EnFCM Clustering Segmentation Method for Infrared Image of Electrical Equipments Based on Fusion Reconstruction
-
摘要: 红外图像分割是电气设备红外故障诊断的关键环节，而电气设备的不均匀散热、较低的对比度与多源噪声的干扰，会导致目标区域过分割，严重影响分割精度。对此本文提出一种基于融合重构的EnFCM（Enhanced Fuzzy C-Means）聚类电气设备红外图像分割方法。首先对梯度图像进行自适应形态学重建操作，保证算法对噪声图像的分割能力；其次对图像进行显著性检测，将显著图与梯度图融合得到重构后的图像，凸显故障部位的特征，避免过分割；然后对重构后的图像进行分水岭分割获取超像素图像，最后对超像素图像直方图聚类得到分割结果。对电气设备红外图像的实验结果表明：本文算法在电气设备红外图像上能准确分割出故障区域，获取其位置与轮廓，有效改善了过分割现象，在选取的交并比与DICE系数指标对比中，本文方法对比选取的FRFCM、FCM、SFFCM、FCM_SICM、RSSFCA、AFCF平均提升了81%与79%；同时对噪声有较强的鲁棒性，在选取的分割准确率指标对比中，本文方法对比选取的FRFCM、FCM、SFFCM、FCM_SICM、RSSFCA、AFCF平均提升了73%，取得了较优的分割效果。Abstract: Infrared image segmentation plays a pivotal role in diagnosing faults in electrical equipment using infrared imagery. However, uneven heat dissipation, lower contrast, and interference from multiple sources of noise in electrical equipment can lead to over-segmentation of the target region, seriously affecting segmentation accuracy. In this study, we propose an Enhanced Fuzzy C-Means (EnFCM) clustering method based on fusion reconstruction for infrared image segmentation of electrical equipment. First, the gradient image was subjected to an adaptive morphological reconstruction operation to ensure the segmentation ability of the algorithm on noisy images; second, the image was tested for saliency, and the reconstructed image was obtained by fusing the saliency map with the gradient map to highlight the features of the fault site and avoid over-segmentation; then, watershed segmentation was performed on the reconstructed image to obtain the super-pixel image; finally, the histogram clustering of the super-pixel image was obtained by segmentation. The experimental results on the infrared image of electrical equipment show that the algorithm in this paper can accurately segment the fault area on it, obtain its location and contour, and effectively improve the phenomenon of over-segmentation and in the comparison of the selected intersection and concatenation ratio and DICE coefficient indexes, this paper's method improves 81% and 79% on average compared to selected FRFCM, FCM, SFFCM, FCM_SICM, RSSFCA, and AFCF; meanwhile, it is extremely robust to noise, and in the comparison of selected segmentation accuracy indexes, this paper's method achieves segmentation results that are on average 73% superior compared to selected FRFCM, FCM, SFFCM, FCM_SICM, RSSFCA, and AFCF, thus, superior segmentation results were achieved.
