基于最小类内方差优化算法的遥感图像分割
遥感图像处理与分析算法综述
遥感图像处理与分析算法综述随着遥感技术的发展，遥感图像处理与分析算法在各个领域中得到了广泛的应用。
遥感图像处理与分析算法是指通过对遥感图像进行数字处理和分析，来提取和解释图像中的信息。
本文将综述一些常见的遥感图像处理与分析算法，包括图像增强、分类与分割等。
一、图像增强图像增强是指通过一系列的操作，提高图像的质量和可视化效果。
常见的图像增强算法包括直方图均衡化、滤波和增强函数等。
直方图均衡化是一种常用的图像增强方法，它通过对图像的直方图进行变换，来增加图像的对比度。
该方法通过将图像的像素值映射到一个新的分布上，从而改变图像的亮度分布。
滤波是另一种常见的图像增强方法，通过在图像的空域或频域中对像素进行处理，来减少噪声和增强图像细节。
常见的滤波算法包括高通滤波和低通滤波等。
高通滤波可以增强图像的边缘和细节，而低通滤波则能够平滑图像并去除噪声。
增强函数是一种通过对图像的像素值进行非线性映射，来增强图像的方法。
常见的增强函数包括对数变换、幂次变换和伽马变换等。
对数变换可以扩展暗部像素的动态范围，而幂次变换则能够增强图像的对比度。
二、分类与分割分类与分割是遥感图像处理与分析的重要内容，它们能够将图像中的不同对象进行区分和提取。
常见的分类与分割算法包括聚类分析、最大似然分类和支持向量机等。
聚类分析是一种通过将像素划分到不同的类别中，来实现图像分类和分割的方法。
常见的聚类分析算法包括K均值聚类和自适应聚类等。
K均值聚类将图像像素划分为K个簇，每个簇代表一个类别，而自适应聚类则能够根据像素的分布进行不同权重的划分。
最大似然分类是一种基于概率统计的图像分类方法，它通过计算像素在每个类别中的概率，并选择概率最大的类别作为最终的分类结果。
最大似然分类算法能够准确地对图像中的不同对象进行分类，并且具有较强的鲁棒性。
支持向量机是一种通过构建一个最优决策边界，来实现图像分类和分割的方法。
支持向量机利用训练样本，通过最大化分类边界与样本之间的距离，来找到一个最优的分类超平面。
基于改进Swin-Unet_的遥感图像分割方法
ＡＳＰＰ）模块，用于提取不同尺度信息，增大感受野，
提取 更 多 细 节 信 息。其 中，Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ Ｂｌｏｃｋ
可以提取图像特征，Ｐａｔｃｈ Ｍｅｒｇｉｎｇ 操作的主要作用
是下采样，可以将特征图的长宽变为原来的一半，同
时通道数增加为原来的 ２ 倍。解码器部分包括了多
个残差 模块 （ Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ
和 异 物 同 谱 现 象 明 显 ［２］，给 遥 感 图 像 分 割 带 来 了 很大挑战。
近年来，越来越多的学者针对如何提高遥感图 像 分 割 精 度 的 问 题 展 开 了 研 究 ［３］。 阈 值 分 割 算 法 通过选取合适的阈值来实现目标和背景的分离，算 法难度小、实现简单，能够实现图像的快速分割［４］， 但对噪声比较敏感［５］，不适用于复杂场景下的遥感
１ 基于改进 ＳｗｉｎＵｎｅｔ 的遥感图像分割网络
１． １ 网络结构
