基于改进模糊C均值的海面目标图像分割算法

计算机工程与科学

基于改进模糊C均值的海面目标图像分割算法

任佳1,2，张胜男1，董超2，赵敏钧1

（1.海南大学信息科学技术学院，海南海口 570228；2.国家海洋局南海调查技术中心，广东广州 510310）

收稿日期:2018-05-07 修回日期:2018-07-20 出版日期:2019-05-25 发布日期:2019-05-25
基金资助:
国家国际科技合作专项（2015DFR10510）；国家自然科学基金（61562018）；海南省自然科学基金（519QN180）；国家海洋局南海维权技术与应用重点实验室开放基金（1704）；海口市重点科技计划（2017025，2017041）

A sea-surface target image segmentation algorithm

based on improved fuzzy C-means

REN Jia1,2，ZHANG Shengnan1，DONG Chao2，ZHAO Minjun1

（1.College of Information Science & Technology,Hainan University,Haikou 570228;

2.South China Sea Marine Survey and Technology Center,SOA,Guangzhou 510310,China）

Received:2018-05-07 Revised:2018-07-20 Online:2019-05-25 Published:2019-05-25

摘要/Abstract

摘要：

提出一种图像分割算法，解决水面无人艇在执行目标跟踪与识别任务过程中的图像快速准备分割问题。首先使用均值滤波算法对彩色的海洋背景图像进行滤波，同时利用其非参数性得到图像的聚类中心和类别数，并以此作为初始化参数进行图像的模糊C均值聚类，在此基础上进行大津法Otsu二值化处理实现目标提取。使用BSDS500标准数据集和海洋背景图像对算法的分割效果及效率进行验证，与传统的模糊C均值算法、脉冲耦合神经网络算法、自适应遗传算法以及马尔科夫随机场算法进行对比的结果显示了该算法的有效性。

关键词: 海洋图像, 图像分割, 模糊聚类, 模糊C均值

Abstract:

We propose an image segmentation algorithm to solve the problem of fast image segmentation when surface unmanned vehicles perform target tracking and recognition tasks. Firstly, the algorithm uses the mean filtering algorithm to filter the RGB ocean background image, and uses its nonparametric property to obtain the clustering center of the image and the number of categories, which are used as the initialization parameters to perform fuzzy C-means clustering on the image. On this basis, the image is binarized by the Otsu method to realize target extraction. The BSDS500 standard dataset and marine background images are used to verify itse segmentation effect and efficiency. Comparison with the traditional fuzzy C-means algorithm, pulse coupled neural network algorithm, adaptive genetic algorithm and Markov random field algorithm, proves the effectiveness of the proposed algorithm.

Key words: marine image, image segmentation, fuzzy clustering, fuzzy C-means

任佳1,2，张胜男1，董超2，赵敏钧1. 基于改进模糊C均值的海面目标图像分割算法[J]. 计算机工程与科学.

REN Jia1,2，ZHANG Shengnan1，DONG Chao2，ZHAO Minjun1.

A sea-surface target image segmentation algorithm

based on improved fuzzy C-means

[J]. Computer Engineering & Science.

[1]	张文豪, 瞿绍军. 基于双解码器结构的多尺度注意力特征融合网络的视网膜血管分割#br#[J]. 计算机工程与科学, 2023, 45(12): 2175-2185.
[2]	吴从中, 董浩, 方静. 基于注意力机制的自适应滤波遥感图像分割网络[J]. 计算机工程与科学, 2022, 44(11): 2010-2018.
[3]	仇静博, 燕雪峰, 汪俊, 郭延文, 魏明强, . 基于全卷积神经网络的单幅隧道图像裂纹提取算法[J]. 计算机工程与科学, 2022, 44(05): 845-854.
[4]	刘云, 肖添, 王梓宇. 动态特征选择算法对恶意行为检测的优化研究[J]. 计算机工程与科学, 2022, 44(04): 665-673.
[5]	阎红灿, 王子茹, 李伟芳, 谷建涛. 伴随时间的模糊聚类协同过滤推荐算法[J]. 计算机工程与科学, 2021, 43(11): 2084-2090.
[6]	曾增峰, 环宇翔, 邹卓, 郑立荣. 多尺度深度监督的高度近视萎缩病变分割方法[J]. 计算机工程与科学, 2021, 43(07): 1264-1272.
[7]	蒋芸, 高静, 王发林. SAG-Net：用于联合视盘和视杯分割的新型跳过注意力指导网络[J]. 计算机工程与科学, 2021, 43(07): 1273-1282.
[8]	张俊鹏, 刘辉, 李清荣. 基于FCN-LSTM的工业烟尘图像分割[J]. 计算机工程与科学, 2021, 43(05): 906-916.
[9]	陈爱莲, 丁正龙, 詹曙. 基于对抗学习和多尺度特征融合的前列腺MR图像分割[J]. 计算机工程与科学, 2021, 43(04): 697-703.
[10]	朱倩倩, 车文刚, 苗晗. 数字化藏文古籍中多样性字体的实现方法研究[J]. 计算机工程与科学, 2020, 42(11): 2073-2079.
[11]	赵仁和，王军锋. 自适应尺度的局部强度聚类图像分割模型[J]. 计算机工程与科学, 2020, 42(06): 1043-1048.
[12]	徐秋平. 基于人机交互式图割的目标快速提取[J]. 计算机工程与科学, 2020, 42(02): 299-306.
[13]	王卫民1,符首夫1,顾榕蓉1,王东升1,何林容2,关文斌3. 基于卷积神经网络的虫情图像分割和计数方法[J]. 计算机工程与科学, 2020, 42(01): 110-116.
[14]	邵俊健，王士同. 高维数据的增量式聚类算法的距离度量选择研究[J]. 计算机工程与科学, 2019, 41(02): 214-223.
[15]	汪赫瑜,唐敏影,任建华. 基于二次网格优化的粒子群模糊聚类算法[J]. 计算机工程与科学, 2019, 41(02): 354-362.