-
0. 引言
随着遥感器技术的进步，空间遥感器相机向着多谱段、大幅宽、实时传输等方向不断发展。获取多个谱段的景物信息对资源普查、矿物勘测、农作物监测等具有极高的应用前景[1]。多光谱遥感相机具有较宽谱段的成像能力，美国于2008年发射Geoeye-1高分辨率卫星，运行于高度681 km，轨道倾角98°的太阳同步轨道。其全色谱段地面像元分辨率为0.41 m，包括4个经典波段（红、绿、蓝和近红外）多光谱的地面像元分辨率为1.65 m[2]。国内于2020年成功发射资源三号03星，运行于轨道高度506 km的太阳同步轨道，地面分辨率下视2.1 m，前后视2.5 m，多光谱5.8 m，覆盖宽度单载荷大于50 km，立体成像大于45 km[3]。
本文所介绍的空间相机运行于近地圆轨道，相比于太阳同步轨道，全寿命周期内β角（轨道面与太阳光矢量之间的夹角）变化很大，在－58.4°~58.4°之间，相机安装于卫星舱体外，造成相机每个面都有可能受照[4]。相机在轨可实现全天时工作，工作期间姿态多变且伴随着大角度的俯仰与侧摆，轨道外热流非常复杂，热流扰动大。相机拥有可见光与红外双成像通道，在外热流变化复杂的空间环境下，相机需要对以下方面开展散热设计：可见光焦面需要在较低的温度水平下工作，以减小暗电流和热噪声对成像质量的影响[5]；低温红外焦面所配备的压缩制冷机功耗大，且工作时间长。为保证其在轨期间正常进行制冷工作，需将其产生的热量快速排散。
为满足该空间相机内热源的散热要求，本文对该相机所受到的外热流进行分析并根据空间环境进行了散热设计。针对热设计开展热仿真计算，验证了相机散热设计的正确性与合理性。
1. 相机结构及外热流分析
1.1 相机概述及散热设计分析
该相机采用同轴三反光学系统，主体构型示意图与主要内热源分布情况见图 1，内热源由可见光组件、红外组件和制冷机组件等组成。
![]()
图 1 相机主要结构及内热源分布示意图Figure 1. Schematic diagram of the main structure of the camera and the distribution of internal heat sources相机内热源中红外组件与制冷机组件需要长期工作。其中制冷机组件包含制冷机热端部分与制冷机压缩机部分，压缩机部分安装在相机本体外，固定在卫星舱板上。相机工作热耗219 W，待机热耗为110 W，温控指标如表 1所示。
表 1 内热源温控指标Table 1. Temperature index of the internal heat source℃ Component Operating temperature Visible components -5~40 Infrared components -25~55 Refrigerator compressor -15~30 refrigerator hot end ≤20 1.2 外热流分析
该相机运行于近地圆轨道，β角在－58.4°~58.4°之间变化。相机在轨运行姿态为：阳照区非工作时段－Z对日，工作期间调整为+Z对地，阴影区长期+Z对地，+Z向为相机光线入射方向的反向，+X向为速度矢量方向，+Y向由右手坐标系确定。其中，在阳照区成像过程中相机入光口方向需要与太阳光矢量方向成最小30°规避角，避免太阳光入射相机入光口影响成像。
根据相机飞行轨道参数分析轨道外热流大小和变化规律，是确定相机散热面方位和定义极端工况的重要输入条件[6]。利用热分析软件计算出相机在冬至时刻运行姿态下随β角变化的平均到达外热流，如图 2所示。
相机+Z面、+X面和－X面平均到达外热流变化趋势相同，都随着β角绝对值增大呈下降的趋势。－Y面平均到达外热流随β角增大呈下降趋势，+Y面外热流变化与－Y面相反，±Y面平均到达外热流以β角0°呈对称趋势，且变化较大。
相机成像过程中，由于规避角影响，使相机±X和±Y面受到太阳直射，相较于正常姿态其外热流会发生较大变化。由于相机在不同方向摆动时，－X面与+X面，－Y面与+Y面到达外热流变化趋势相同，故以单向摆动为例，在极限β角（0°与58.4°）下计算±X与±Y面平均到达外热流，如图 3、图 4。
±Y面在β角为58.4°时受阳光直射时间长，平均到达外热流大，相较于β角为0°下的±X面，热环境恶劣，不利于内热源的散热设计。而±X面虽然均会受到阳光直射，但在相机在轨运行中存在单一侧面长时间背阳的情况，相较于±Y面，到达外热流小，使内热源散热压力较小。根据相机结构布局与到达外热流情况，将相机散热面设置在±X侧。
2. 相机散热设计
针对以上相机情况，结合相机所处空间环境与内热源特性，总结以下散热设计难点：
相机所处空间环境外热流变化复杂。在相机处于工作姿态时，除入光口外相机各面均会受到阳光直射。由于相机在轨期间姿态多变，使其受到的外热流变化复杂。
相机具有可见光与红外双成像通道，结构复杂，制冷机压缩机部分位于相机本体外，内热源位置分散。部分内热源在轨期间处于长期工作状态，发热量大，且相机所处空间环境复杂，不利于大功率热源散热。
针对以上相机散热设计的难点，同时兼顾相机内热源的热排散与热补偿，采用被动热控和主动热控相结合的热设计方案。
2.1 散热系统设计
为保证相机内热源产生的热量有效排散，需要对其进行被动热控设计。由于无法在相机本体上开设散热面，热设计中额外设置了辐射冷板进行散热。辐射冷板表面喷涂KS-ZA白漆来增大散热效果，内热源通过槽道热管将热量传导至辐射冷板，并最终辐射至外部空间。冷板与卫星舱体通过聚酰亚胺隔热垫与钛合金螺钉进行隔热安装，冷板与热管，热管与热管工装面之间填充导热填料，增大热量传导效率[6]。