本文在 ＳｗｉｎＵｎｅｔ 的基础上加以改进来实现遥
感图像分割，改进 ＳｗｉｎＵｎｅｔ 网络结构如图 １ 所示。
改进后的 ＳｗｉｎＵｎｅｔ 网络包括编码器、解码器和跳
跃连接 ３ 个部分。在编码器部分，输入图像先通过
图像分块处理（Ｐａｔｃｈ Ｐａｒｔｉｔｉｏｎ）操作，将输入图像划
基于改进 ＳｗｉｎＵｎｅｔ 的遥感图像分割方法
张 越，王 逊
（江苏科技大学 计算机学院，江苏 镇江 ） ２１２１００
摘 要：针对遥感图像数据本身存在分辨率高、背景复杂和光照不均等特性导致边界分割不连续、目标错分漏分以及
存在孔洞等问题，提出了一种基于改进 ＳｗｉｎＵｎｅｔ 的遥感图像分割方法。在编码器末端引入空洞空间金字塔池化 （Ａｔｒｏｕｓ
ＲｅｓＳｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ
图像分割技术在遥感图像处理中的应用技巧探讨
图像分割技术在遥感图像处理中的应用技巧探讨引言：遥感图像处理是遥感技术的重要组成部分，通过对遥感图像进行分析和处理，可以获取地表的空间信息，用于地理信息系统、环境监测、城市规划等领域。
图像分割技术是遥感图像处理的一项关键技术，它可以将图像按照特定的规则划分成若干个区域，用于环境监测、土地分类、植被分析等任务。
本文将探讨图像分割技术在遥感图像处理中的应用技巧。
一、图像分割技术概述图像分割是将图像划分为不同的区域的过程。
在遥感图像处理中，图像分割可以分为基于区域的分割和基于边缘的分割。
基于区域的分割主要通过计算相邻像素的相似度来划分区域，而基于边缘的分割则着重于提取图像中的边缘特征。
二、基于区域的图像分割技术1. 阈值分割阈值分割是图像处理中最简单、最常用的方法之一。
它通过设定一个或多个阈值来将图像中的像素分成不同的区域。
在遥感图像处理中，可以根据像素的亮度或颜色来设定阈值，对不同的地物进行分割。
2. 区域生长区域生长是一种基于邻域相似性的图像分割方法。
它从一个或多个种子点开始，通过判断邻域像素与种子点像素的相似性来不断扩展区域。
在遥感图像处理中，可以选择特定的地物作为种子点，通过不断生长来分割图像。
3. 参数化聚类参数化聚类是一种将图像转化为特征空间中的聚类问题的方法。
它通过将图像中的像素转化为特征向量，并在特征空间中应用聚类算法来实现图像的分割。
在遥感图像处理中，可以选择适当的特征向量来表示地物的特征，然后应用聚类算法对图像进行分割。
三、基于边缘的图像分割技术1. 边缘检测边缘检测是图像处理中常用的一种方法，它可以提取出图像中的边缘特征。
在遥感图像处理中，可以通过边缘检测算法来提取地物的边界，从而实现图像的分割。
2. 基于图论的分割基于图论的分割方法将图像看作由节点和边构成的图，通过在图上定义能量函数，并通过最小化能量函数来实现图像的分割。
在遥感图像处理中，可以将地物像素看作图的节点，将边缘信息看作图的边，从而实现图像的分割。
卫星遥感图像处理中的图像分割算法使用技巧探究
卫星遥感图像处理中的图像分割算法使用技巧探究图像分割算法是卫星遥感图像处理中的重要环节，其作用是将图像分割成不同的区域或对象，以便更好地获取地理信息。
在卫星遥感图像处理中，图像分割算法的准确性和效率是至关重要的。
