-
公开(公告)号：CN102360497A
公开(公告)日：2012-02-22
申请号：CN201110319066.3
申请日：2011-10-19
申请人： 西安电子科技大学
IPC分类号： G06T5/00
摘要： 本发明公开了一种并行免疫克隆聚类的SAR图像分割技术方法，主要解决现有聚类技术在解决大规模SAR图像分割时速度慢、分割效果不理想问题。其实现过程是：1)对待分割的SAR图像提取特征得到输入数据样本；2)配置MATLAB并行计算环境；3)在并行计算环境中将数据样本向各个处理器进行并行任务划分；4)对各个处理器上的分块数据免疫克隆优化并迁移，得到聚类中心和相应聚类标签；5)将聚类标签与SAR图像像素点一一对应，得到分割结果。本发明能够有效克服现有聚类技术在运算量和存储空间上的瓶颈问题，对大规模SAR图像分割效果显著，适用于SAR图像目标检测和目标识别。
-
公开(公告)号：CN101763514B
公开(公告)日：2012-03-28
申请号：CN201010013722.2
申请日：2010-01-15
申请人： 西安电子科技大学
IPC分类号： G06K9/62
CPC分类号： G06K9/6224 , G06K9/342
摘要： 本发明公开了一种基于特征重要度排序谱聚类的图像分割方法，主要解决现有谱聚类方法复杂度高和稳定性差的问题。其实现过程是：(1)对待分割图像提取灰度值特征，灰度共生特征或小波特征；(2)对特征数据进行归一化处理；(3)根据归一化后的特征数据，计算所有样本的重要度；(4)对所有样本的重要度进行排序，并选择重要度高的100个样本作为采样的样本子集；(5)根据方法，用选出的样本子集求解所有样本谱映射后的特征向量空间，并取前给定的类别数k个特征值对应的特征向量进行降维；(6)对降维后的数据进行k-means聚类，输出最终的图象分割结果。本发明与现有的谱聚类方法相比，结果稳定，复杂度低，图像分割结果有明显提高，可用于目标检测和目标识别。
-
公开(公告)号：CN101699514B
公开(公告)日：2011-09-21
申请号：CN200910218655.5
申请日：2009-10-30
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于免疫克隆量子聚类的SAR图像分割方法，它涉及图像处理技术领域，主要解决已有量子聚类技术在大规模数据集上应用的局限性问题。其实现过程是：1)对待分割的SAR图像提取特征；2)进行抗体种群初始化和抗体编码；3)根据量子力学特性计算抗体亲合度，并划分抗体种群为精英种群和普通种群；4)对精英种群和普通种群分别设计不同的免疫克隆优化操作算子，依次进行克隆操作、基于正态云模型的自适应变异操作、均匀超变异操作、克隆选择操作和超立方体交叉操作；5)输出SAR图像分割结果。本发明迭代优化速度快、稳定性高，能够有效地对包含大规模数据量的SAR图像进行分割，适用于SAR图像目标检测和目标识别。
-
公开(公告)号：CN101763514A
公开(公告)日：2010-06-30
申请号：CN201010013722.2
申请日：2010-01-15
申请人： 西安电子科技大学
IPC分类号： G06K9/62
CPC分类号： G06K9/6224 , G06K9/342
摘要： 本发明公开了一种基于特征重要度排序谱聚类的图像分割方法，主要解决现有谱聚类方法复杂度高和稳定性差的问题。其实现过程是：(1)对待分割图像提取灰度值特征，灰度共生特征或小波特征；(2)对特征数据进行归一化处理；(3)根据归一化后的特征数据，计算所有样本的重要度；(4)对所有样本的重要度进行排序，并选择重要度高的100个样本作为采样的样本子集；(5)根据方法，用选出的样本子集求解所有样本谱映射后的特征向量空间，并取前给定的类别数k个特征值对应的特征向量进行降维；(6)对降维后的数据进行k-means聚类，输出最终的图象分割结果。本发明与现有的谱聚类方法相比，结果稳定，复杂度低，图像分割结果有明显提高，可用于目标检测和目标识别。
-
公开(公告)号：CN101699515A
公开(公告)日：2010-04-28
申请号：CN200910218657.4
申请日：2009-10-30
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于多精英免疫量子聚类的医学影像分割系统及分割方法，它涉及图像处理技术领域。整个系统包括：预处理模块、数据准备模块、数据聚类模块和分割结果输出模块，通过这些模块进行医学影像分割的过程包括：1)对待分割的医学影像进行预处理；2)进行抗体编码和抗体种群初始化；3)计算抗体亲合度，并划分抗体种群为精英子种群和普通子种群；4)对精英子种群和普通子种群分别设计不同的多精英免疫优化操作算子，依次进行克隆操作、云变异操作、全干扰重组操作、选择操作和超立方体交叉操作；5)输出医学影像分割结果。本发明能够有效地对包含大规模数据量的医学影像进行分割，分割结果准确且精细，可用于医学影像辅助诊断和研究发病机理。
