于卫星地域遥感图像分割方法研究仿真

发布时间：2018-03-18 04:09

本文选题：脉冲耦合神经网络　切入点：遥感图像分割　出处：《计算机仿真》2017年01期 　论文类型：期刊论文

【摘要】：对卫星地域遥感图像进行准确分割,可提高图像清晰度,保证准确率。由于在采集遥感图像过程中容易受到光照、遮挡、距离等周围环境的影响,使得目标遥感图像特征模糊。传统的图像分割算法,主要通过图像特征进行分割,不能准确地对遮挡物及光照干扰进行去除,导致图像分割不准确的问题。提出改进粒子群优化PSO算法的PCNN遥感图像分割方法。将改进的PSO算法与简化后PCNN模型融合,利用最大类间方差定义适应度函数,为避免出现局部最优解,在每次迭代中,选取适应度较好的粒子同时加入新的粒子,提高粒子多样性,完成模型最优参数的设置和对遥感图像的分割。仿真结果表明,与人工设定PCNN参数方法和未改进的PSO算法相比,结合改进的粒子群优化算法不仅加快了收敛速度和运算速度,而且提高了图像分割准确率。
[Abstract]:The accurate segmentation of satellite remote sensing image can improve the clarity of the image and ensure the accuracy. Because the remote sensing image is easy to be affected by the surrounding environment such as illumination, occlusion, distance and so on in the process of collecting remote sensing image, The traditional image segmentation algorithm, mainly through image feature segmentation, can not accurately remove the occlusion and illumination interference. This paper presents an improved particle swarm optimization (PSO) algorithm for PCNN remote sensing image segmentation, which combines the improved PSO algorithm with the simplified PCNN model, and defines the fitness function by using the maximum inter-class variance. In order to avoid the occurrence of the local optimal solution, in each iteration, new particles with good fitness are selected, which can improve the diversity of the particles, set the optimal parameters of the model and segment the remote sensing image. Compared with the artificial PCNN parameter setting method and the unimproved PSO algorithm, the improved particle swarm optimization algorithm not only speeds up the convergence and operation speed, but also improves the accuracy of image segmentation.
【作者单位】：辽宁工程技术大学电子与信息工程学院;辽宁省数字化矿山装备工程技术研究中心;
【基金】：国家自然科学基金资助项目(61172144) 国家科技支撑计划项目(2013BAH12F02) 辽宁省教育厅科学研究一般项目(L2015225)
【分类号】：TP751