本文探究了卫星遥感图像处理中常用的图像分割算法以及使用技巧，旨在提供对于该领域的初学者以及研究人员有关卫星遥感图像处理中图像分割算法使用的指导。
一、图像分割算法的基本概念及分类图像分割是指将图像划分为若干互不相交的区域，每个区域内的像素具有相似的特性。
在卫星遥感图像处理中，常用的图像分割算法包括基于阈值的分割、区域增长法、边缘检测法以及基于机器学习的分割等。
1. 基于阈值的分割基于阈值的分割是一种简单且常用的分割算法。
该算法将图像的灰度值与设定的阈值进行比较，根据阈值的大小决定像素属于前景或背景。
常见的阈值分割算法包括全局阈值法、自适应阈值法以及基于直方图的阈值法等。
2. 区域增长法区域增长法是一种基于像素的分割算法，其原理是从种子点开始，根据预设的条件逐步扩展区域。
该算法通常需要提前设定一些种子点，并利用像素之间的相似性进行区域的扩张，直到满足停止条件。
区域增长法通常能更好地适应图像的复杂结构。
3. 边缘检测法边缘检测法是通过检测图像中不连续的强度变化来实现图像分割的算法。
该算法可通过检测图像中的边缘来分割出不同的区域。
常见的边缘检测算法有Sobel、Canny和Laplacian等。
4. 基于机器学习的分割基于机器学习的分割算法是近年来发展起来的一种先进的图像分割方法。
该算法通过训练模型，自动从图像中学习分割的规则。
常见的机器学习算法包括K-means聚类、支持向量机（SVM）、随机森林和深度学习等。
二、卫星遥感图像处理中图像分割算法的使用技巧在卫星遥感图像处理中，图像分割算法的使用技巧是影响分割结果准确性和效率的关键。
以下是一些在卫星遥感图像处理中使用图像分割算法的技巧：1. 选择适合的图像分割算法不同的图像分割算法适用于不同的图像特性和任务需求。
遥感图像分类方法及应用示例
遥感图像分类方法及应用示例遥感技术是通过卫星、飞机等远距离传感器获取地表信息的一种技术手段。
遥感图像分类是遥感技术中的一项重要任务，它可以将遥感图像中的像素按照其特征进行分类，并生成分类结果。
本文将介绍遥感图像分类的方法，并给出一些应用示例。
一、遥感图像分类方法1. 基于像元的分类方法基于像元的分类方法是将遥感图像中的每个像素点看作一个样本进行分类，通过像素点的光谱特征来确定其所属类别。
常见的方法有最大似然法、支持向量机等。
最大似然法是一种基于统计学原理的分类方法，它通过求解样本的概率密度函数来确定像素点的类别。
支持向量机是一种基于样本间距离的分类方法，它通过构建超平面将不同类别的样本分开。
2. 基于对象的分类方法基于对象的分类方法是将遥感图像中的像素组成的对象进行分类，通过对象的形状、纹理等特征来确定其所属类别。
常见的方法有基于区域的分割和基于对象的分类。
基于区域的分割将遥感图像中的像素按照相似性进行分组，形成具有相同特征的区域。
基于对象的分类是在分割得到的区域基础上，通过提取区域的特征来确定其所属类别。
3. 基于深度学习的分类方法随着深度学习技术的发展，基于深度学习的分类方法在遥感图像分类中得到了广泛应用。
深度学习通过构建深层神经网络模型，可以自动学习遥感图像中的特征表示。
常见的方法有卷积神经网络（CNN）、循环神经网络（RNN）等。