-
公开(公告)号：CN102360497B
公开(公告)日：2013-06-12
申请号：CN201110319066.3
申请日：2011-10-19
申请人： 西安电子科技大学
IPC分类号： G06T5/00
摘要： 本发明公开了一种并行免疫克隆聚类的SAR图像分割技术方法，主要解决现有聚类技术在解决大规模SAR图像分割时速度慢、分割效果不理想问题。其实现过程是：1)对待分割的SAR图像提取特征得到输入数据样本；2)配置MATLAB并行计算环境；3)在并行计算环境中将数据样本向各个处理器进行并行任务划分；4)对各个处理器上的分块数据免疫克隆优化并迁移，得到聚类中心和相应聚类标签；5)将聚类标签与SAR图像像素点一一对应，得到分割结果。本发明能够有效克服现有聚类技术在运算量和存储空间上的瓶颈问题，对大规模SAR图像分割效果显著，适用于SAR图像目标检测和目标识别。
-
公开(公告)号：CN101968851B
公开(公告)日：2012-08-08
申请号：CN201010278053.1
申请日：2010-09-09
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于字典学习上采样的医学影像处理方法，它属于图像处理技术领域。其实现过程是：输入原始医学影像；对原始医学影像进行切割与增强处理；对切割与增强处理后的医学影像提取特征；根据提取的特征得到训练样本集和测试样本集；从训练样本中找出弱势样本的边界点；根据边界点邻域的情况得到需要生成新样本的个数；利用稀疏连线取点方法生成所需的新样本；将新样本增加进训练样本集中组成新的训练样本集；对新的训练样本集进行分类诊断，得到分类器；采用分类器，对测试样本集进行诊断，得到最终诊断结果。本发明具有对医学影像诊断识别率高泛化能力强的优点，可用于医务工作者评价疾病预后和治疗效果。
-
公开(公告)号：CN101853491B
公开(公告)日：2012-07-25
申请号：CN201010161497.7
申请日：2010-04-30
申请人： 西安电子科技大学
CPC分类号： G06K9/0063
摘要： 本发明公开了一种基于并行稀疏谱聚类的SAR图像分割方法，它涉及图像处理技术领域，主要解决已有谱聚类技术在解决大规模SAR图像分割应用上的局限性问题。其实现过程是：1)对待分割的SAR图像提取特征；2)配置MATLAB并行计算环境；3)将任务划分到各个处理器节点，计算分块稀疏相似矩阵；4)并行任务调度器收集计算结果并汇聚成完整的稀疏相似矩阵；5)求解拉普拉斯矩阵并进行特征分解；6)对经过归一化后的特征向量矩阵进行K-均值聚类；7)输出SAR图像分割结果。本发明能够有效克服已有谱聚类技术在运算量和存储空间上的瓶颈问题，对大规模SAR图像进行分割效果显著，适用于SAR图像目标检测和目标识别。
-
公开(公告)号：CN101968851A
公开(公告)日：2011-02-09
申请号：CN201010278053.1
申请日：2010-09-09
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于字典学习上采样的医学影像处理方法，它属于图像处理技术领域。其实现过程是：输入原始医学影像；对原始医学影像进行切割与增强处理；对切割与增强处理后的医学影像提取特征；根据提取的特征得到训练样本集和测试样本集；从训练样本中找出弱势样本的边界点；根据边界点邻域的情况得到需要生成新样本的个数；利用稀疏连线取点方法生成所需的新样本；将新样本增加进训练样本集中组成新的训练样本集；对新的训练样本集进行分类诊断，得到分类器；采用分类器，对测试样本集进行诊断，得到最终诊断结果。本发明具有对医学影像诊断识别率高泛化能力强的优点，可用于医务工作者评价疾病预后和治疗效果。
-
公开(公告)号：CN102346851B
公开(公告)日：2013-01-23
申请号：CN201110346346.3
申请日：2011-11-04
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于NJW谱聚类标记的图像分割方法，主要解决谱聚类方法稳定性差的问题。其实现过程是：(1)对待分割图像提取灰度共生特征，并进行归一化处理以去除数据间量级影响；(2)用k-means算法将特征数据聚为m类，并以与聚类中心最近邻的特征数据作为采样点，得采样子集S；(3)利用NJW谱聚类算法，对采样子集S进行聚类，得到采样子集S的标签；(4)对采样子集S进行学习，训练一个支撑矢量机SVM分类器；(5)用所得的SVM分类器对所有特征数据进行测试，得到最终的图像分割结果。本发明与现有的技术相比图像分割结果稳定、准确度高，可用于目标检测和目标识别。
-
-
-
-
-
-
-
-
-
搜索结果
17 条记录 (耗时 0.033 秒)
