基于布朗曲面模型的图像分形维计算方法

针对差分盒维数DBC(differential box counting)算法中空盒子对计算图像分形维数的影响,分析了DBC算法和其一种改进算法最小盒维数计算方法MBC(minimum box counting)剔除所有空盒子的不足,提出了一种新算法——真实差分盒维数算法ADBC(actual differential box-counting),将差分盒方法中存在的空盒子分为真实空盒子和潜在盒子。在计算盒子数量时,引入图像分形布朗曲面模型,通过模拟图像差分盒子覆盖真实事物(极限分辨率的图像)的情况,结合DBC算法和MBC算法寻找空盒子为潜在盒子的期望,用期望的形式最大程度求出基于图像和分形布朗模型的精确盒子数。实验结果表明,该方法使分形维数计算精度得到了明显提高。

基于GLCM特征的改进FCM的SAR图像分割方法

为了克服了较大窗口提取图像边缘处特征值的不足,提出一种基于GLCM特征矩阵的动态滑动窗口算法。针对模糊C均值算法中,聚类中心不容易确定,聚类容易陷入局部最优解的问题,将粒子群优化算法(PSO)引入到聚类算法中,实现全局搜索。应用改进的模糊C均值算法完成了基于SAR纹理特征的图像分割,克服了传统聚类算法仅依赖灰度值进行分割的局限性,也一定程度上克服了斑噪声对SAR图像分割的影响。实验结果表明,该方法应用于SAR图像分割时,取得了很好的分割效果。