卷积神经网络可以有效地提取图像的空间特征，循环神经网络可以捕捉图像序列的时序特征。
二、遥感图像分类的应用示例1. 农作物类型分类农作物类型分类是农业生产中的重要任务，可以帮助农民了解农田的分布情况和种植结构，指导农作物管理和精细化农业。
通过遥感图像分类方法，可以将农田遥感图像中的不同农作物进行分类，比如小麦、玉米、水稻等。
这样可以帮助农民进行农作物识别和农田监测，提高农业效益。
2. 土地利用分类土地利用分类是城市规划和土地资源管理中的重要任务，可以帮助决策者了解土地利用的分布情况和变化趋势，指导城市规划和土地资源开发。
基于最小类内方差的蛇形机器人多阈值分割
摘
要： 针 对传 统 最小 类 内方差 分 割 方 法计 算 量 大 、 效 率低 、 单 闽值 分割 、 不能 多 目标 分
割 的缺 点 ， 提 出了一种 改进 的基 于最 小类 内方差 的蛇 形机 器人 多阈值 分割 方 法． 通 过提取
整幅 图像 的感 兴趣 区域 （ Ｒ Ｏ Ｉ ） ， 有 效减 小 算法搜 索 的 范围和整 体计 算 量 ； 根 据 直 方 图的 多 峰 值特 点 ， 把 Ｒ Ｏ Ｉ 区域划 分成 多个 子 区域 ， 采 用 改进 的 最 小类 内方 差 分割 法搜 索各 个局 部 最优 阈值 ， 最终 实现 蛇形 机 器人 关节 组的 多 阈值 分 割 ． 实验 结 果表 明 ， 该 方 法分 割 效 率
高， 分割效果明显 ， 且在保证 实时性的同时提 高了 目 标识别对光线 变化的鲁棒性 ， 降低 了
对步 态 变化 的敏 感性．
关键 词 ：蛇 形机 器人 ；多 阈值 分割 ；感 兴趣 区域 ；最小类 内方差
中图分类号 ： Ｔ Ｐ ２ ４ ２ ． ６ ２
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ０ — ５ ６ ５ Ｘ ． ２ ０ １ ３ ． ０ ５ ． ０ ０ ２
像中 目 标相邻两区域 间有明显差异 时有效 ； 陶立超 等 受 Ｈ ｏ ｇ特 征启发 ， 提 出一种 分块 重叠 的颜 色 直
方 图多 阈值分 割算 法 ， 该 方 法 虽 然 优 于 传统 的颜 色 直方 图分 割法 ， 但 是需 要 实 时更 新 某一 颜 色变 化 较 大块 的直 方 图 ， 并计 算 与参考 模型 间 的 巴氏距离 ， 计 算量大 ， 分 割效 率及 对光 线 的鲁棒 性难 以保 证 ； 吴 涛
基于一种改进最小误差算法的BGA图像分割
） 。 ｅＸ 一 （ 一 。 … … … … … （ ） 一 （ ／ － １
ｈ ｚ） ２５ （ 一 ．Ｋ （ ＋ｒ ） 。 … … … … … … （ ） ） （ ２
ｆ １ 一
其 中 ： 为均 值 ；
为方 差 ； 为 加权值 ； （ ） 分 Ｋ ｒＩ 为 ｚ
目前 ， 较常 用的 阈值选取 方法 有最大 类 间方 差法 、 二 维最 大熵 阈值 法 、最 小误 差法 等 。其 中最小误 差算
解后 的剩 余量 ； 为分量 的个数 。 Ｎ 根据最 大投 影原理 ， 计 算ｈ ） 基 函数集 上 的最 大 投 影ｍａ ＜ｈ ｇ ＞ ， （ 在 ｘ ， 即 ｈ ） ｇ （ ） 内 积 运 算 ， 得 剩 余 部 分 的 信 号 为 （ 与 － 做 ｚ 可