【参考文献】

相关期刊论文前10条

1 苏静;杨武俊;;基于BP神经网络图像分割算法研究[J];工业控制计算机;2015年12期

2 唐昌华;庄庆华;;夜视环境下的雷达遥感图像的小特征分割仿真[J];计算机仿真;2015年12期

3 廖梦怡;刘建芳;;远程卫星遥感图像的三维视觉重建模型仿真[J];计算机仿真;2015年07期

4 张正;李青;;一种改进的脉冲耦合神经网络图像分割方法[J];软件导刊;2015年04期

5 潘改;;改进的PCNN用于遥感图像分割[J];小型微型计算机系统;2015年04期

6 马彩虹;戴芹;刘士彬;;一种融合PSO和Isodata的遥感图像分割新方法[J];武汉大学学报(信息科学版);2012年01期

7 刘瑛;覃锡忠;贾振红;杨杰;庞韶宁;;PCA与PCNN结合的遥感图像分割方法[J];计算机工程与应用;2011年32期

8 许新征;丁世飞;史忠植;贾伟宽;;图像分割的新理论和新方法[J];电子学报;2010年S1期

9 于江波;陈后金;王巍;李居朋;;脉冲耦合神经网络在图像处理中的参数确定[J];电子学报;2008年01期

10 赵峙江;赵春晖;张志宏;;一种新的PCNN模型参数估算方法[J];电子学报;2007年05期

【共引文献】

相关期刊论文前10条

1 彭晏飞;周娟;訾玲玲;;于卫星地域遥感图像分割方法研究仿真[J];计算机仿真;2017年01期

2 陈舒;陈若寒;;肿瘤癌变细胞FISH图像分析系统的研究[J];微型机与应用;2017年01期

3 凌滨;邓艳;于士博;;CUDA并行加速的稀疏PCNN运动目标检测算法[J];计算机工程与设计;2016年12期

4 程亮;;多帧影视图像真实性建模优化研究仿真[J];计算机仿真;2016年12期

5 崔波;王崴;瞿珏;王超;;自适应显示界面的三维交互图像仿真分析[J];计算机仿真;2016年12期

6 王星;宗凯;;基于局部熵的图像分割算法研究与实现[J];电子测量技术;2016年12期

7 汪彦;杨格兰;何建新;;基于改进KFCM聚类的图像分割算法[J];控制工程;2016年11期

8 卜琰;朱世强;王志;郭振民;;基于改进形状上下文特征的工件识别与定位[J];机械工程与自动化;2016年06期

9 赵雪梅;李玉;赵泉华;;参数自适应的可变类FLICM灰度图像分割算法[J];控制与决策;2017年02期

10 董薇;;紫金山地区盗伐立木三维图像特征的远程可视化研究[J];科技通报;2016年10期

【二级参考文献】

相关期刊论文前10条

1 廉文武;;基于中位分割碎片合并的特征挖掘云平台设计[J];科技通报;2014年06期

2 陈爱军;;大幅面卫星遥感图像中桥梁识别算法[J];计算机仿真;2014年06期

3 范乃梅;张娜;;基于参数物理差优化的三维地图重建算法研究[J];科技通报;2013年02期

4 曹建农;;图像分割的熵方法综述[J];模式识别与人工智能;2012年06期

5 刘君;武和雷;;基于MRI数据的真实头有限元模型构造方法[J];南昌航空大学学报(自然科学版);2012年03期

6 殷亮;高昆;白廷柱;;基于改进Otsu法的遥感图像油罐目标分割研究[J];光学技术;2012年02期

7 刘瑛;覃锡忠;贾振红;杨杰;庞韶宁;;PCA与PCNN结合的遥感图像分割方法[J];计算机工程与应用;2011年32期

8 张劲;王胜权;刘小旭;;计算机视觉及其应用[J];科技致富向导;2011年23期

9 周长英;;基于改进的模糊BP神经网络图像分割算法[J];计算机仿真;2011年04期

10 张月琴;胡斌;;基于遗传神经网络的图像分割[J];电脑开发与应用;2011年02期

【相似文献】

相关期刊论文前10条

1 李伟;;遥感图像中的道路提取[J];自动化博览;2006年05期

2 李传龙;李颖;马龙;;一种新的遥感图像海岸线检测方法[J];计算机仿真;2010年08期

3 张学良;肖鹏峰;冯学智;;基于图像内容层次表征的遥感图像分割方法[J];中国图象图形学报;2012年01期

4 秦其明;遥感图像自动解译面临的问题与解决的途径[J];测绘科学;2000年02期

5 陈小琪;现代计算机印前制版技术在遥感图像印制中的应用研究——以《长江经济带可持续发展地图集》为例[J];地球信息科学;2000年02期

6 邓湘金,彭海良;一种基于遥感图像的机场检测方法[J];测试技术学报;2002年02期

7 余杰千,方涛,陈雍业;一种有效的遥感图像无缝分割方法[J];计算机应用;2003年12期

8 吴为禄;遥感图像中的云层消除处理[J];铁路航测;2003年01期

9 于辉,徐军;彩色遥感图像目标提取方法研究[J];遥感技术与应用;2003年06期

10 黄勇杰,王树国,刘俊义,陈东;遥感图像去云算法研究[J];仪器仪表学报;2003年S2期