Yinfeng1，YANG Jie2，PANG Shaoning3

1.College of Information Science and Engineering，Xinjiang University，Urumqi 830046，China
2.Institute of Image Processing and Pattern Recognition，Shanghai Jiao Tong University，Shanghai 200240，China
3.Knowledge Engineering and Discovery Research Institute，Auckland 1020，New Zealand

Received:1900-01-01 Revised:1900-01-01 Online:2011-12-01 Published:2011-12-01

摘要/Abstract

摘要： FKCN在分割图像时存在速度慢，对噪声比较敏感等问题。对FKCN进行改进，提出了快速的FKCN与图像局部信息相结合的遥感图像分割算法，将图像的空间信息和像素信息引入到改进的FKCN图像分割算法中，从而提高了FKCN的分割速度而且还增强了抗噪性能。实验结果表明，该算法显示了很好的分割效果和较强的抗噪性能。

关键词: Kohonen网络, 局部信息, 遥感图像分割, 模糊聚类

Abstract: Aiming at the problem that the conventional FKCN algorithm is noise sensitive and slow，an image segmentation method via the improved FKCN algorithm with spatial information is presented.The method combines the standard FKCN algorithm with spatial information and pixel information.The experimental results show that the proposed method can segment the image effectively，and properly and the new algorithm is shown to be effective in image segmentation and has good performance of resisting noise.

Key words: Kohonen network, local information, remote sensing image segmentation, fuzzy cluster

黄宁宁1，贾振红1，余银峰1，杨杰2，庞韶宁3. 改进的FKCN与局部信息相结合的图像分割[J]. 计算机工程与应用, 2011, 47(34): 196-198.

HUANG Ningning1，JIA Zhenhong1，YU Yinfeng1，YANG Jie2，PANG Shaoning3. Algorithm for remote sensing image segmentation based on combination of the improved FKCN and local information[J]. Computer Engineering and Applications, 2011, 47(34): 196-198.

[1]	严加展，陈华，李阳. 改进的模糊C-均值聚类有效性指标[J]. 计算机工程与应用, 2020, 56(9): 156-161.
[2]	王燕，亓祥惠，段亚西. 基于马尔科夫随机场的改进FCM图像分割算法[J]. 计算机工程与应用, 2020, 56(4): 197-201.
[3]	王永贵，刘凯奇. 一种优化聚类的协同过滤推荐算法[J]. 计算机工程与应用, 2020, 56(15): 66-73.
[4]	崔芳怡1，荆晓远2，董西伟2，3，吴飞2，孙莹2. 自适应蝙蝠算法优化的模糊聚类及其应用[J]. 计算机工程与应用, 2019, 55(7): 16-22.
[5]	吴会会1，高淑萍1，彭弘铭2，赵怡1. 自适应模糊[C]均值聚类的数据融合算法[J]. 计算机工程与应用, 2019, 55(5): 26-35.
[6]	雷乐，王丽珍，肖清. 空间co-location模式挖掘中的模糊技术初探[J]. 计算机工程与应用, 2019, 55(21): 158-166.
[7]	余炳光，刘冬梅. 特征逐减的可能性模糊聚类算法[J]. 计算机工程与应用, 2019, 55(19): 58-65.
[8]	徐小来，房晓丽. 基于改进的直觉模糊核聚类的图像分割方法[J]. 计算机工程与应用, 2019, 55(17): 227-231.
[9]	张岭军，李聪，段云龙. 结合空间邻域信息的SAR图像变化检测[J]. 计算机工程与应用, 2019, 55(15): 185-192.
[10]	陈勇1，2，3，周晓锋2，3，李帅1，2，3. 铝电解关键指标预测方法的研究与应用[J]. 计算机工程与应用, 2019, 55(12): 250-258.
[11]	孙佳美，吴成茂. 正则化图形模糊聚类及鲁棒分割算法[J]. 计算机工程与应用, 2019, 55(11): 179-186.
[12]	姚明海1，齐妙2. 基于模糊聚类规则的图像去雾方法研究[J]. 计算机工程与应用, 2018, 54(6): 26-29.
[13]	宋凯，冯翔，虞慧群. 基于群进化策略的模糊聚类算法[J]. 计算机工程与应用, 2018, 54(4): 36-43.
[14]	赵峰1，杨春曦1，陈飞1，黄凌云2，谈诚2. 自适应搜索半径蚁群动态路径规划算法[J]. 计算机工程与应用, 2018, 54(19): 56-61.
[15]	祖颖，朱平，马冲. 检验双重性质特征的基因模糊聚类分析方法[J]. 计算机工程与应用, 2018, 54(19): 216-220.

改进的FKCN与局部信息相结合的图像分割

Algorithm for remote sensing image segmentation based on combination of the improved FKCN and local 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