第 ６期 （ 第 ｌ ３ ） 总 ６期
２１ ０ ０年 １ ２月
机 械 工 程 与 自 动 化
Ｍ ＥＣＨＡＮＩ ＣＡＬ ＥＮＧＩ ＥＲＩ ＮＥ ＮＧ ＆ ＡＵＴ０Ｍ ＡＴ１ ０Ｎ
Ｎｏ．６ Ｄｅ ． ｃ
文章 编 号 ： ６ ２６ １ （ ０ ０ ０ — ０ ４ ０ １７ —４ ３２ １ ） ６００ —３
高斯 分布 ，而现实 中图像灰度 直方 图往往并 不完 全符 合高 斯分 布 ，这样 在利用 最小 误差法 对 图像 进行 分割 时就 会产生 一定误 差 ，所 以本 文利用 最 大投 影原理 以 高 斯 函 数集 作 为 基 函 数集 ，通 过 正 交 投 影 分 解 法对
Ｂ Ａ 直 方 图 进 行 分 解 重 构 后 ， 再 采 用 最 小 误 差 法 对 Ｇ
法受 目标 大小 和噪声影 响小 ，同时其 算法 简单 易实 ］
现 ， 割 图像 实时性 高 ， 够满足 工业检 测 的需 求 。 分 能 但 最小 误差算 法 的前 提条 件是假 设 图像 的灰 度直方 图呈
基于深度学习的遥感图像分类算法研究与实现
基于深度学习的遥感图像分类算法研究与实现遥感图像分类是遥感技术中一个重要的研究方向，旨在通过对遥感图像进行分类和识别，实现对地物和景象的自动解译和实时监测。
随着深度学习技术的快速发展，基于深度学习的遥感图像分类算法逐渐成为研究的热点。
深度学习是一种基于人工神经网络的机器学习方法，通过多层次的神经网络模型学习数据的高级特征表示，具有强大的表达能力和良好的泛化能力。
在传统的遥感图像分类算法中，常使用的是手工设计的特征提取算法，如纹理特征、形状特征等。
而基于深度学习的遥感图像分类算法，主要通过深度神经网络自动学习图像的特征表示，从而实现对复杂地物的准确分类。
首先，在基于深度学习的遥感图像分类算法中，数据的预处理是一个必要的步骤。
遥感图像数据通常具有高光动态范围、多光谱和高光谱特征等，预处理的目的是提高图像的质量，削弱噪声和增强地物的边缘特征。
对于遥感图像，常用的预处理方法包括图像增强、边缘检测和图像分割等。
预处理后的图像能够更好地表达地物的信息，有利于后续的分类分析。
其次，在基于深度学习的遥感图像分类算法中，卷积神经网络（Convolutional Neural Network，CNN）是最为常用的网络结构之一。
卷积神经网络能够有效地捕捉图像的局部特征和细节信息，对于高光谱多通道的遥感图像数据具有较好的适应性。
常用的卷积神经网络结构包括LeNet、AlexNet、VGGNet、GoogLeNet和ResNet等。
这些网络结构具有不同的层数和参数设置，可根据具体的问题选择适合的网络结构。
另外，在基于深度学习的遥感图像分类算法中，需要通过深度学习模型对图像进行特征提取和特征选择。
深度学习模型通过多层次的卷积和池化操作对图像进行特征提取，得到图像的高级特征表示。
特征提取后，常使用全连接层和softmax分类器对图像进行最终的分类。
同时，还可以通过正则化方法对模型进行约束，防止模型过拟合，提高分类的准确性。
此外，针对遥感图像分类的特点，可以进一步优化深度学习模型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