相机各部分内热源工作模式与工作指标各不相同，需要设置多个辐射冷板进行散热设计。可见光组件热耗65 W，红外组件总热耗24 W，二者温度指标相近，且可见光组件单轨工作60 s，散热压力较小，使用一块辐射冷板对可见光组件与红外组件同时散热。可见光组件通过两根热管与辐射冷板相连，三部分红外组件各通过一根热管与辐射冷板相连，辐射冷板设置在相机－X侧。制冷机压缩机部分长期工作，其待机功耗为38.5 W，成像工作时功耗为45.5 W。使用一块辐射冷板对压缩机散热，压缩机通过一根热管与辐射冷板相连，辐射冷板设置在相机+X侧。制冷机热端部分是相机内部最大热源，其待机功耗为71.5 W，成像工作时功耗为84.5 W。由于制冷机热端长期工作，且功耗大，而相机在成像过程中±X面均有可能受到太阳直射，单一辐射冷板不利于热量排散，并且由于单侧设置辐射冷板受到的外热流大，使辐射冷板面积过大，不利于相机的结构设计。采用双辐射冷板耦合散热的方案，可以利用成像过程中相机一侧背阳，到达外热流较小的辐射冷板提升制冷机热端的散热效率，同时减小了辐射冷板面积，有利于相机的结构设计。辐射冷板耦合设计如图 5所示，制冷机热端通过两根热管将热量分别引至±X侧辐射冷板，两侧的辐射冷板通过一根U型热管连接。
![]()
图 5 制冷机热端散热方案示意图Figure 5. Schematic diagram of the heat dissipation for refrigerator hotend为使短期工作热源与长期工作热源均满足温度指标与合理规划热控资源，需要精确计算辐射冷板面积并代入仿真计算进行校核，最终确定辐射冷板的面积[6]。根据外热流与辐射冷板涂层属性，计算辐射冷板吸收热量Q1为：
$$ Q_1=Q_{\text {内 }}+\alpha \times\left(q_1+q_2\right) \times A+\varepsilon \times q_3 \times A $$ (1) 式中：Q内为内热源功耗；α为辐射冷板太阳吸收率；q1为太阳直射的到达外热流密度；q2为阳光反照的到达外热流密度；ε为辐射冷板表面发射率；q3为地球红外的到达外热流密度；A为辐射冷板面积。
辐射冷板散出的热量Q2为：
$$ Q_2=A \times \varepsilon \times \sigma \times T^4 $$ (2) 式中：σ为斯特藩-玻尔兹曼常数，其值为5.67×10－8 W/(m2·K4)[7]。
当热平衡时，有：
$$ Q_1=Q_2 $$ (3) 通过仿真计算得出，可见光组件与红外组件辐射冷板面积为0.19 m2，制冷机压缩机辐射冷板面积为0.26 m2，制冷机热端辐射冷板两面各0.25 m2，总面积0.5 m2。
2.2 热补偿设计
主动热控是在被动热控的基础上进一步提高并维持内热源温度水平的热设计方法，采用补偿加热的方式控制内热源温度，使其在低温工况下或待机状态下也满足温控指标[8-9]。补偿加热回路采用趋势控温法进行闭环控温，当温度低于温度指标时，回路连接，加热片工作，当温度达到温度指标时，回路断开，加热片停止工作。加热回路设置在各个辐射冷板上，保证内热源温度指标的同时也可以确保热管处于正常工作温区内。加热片使用聚酰亚胺薄膜型加热片，热敏电阻测温，由相机下位机采集控温。
2.3 传热路径
可见光组件内热源包含两部分，其中一部分通过其安装框架将热量传导至电箱基板，通过安装在电箱基板上的热管将热量传导至辐射冷板，最终辐射至外部空间。另一部分通过一个铝扩热板将热量集中传导至电箱外壳，通过热管将热量传导至辐射冷板并辐射至外部空间。红外组件上的发热元件与红外组件电箱外壳直接接触，接触界面填充导热填料增强导热，电箱外壳通过热管将热量传导至辐射冷板，最终将热量辐射至外部空间。制冷机热端产生的热耗直接由安装在其表面的两根热管传导至相机两侧辐射冷板，两侧的辐射冷板同时将热量辐射至外部空间。制冷机压缩机安装在相机本体外，通过铝合金安装架固定在卫星舱板上。压缩机产生的热耗传导至压缩机上压盖，接触面之间填充导热填料增强导热，通过安装在上压盖上的热管传导至辐射冷板，并辐射至外部空间。相机各内热源传热路径如图 6所示，图中点划线为传导导热路径，实线为热管传热，虚线为辐射传热路径。
导热热阻分为材料自身的传导热阻与接触面之间的接触传热热阻，计算公式分别为：
$$ {R_{\text{c}}} = \frac{\delta }{{{A_{\text{c}}} \cdot \lambda }} $$ (4) $$ {R_{{\text{ct}}}} = \frac{1}{{K \cdot {A_{{\text{ct}}}}}} $$ (5) 式中：Rc为材料自身的传导热阻；δ为热量传导方向的长度；Ac为横截面面积；λ为材料导热率；Rct为接触传热热阻；K为接触传热系数；Act为接触面积[10]。
3. 热仿真计算
3.1 建立热仿真模型
根据上述热设计方案，利用有限元软件对相机进行建模，如图 7所示。壳单元划分，单元厚度按照等效厚度计算，采用热耦合的方式对模型简化，共建立了209个热耦合，划分了16437个单元。
3.2 工况
仿真计算中根据卫星太阳位置、β角和散热面涂层表面属性定义高温与低温两个极端工况，如表 2所示。
表 2 相机工况定义Table 2. Definition of camera working conditionsSolar position β Heat sink surface coating surface properties High temperature working condition Winter solstice 0° α/ε=0.23/0.92（End period） Low temperature working condition Summer Solstice 60° α/ε=0.13/0.92（Initial period） 3.3 计算结果
