理工酷

基于G-MRF纹理信息的FMC侧扫声纳图像分割算法

一、研究目的

近年来，国内外对侧扫声纳图像分割算法的研究主要集中在对现有算法的改进或结合成熟的算法,现有算法存在两个主要问题，一是运算量很大，不能投入到实际应用；二是不考虑像素间关系的分割方法往往对噪声非常敏感。为了解决上述两个问题，研究了一种自动选择最优聚类中心并利用G-MRF纹理信息改进FMC算法。

二、 研究方法

本文提出了一种用于侧扫声纳图像分割的改进的FMC(模糊C均值聚类)算法。

由于侧扫声纳图像具有低对比度、低分辨率和高噪声的特点，结合图像纹理特征和原始图像来计算像素点距离聚类中心的距离。

首先，我们利用G-MRF（高斯马尔科夫随机场模型）来提取图像的纹理特征。然后重新定义FMC算法的聚类标准来完成对声纳图像的分割。最后给出了该算法和传统算法的实验结果，并总结了改算法的优点。

三、研究结论

本文提出了一种针对侧扫声纳图像分割的新的FMC算法。在相同条件下，对相同的声纳图像给出了FMC算法和GMRF-FMC算法的聚类结果，进行比较。最后的得出了相对FMC算法，GMRF-FMC算法并能够保持更多的目标的边缘信息。并具有良好的抗噪性的结论。

四、目录

第一章介绍标准FMC算法及初始聚类中心的设定。 第二章介绍G-MRF纹理模型，并提取纹理参数。 第三章利用G-MRF纹理建立新的FMC聚类准则。 第四章对比的实验结果。 第五章文章的结论。

来源https://github.com/yajunyang/ImgP