３ Ｋｎ ｗｌ ｇ ｎ ｉｅ ｒ ｇ ａ ｄＤｉ ｏ ｅｙＲｅｅ ｒｈＩ ｓｉ ｔ， ｃ ｌ ｄＵｎ ｖ ｒｉ ｆ ｅ ｈ ｏｏ ｙ Ａｕ ｋａ ｄ１ ２ ， ｅ Ｚ ａａ ｄ ． ｏ ｅ ｅＥ ｇｎ ｅ ｎ ｓ ｖ ｒ ｓ ａｃ ｔ ｕｅ Ａｕ ｋ ａ ｉｅ ｓ ｙｏ ｃ ｎ ｌｇ ， ｃ ｌ ０ ０ Ｎ ｗ ｅ ｌ ） ｄ ｉ ｎ ｃ ｎ ｔ ｎ ｔ Ｔ ｎ ｎ
像 灰度直方图的方法 ，使 目标与背景 的类 内方差和最小 ，动 态 地确 定 图像 的最 佳分 割 阈值 ，从 而得 到相应 的二值 化 图
像 】 。该算法虽然解 决了阈值 分割门限的选取 问题 ，但是需
２ 图像分胡算法理论模型
２ 最小类 内方差算法 ． １ 最小 类内方差算法通过穷尽地搜索图像的灰度直 方图 ，
ｒ ２ ￡Ｉ
一
（） 出最终 的聚类中心 ， 最终聚类 中心之间的部分作 ５输 将
为搜索空间， 用最小类 内方差算法在该空问内搜索最佳闽值 。 （） ６用最佳 阈值实现遥感图像 分割 。
统计灰度直方图，得到最小 灰度值 和最大灰度值ｂ
２
确定聚类数 目ｋ ２ －， 以“ 作为初始聚类中心 和６
［ ｓｒｃ］Ｉ ｒｅ ｏｒｄ ｃ ｅｃ ｍｐ ｔｔ ｎｏ ｅｍｉｉ ｍ ｎｅｃａｓｖｒ ｎｅａｇ ｒ ｍ ｎｔｅｒｍｏｅｓｎｉｇ ｉ ｇ ｅｍｅ ｔｔ ｎ ｔｅ Ａｂ ｔａ ｔ ｎｏｄ ｒｔ ｅ ｕｅｔ ｏ ｕａ ｏ ｆｔ ｎｍｕ ｉｔｒｌｓ ａｉ ｃ ｌｏ ｔ ｉ ｅ ｔ ｅ ｓ ｍａ ｅｓｇ ｎａ ｏ ， ｈ ｉ ｈ ａ ｉ ｈ ｈ ｎ ｉ ｈ ｅｕｖ ｌｎ ｆ ｅｏｊｃｉｅｆｎ ｔ ｎ ｒｖ ｄｂ ｓｄｏ ｅｐｉｃ ｌｓ ｆｈ ｎｍｕ ｖｒ ｎｅａｇ ｒ ｍ ｎ ｅｋｍｅ ｓｃ ｓ ｒ ｇａ ｏ ｔｍ．ｎ ｑ ｉａ ｔ ｂｅｔ ｃ ｏ ｓｓｐｏ ｅ ａｅ ｎｔ ｒ ｉ ｅ ｅｍｉｉ ｍ ａｉ ｃ ｌｏｉ ａ ｄｔ — ａ ｌ ｔ ｎ ｌ ｒｈ Ｉ ｅ ｏｔ ｈ ｖ ｕ ｉ ｉ ｈ ｎｐ ｏｔ ａ ｈ ｔ ｈ ｎ ｕｅ ｉ ｇｉ
古∑ｆＥｎ／ｌ ｎ＋Ｖ Ｉ∑Ｉ（ ｉ Ｔ＋Ｉ ｎ Ｅ∑１Ｖ ，ｉ —＝１ｉ Ｅｎ 古 ＝Ｔ＋ ｆ ＝ ｉ ｒ＋ ／ Ｖ１（ ｉ ： ） 一∑ｉ， ｉ ） ＝ ｌ
使 目标与 背景 的类内方差和最小 ，动态地 确定图像 的最佳分 割阈值 。最佳 阈值判决准则 函数为 ：
．
Ｔ ＝ ａ ｇ ｒ
ｍ …… ＝ｆ／） ｉ ｉ Ｉｕ一 Ｐ＋∑（ ／ Ｐｌ ｎＬ Ａ ｉ ∑ （ １６ ｉ 一 ） Ｊ
… …
ｒｒ
２
Ｌ ＿ ｌBiblioteka ２ ］ （ １ ）
２ Ｉ ｓ ｔ ｔ ｆＩ ｇ ｏ ｅ ｓｎ ｎｄ Ｐ ｔ ｒ ｃ ｇ ｉ ｏ ， ｈａ ｇ ａ ｉ ｏ ｏ ｇ Ｕｎ ｖ ｒ ｉ ， ａ ｇ ａ ０ ２ ０ Ｃｈ ｎ ； ． ｎ ｔ ｕ ｅｏ ｉ ｍａ ｅＰｒ ｃ ｓ ｉ ｇ ａ ａ ｔ ｎ Ｒｅ ｏ ｎ ｔ ｎ Ｓ ｎ ｈ ｉ ａ ｔ ｎ ｉ ｅ ｓｔ Ｓｈ ｅ ｉ Ｊ ｙ ｎ ｈ ｉ ０ ４ ， ｉ ａ ２
Ｈ ＡＮＱｉｇｓｎ Ｊ ＡＺ ｅ ．ｏ ｇ， ｊ． ｎ Ｙ ＮＧ ｅ， ＡＮ Ｓ ａ －ｉｇ ｎ ． ｇ， Ｉ ｈ ｎｈ ｎ ＹＵ Ｙｎｆ ｇ， Ａ ｏ ｅ Ｊ Ｐ Ｇ ｈ ｏｎｎ 。 ｉ