根据工况定义，利用仿真软件计算相机在各工况下的温度结果，单轨结束时热源温度分布云图与热源温度变化曲线如图 8、9所示。
![]()
图 8 高温工况温度分布云图与温度变化曲线Figure 8. High temperature distribution clouds and temperature variation curves![]()
图 9 低温工况温度分布云图与温度变化曲线Figure 9. Low temperature distribution clouds and temperature variation curves从图 8、9可以看出，相机在温度稳定后高温工况下可见光组件温度为－1.1℃~12.9℃，红外组件温度为3℃~10.5℃，制冷机热端温度为－5℃~0.3℃，制冷机压缩机温度为－1℃~21.3℃。相机在低温工况下可见光组件温度为－1.9℃~9℃，红外组件温度为1.7℃~6.7℃，制冷机热端温度为－12℃~－10.8℃，制冷机压缩机温度为－11.3℃~5.4℃。均满足热控指标要求。
4. 结论
本文为解决相机在外热流复杂的空间环境下相机大功率热源的散热问题，通过分析相机各个侧面到达外热流情况与相机内热源工作模式，采用在相机两侧设置辐射冷板的散热方式，并使用热管将两侧辐射冷板耦合的方案，增大热量的排散效率，减小了辐射冷板的面积。最终，通过热仿真计算验证了设计的合理性。仿真结果表面：可见光组件温度为－1.9℃~12.9℃，红外组件温度为1.7℃~10.5℃，制冷机热端温度为－12℃~0.3℃，制冷机压缩机温度为－11.3℃~21.3℃，均满足温控指标要求，解决了复杂外热流下相机大功率热源的散热问题。
-
![]()
图 1 基于融合重构的EnFCM聚类分割方法整体框架
Figure 1. Integral framework of EnFCM cluster segmentation method based on fusion reconstruction
![]()
图 2 自适应形态学重建去噪效果。(a)含噪图像；(b)去噪结果
Figure 2. Adaptive morphological gradient reconstruction denoising effect. (a) noisy image; (b) denoising result
![]()
图 3 自适应形态学重建后梯度图像。(a)原梯度图像；(b)重建后的梯度图像
Figure 3. Gradient image after adaptive morphological reconstruction. (a) Original gradient image; (b) reconstructed gradient image
![]()
图 4 FCM方法分割效果。(a)定子匝间短路；(c)转子断条故障；(b)、(d)分割结果
Figure 4. Segmentation effect of FCM method. (a) Stator turn-to-turn short-circuit fault; (c) fault of the rotor break; (b)(d) segmentation results
![]()
图 5 融入了SR前后的梯度图像。(a)融入SR前的梯度；(b)融入SR后的梯度
Figure 5. Gradient images before and after SR are incorporated. (a) Gradient before integration into SR; (b) gradient after integration into SR
![]()
图 6 定子匝间短路（含噪声）。(a)原图；(b)AFCF；(c)FRFCM；(d)FCM；(e)SFFCM；(f)FCM_SICM；(g)RSSFCA；(h)本文算法
Figure 6. Stator turn-to-turn short-circuit fault (Contains noise). (a) Original iamge; (b) AFCF; (c) FRFCM; (d) FCM; (e) SFFCM; (f) FCM_SICM; (g) RSSFCA; (h) proposed
![]()
图 7 转子断条故障（含噪声）。(a)原图；(b)AFCF；(c)FRFCM；(d)FCM；(e)SFFCM；(f)FCM_SICM；(g)RSSFCA；(h)本文算法
Figure 7. Fault of the rotor break (Contains noise). (a) Original iamge; (b) AFCF; (c) FRFCM; (d) FCM; (e) SFFCM; (f) FCM_SICM; (g) RSSFCA; (h) proposed
![]()
图 8 刀闸故障（含噪声）。(a)原图；(b)AFCF；(c)FRFCM；(d)FCM；(e)SFFCM；(f)FCM_SICM；(g)RSSFCA；(h)本文算法
Figure 8. Breaker failure (Contains noise). (a) Original iamge; (b) AFCF; (c) FRFCM; (d) FCM; (e) SFFCM; (f) FCM_SICM; (g) RSSFCA; (h) proposed
![]()
