利用倒数灰度熵和改进Chan-Vese模型进行SAR河流图像分割  被引量:18

SAR River Image Segmentation Based on Reciprocal Gray Entropy and Improved Chan-Vese Model

在线阅读下载全文

作  者:吴诗婳[1] 吴一全[1,2,3,4,5] 周建江[1] 孟天亮[1] 

机构地区:[1]南京航空航天大学电子信息工程学院,江苏南京201116 [2]长江水利委员会长江科学院武汉市智慧流域工程技术研究中心,湖北武汉430010 [3]黄河水利委员会黄河水利科学研究院水利部黄河泥沙重点实验室,河南郑州450003 [4]南京水利科学研究院港口航道泥沙工程交通行业重点实验室,江苏南京210024 [5]哈尔滨工业大学城市水资源与水环境国家重点实验室,黑龙江哈尔滨150090

出  处:《测绘学报》2015年第11期1255-1262,共8页Acta Geodaetica et Cartographica Sinica

基  金:国家自然科学基金(60872065);长江科学院开放基金(CKWV2013225/KY);水利部黄河泥沙重点实验室开放基金(2014006);港口航道泥沙工程交通行业重点实验室开放基金;城市水资源与水环境国家重点实验室开放基金(LYPK201304);中央高校基本科研业务费专项资金;江苏省普通高校研究生科研创新计划(SJLX15_0116);江苏高校优势学科建设工程~~

摘  要:为了进一步提高合成孔径雷达(SAR)图像中河流分割的精度和速度,提出了一种基于人工蜂群优化的倒数灰度熵多阈值选取与改进Chan-Vese(CV)模型相结合的分割方法。考虑SAR图像中河流目标和背景类内灰度的均匀性,提出了基于蜂群优化的倒数灰度熵多阈值选取方法,以此对河流图像进行粗分割;针对基本CV模型收敛速度低、对初始条件敏感的问题,利用图像边缘强度取代Dirac函数,将粗分割结果作为改进CV模型的初始条件,对河流图像进行细分割。大量试验结果表明,所提出的分割方法无须设置初始条件,运行速度快,分割精度高。To further improve the accuracy and speed of river segmentation on synthetic aperture radar (SAR)images,a segmentation method is proposed,which is based on improved Chan-Vese (CV)model combining with reciprocal gray entropy multi-threshold selection optimized by artificial bee colony algorithm.Considering the uniformity of the gray level within river object cluster and background cluster,a coarse river image segmentation is made by using the multi-threshold selection algorithm based on reciprocal gray entropy and artificial bee colony optimization;Contrapose the low convergence speed and the sensitivity to initial conditions of basic CV model,the Di rac function is replaced with the image edge intensity and the coarse segmentation results serve as the initial condition of improved CV model which is uti l ized to make a fine segmentation for the river image.A large number of experimental results show that, the proposed segmentation method needs not set initial conditions and has high running speed as wel l as segmentation accuracy.

关 键 词:河流检测 合成孔径雷达图像分割 多阈值选取 倒数灰度熵 人工蜂群优化 CHAN-VESE模型 

分 类 号:P237[天文地球—摄影测量与遥感]

 

参考文献:

正在载入数据...

 

二级参考文献:

正在载入数据...

 

耦合文献:

正在载入数据...

 

引证文献:

正在载入数据...

 

二级引证文献:

正在载入数据...

 

同被引文献:

正在载入数据...

 

相关期刊文献:

正在载入数据...

相关的主题
相关的作者对象
相关的机构对象