（． ｌ ｇ ｆ ｎｏｍａｉｎＳ ｉ ｃ ｎ ｎ ｉｅｒ ｇＸｉｊ ｎ ｎｖｒｉ ， ｕ ｉ ３ ０ ６ Ｃｈｎ ； １Ｃｏｌ ｅ ｆｒ ｔ ｃｅ ｅａｄＥ ｇｎ ｅ ｎ ， ｎｉ ｇＵ ｉｅｓｔ Ｕｒｍｑ ０ ４ ， ｉａ ｅ ｏＩ ｏ ｎ ｉ ａ ｙ ８
关健词 ：最小类 内方差算法 ；ｋ均值聚 类算法 ；遥感 ；图像分割 －
Ｒｅ ｏ ｅＳ ｎ ｉ ｇ Ｉ ａ ｅＳ ｇ ｅ ｔ ｔｏ ｍ ｔ ｅ ｓｎ ｍ ｇ ｅ ｍ ｎ ａ ｉ ｎ
Ｂａ ｅ ｎ Ｏｐ ｉ ｉ ｅ ｉ ｉ ｕ ｎ ｅ ｃａ ｓＶａ ｉ ｎ ｅＡｌ ｏ ｉｈ ｓ ｄ ０ ｔｍ ｚ ｄ Ｍ ｎ ｍ ｍ Ｉ ｔ ｒ ｌ ｓ ｒａ ｃ ｇ ｒｔ ｍ
ＤＯｈ １ ．９ ９ ． ｓ．０ ０３ ２ ．０ １１ ． １ ０３ ６０ｉ ｎ１ ０ —４ ８２ １ ．３ ７ ｓ ０
１ 概述
图像分 割是数字 图像处理 中一 个经典而又 重要的问题 ，
基础上 ，证明两者判别准则函数的等效性 ，并 利用 ｋ均值聚 一 类算法 的高效性对最小类 内方差算法进行优化 ，缩小最小类 内方差算法 的搜索空 间，提高运算效率 ，满足 了遥感图像实
２０ ２
计
算
机
工
程
２ Ｉ 年 ７ ５日 ０】 月
Ｊ＝ ∑Ｊ ，， 圭 一 圭ｊ（ ） 兰 ｍＩ ｎ ， ＝ ｌ
ｊ ｌ＝ ＝ｉ１ ｊ ｌ＝ ’ ＝ ｉ１’ 。 。
（ ２ ）
（） 定 ｋ均值聚 类算法的聚类数 目（＝ ） ２确 ． ２和初始聚类 中
６（，） ａ 。 ｂ
根据聚类判别准则函数 对每个像素进行分类
口 ＝∑“一／ ）Ｐ ＋ ∑ （一／ １ ｏ ４）Ｐ ＝
１ ７ ２ １ ￡１ 一 ￡１ 一 ￡１ ２
∑（一∑ｉ ∑ｎ）ｒ ＋— Ｙ “一 ∑ ｎ ／∑ ｎ） ＝ ｎ／ ｉ ｔ ｉ ｉｉ ｉ
１ Ｔ ７ ７ ２ １ Ｌ】 一 ￡】 一 ＬＩ — ２
ｒ ｄ ｃ ｓｔｅｈ ｎｉ ｏ ｅａ ｄｈａ ａ—ｉ ｐ ｅ ａｃ ｌｔ ｅｏ ｔ ａ ｈ ｅｈ ｌ ． ｅ ｕ ｅ ｕ ｔ ｈ ｎｇｚ ｎ ｓａｒ ｌ ｍｅｓ ｅ ｄｔ ｃ ｌｕ ａｅｔ ｐ ｍ ｌｔｒｓ ｏ ｄ ｎ ｅ ｔ ｏ ｈ ｉ
［ ｅ ｏ ｄ ｌ ｍｉｉ ｍ ｔｒｌｓ ａｉｎ ｅａ ｏ ｔｍ； — ａｓ ｌｓｅｉｇａｇ ｒ ｍ；ｅ ｔ ｎｉｇ ｉ ｇ ｇ ｎａｉｎ ｋ ｙｗ ｒ ｓ ｎｍｕ ｉ ｅｃａｓ ｒ ｃ ｌ ｒ ｎ ｖ ａ ｇｉ ｈ ｋｍｅ ｕｔｒ ｌｏ ｔ ｒｍｏｅ ｅ ｓ ；ｍａｅｓ ｍｅｔｔ ｎ ｃ ｎ ｉ ｈ ｓ ｎ ｅ ｏ
时处理的需要 。
是计算机视觉 的基础 ，是模式识别和 图像分析 的关键 环节 ， 在 数字 图像处理 中占据重要的地位。 图像分割技术发展至今 ，
已有很多分割方法 ，主要 有边缘提 取法 、区域生长法 、阈值 法、聚类法等 。其中 ，最小类 内方差算法作为一种基于 阈值 的图像分割方法 ，因具有思想简单 、容易实现 、分割效果好 等优点而被广泛应用 。该算法的基本思想是采用穷尽搜索 图
第３ ７卷 第 １ 期 ３
Ｖ ．７ ｏ１３
・
计
算
机
工
程
２ １ 年 ７月 ０１
Ｊ ｌ ｕ ｙ ２０１ １
ＮＯ １ ．３
Ｃｏ ｐｕ ｅ ｍ ｔ ｒＥｎｇ ｎ ｅ ｉ ｇ ｉ ｅ ｒｎ
图形 图像处 理 ・