图 9 线夹故障1（含噪声）。(a)原图；(b)AFCF；(c)FRFCM；(d)FCM；(e)SFFCM；(f)FCM_SICM；(g)RSSFCA；(h)本文算法
Figure 9. Contact terminal failure 1 (Contains noise). (a) Original iamge; (b) AFCF; (c) FRFCM; (d) FCM; (e) SFFCM; (f) FCM_SICM; (g) RSSFCA; (h) proposed
![]()
图 10 线夹故障2（含噪声）。(a)原图；(b)AFCF；(c)FRFCM；(d)FCM；(e)SFFCM；(f)FCM_SICM；(g)RSSFCA；(h)本文算法
Figure 10. Contact terminal failure 2 (Contains noise). (a) Original iamge; (b) AFCF; (c) FRFCM; (d) FCM; (e) SFFCM; (f) FCM_SICM; (g) RSSFCA; (h) proposed
![]()
图 11 电抗器故障（含噪声）。(a)原图；(b)AFCF；(c)FRFCM；(d)FCM；(e)SFFCM；(f)FCM_SICM；(g)RSSFCA；(h)本文算法
Figure 11. Inductor failure (Contains noise). (a) Original iamge; (b) AFCF; (c) FRFCM; (d) FCM; (e) SFFCM; (f) FCM_SICM; (g) RSSFCA; (h) proposed
表 1 不同分割方法的IOU与DICE系数值
Table 1 IOU and DICE coefficient values of different segmentation methods
Experimental results Index Methods FRFCM FCM SFFCM FCM_SICM RSSFCA AFCF Proposed Fig.6 IOU 0.5823 0.3658 0.4897 0.5431 0.3256 0.0827 0.9486 DICE 0.6521 0.4046 0.5215 0.6418 0.3391 0.8517 0.9587 Fig.7 IOU 0.7015 0.8019 0.7259 0.5681 0.4033 0.8002 0.9635 DICE 0.7825 0.8693 0.7652 0.5852 0.4231 0.8213 0.9635 Fig.8 IOU 0.8369 0.3845 0.3652 0.6485 0.4988 0.6378 0.9368 DICE 0.8722 0.4316 0.3596 0.6716 0.5021 0.6521 0.9465 Fig.9 IOU 0.8701 0.5864 0.3142 0.4163 0.4374 0.8115 0.9662 DICE 0.7711 0.6364 0.3212 0.4623 0.4516 0.8311 0.9732 Fig.10 IOU 0.8652 0.4562 0.3021 0.6523 0.6881 0.3225 0.9625 DICE 0.8699 0.4214 0.3124 0.7024 0.6557 0.3314 0.9718 Fig.11 IOU 0.8421 0.3022 0.6625 0.7968 0.3225 0.6337 0.9568 DICE 0.8235 0.3158 0.6538 0.8024 0.3126 0.6118 0.9589 
下载: 导出CSV
表 2 不同方法的分割准确率（SA）值
Table 2 Segmentation accuracy (SA) values of different methods
Experimental results FRFCM FCM SFFCM FCM_SICM RSSFCA AFCF Proposed Fig. 6 0.7654 0.4254 0.6535 0.5674 0.4885 0.8005 0.9654 Fig. 7 0.8243 0.7635 0.7224 0.7423 0.7214 0.7968 0.9824 Fig. 8 0.8535 0.4575 0.4635 0.5663 0.8957 0.5671 0.9633 Fig. 9 0.3525 0.4012 0.8026 0.4685 0.7135 0.8213 0.9736 Fig. 10 0.8221 0.4115 0.4021 0.6587 0.5425 0.5732 0.9689 Fig. 11 0.8365 0.4965 0.4215 0.6652 0.4002 0.5235 0.9775
下载: 导出CSV
-
[1] Kim H J, Lee J H, Baek D H, et al. A study on the thermal performance of batteries using thermal imaging and infrared radiation[J]. Journal of Industrial and Engineering Chemistry, 2017, 45: 360-365. DOI: 10.1016/j.jiec.2016.10.003