文章编号：ｌｏ ＿４８ｏ１３＿２９＿２ 文献标识码： ０ｏ ３２（ １ｌ—０１＿０ — ２ ） Ａ
运 而 生 ， 如 文 献 ［】 用 简 化 的脉 冲 耦 合 神 经 网络 （ｕｓ ３采 Ｐ ｌ ｅ Ｃ ｕ ｌ ｕａ Ｎ ｔ ｒｓＰ Ｎ 对最小类内方差算法进行优 ｏ ｐｅ Ｎｅｒｌ ｅｗｏｋ， Ｃ Ｎ） ｄ 化 ， 文 献 ［】 用 混 沌粒 子 群 优 化 （ ｈ ｏ ａｔ ｌ Ｓ ｒ ４采 Ｃ ａ ｓＰ ｒｃ ｗａｍ ｉｅ Ｏ ｔ ｚｔ ｎＡｌｏｉ ｍ， Ｐ Ｏ） ｐｉ ａ ｏ ｇ ｒｈ Ｃ Ｓ 算法对最小类内方差算法进 行 ｍｉ ｉ ｔ
３ 奥克兰理工大学知识工程 与开发研究所 ，奥克兰 ｌ２ ） ． ＯＯ
摘
要 ：为有效提高最小类内方差算法在遥感 图像分 割中的实时性 ， 在分析最小类 内方差算法和 ｋ均值聚 类算法原 理的基础上 ， 一 证明两者
判另 准则函数 的等效性 ，利用 ｋ均值 聚类算法的高效性对最小类 内方差 算法进行 优化 。实验结果表 明，优化的最小类内方差算法搜索空 间 Ⅱ 一 小 ，获取阈值速度快 ，具有较 强的实时 陆。
基 金项 目：科技部 国际科技合作基金资助项 目（０９ Ｆ ２７） ２０Ｄ ＡＩ８０
优化 ， 献【 采用克隆选择遗 传算法对 最小 类内方差 算法进 文 ５ 】 行优化 。这些优化算法在一定程度上减少 了计算量 ，取得 了 较好的效果 。但是仍难以满足遥感图像实时处理的需要。 本文在分析最小类内方差算法和 ｋ － 聚类 算法原理 的 均值
ａ ｄ ｔｏ ，ａ ｎ ｗ ａ ｔ ｍｉ ｉ ｕ ｖ ｒａ ｃ ｇ ｒｔ ｍ ａ ｅ ｎ ｔ ｅ ｋ ｍｅ ｎｓ ｏ ｔ ｚ ｔ ｎ ｉ ｐ ｏ ｏ ｅ ．Ｅｘ ｅ ｍｅ ｔ ｌｒ ｓ ｌ ｈ ｗ ａ ｔ ｅ ｅ ｔｖ ｌ ｄ ｉｉ ｎ ｅ ｆ ｓ ｎ ｍ ｍ ａ ｉ ｎ ｅ ａ ｏ ｈ ｂ ｓ ｄ ｏ ｈ － ａ ｐ ｉ ａ ｏ ｓ ｒ ｐ ｓ ｄ ｌ ｉ ｍｉ ｉ ｐｒ ｉ ｎ ａ ｅ ｕ ｔ ｓ ｏ ｔ ｔｉ ｆ ｃ ｅ ｙ ｓ ｈ ｉ
其 中 ，ｋ为聚类数 目；ｍｑ ｌ ， 为每类的均值 ； ｎ 为每 ｊ ＝ ， …， ２ ） 类 中各 个数据对象的数 目。
（） ３根据聚类判别准则函数 Ｉ 更新 聚类 中心 。 ，
ｆ） ４如果相邻 ２次的聚类中心没有任何变化，说明聚类 判
别准则函数 已收敛 ， 停止迭代 ； 否则 ， 回（） 继续计算 。 返 ３，
中 田分类号： Ｐ９・ Ｔ３１ｌ ４
基 于最 小类 内方差优化 算法 的遥感 图像 分割
韩青松 ，贾振红 ，余银蜂 ，杨 杰 庞韶宁 ，
（． 疆大学信息科学与工程学 院，乌鲁木 齐 ８０ ４ ； １新 ３０６
２ ．上海交通大 学图像 处理与模式识别研究所 ，上海 ２ ０ ４ ； ０ ２ ０
２ 判别准则函数等效性证 明 ． ３ 通 过最小类 内方差算法和 ｋ均值聚类算法的基本原理可 一 以知道 ，在通过各 自的判别准则函数寻找最佳阈值和最终聚
类中心时 ，要保证 图像 的整体分割效果最好 ，最佳阈值和最 终聚类中心都对应 目标 函数 的极小值 。因此 ，两者的判别 准 则函数实际上是等效 的。 由式（） １可知 ，最小 类内方差算法 的判别准则函数为 ：