[2] 赵庆生, 王雨滢, 王旭平, 等. 基于新型阈值选择方法的变电站红外图像分割[J]. 光学学报, 2019, 39(8): 109-116. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB201908014.htm ZHAO Qingsheng, WANG Yuying, WANG Xuping, et al. Substation infrared image segmentation based on novel threshold selection method[J]. Acta Optica Sinica, 2019, 39(8): 109-116. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB201908014.htm
[3] 黄志鸿, 洪峰, 黄伟. 形状自适应低秩表示的电力设备热故障诊断方法研究[J]. 红外技术, 2022, 44(8): 870-874. http://hwjs.nvir.cn/article/id/8f0f8a69-4b47-46b4-bcdf-ea623287093f HUANG Zhihong, HONG Feng, HUANG Wei. Shape adaptation low rank representation for thermal fault diagnosis of power equipments[J]. Infrared Technology, 2022, 44(8): 870-874. http://hwjs.nvir.cn/article/id/8f0f8a69-4b47-46b4-bcdf-ea623287093f
[4] 朱惠玲, 牛哲文, 黄克灿, 等. 基于单阶段目标检测算法的变电设备红外图像目标识别及定位[J]. 电力自动化设备, 2021, 41(8): 217-224. https://www.cnki.com.cn/Article/CJFDTOTAL-DLZS202108032.htm ZHU Huiling, NIU Zhewen, HUANG Kecan, et al. Identification and location of infrared image for substation equipment based on single-stage object detection algorithm[J]. Electric Power Automation Equipment, 2021, 41(8): 217-224. https://www.cnki.com.cn/Article/CJFDTOTAL-DLZS202108032.htm
[5] 陈达, 何全才, 迪二镇, 等. 自适应权重的偏微分分割模型在变电设备红外图像中的应用[J]. 红外技术, 2022, 44(2): 179-188. http://hwjs.nvir.cn/article/id/24c18eab-82d8-4403-bb0a-891418242d98 CHEN Da, HE Quancai, DI Erzhen, et al. Application of partial differential segmentation model with adaptive weight in infrared image of substation equipment[J]. Infrared Technology, 2022, 44(2): 179-188. http://hwjs.nvir.cn/article/id/24c18eab-82d8-4403-bb0a-891418242d98
[6] 郭锋, 郑雷, 葛黄徐, 等. 基于相似度阈值模糊聚类的红外区域提取方法[J]. 红外技术, 2022, 44(8): 863-869. http://hwjs.nvir.cn/article/id/2db6a354-f9b9-4fd3-9e18-d032468a6ee6 GUO Feng, ZHEN Lei, GE Huangxu, et al. Infrared image segmentation method based on fuzzy clustering with similarity thresholding[J]. Infrared Technology, 2022, 44(8): 863-869. http://hwjs.nvir.cn/article/id/2db6a354-f9b9-4fd3-9e18-d032468a6ee6
[7] 王晓飞, 胡凡奎, 黄硕. 基于分布信息直觉模糊c均值聚类的红外图像分割算法[J]. 通信学报, 2020, 41(5): 120-129. https://www.cnki.com.cn/Article/CJFDTOTAL-TXXB202005013.htm WANG Xiaofei, HU Fankui, HUANG Shuo. Infrared image segmentation algorithm based on distribution information intuitionistic fuzzy c-means clustering[J]. Journal on Communications, 2020, 41(5): 120-129. https://www.cnki.com.cn/Article/CJFDTOTAL-TXXB202005013.htm
[8] 邢致恺, 贾鹤, 宋文龙. 基于莱维飞行樽海鞘群优化算法的多阈值图像分割[J]. 自动化学报, 2021, 47(2): 363-377. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO202102009.htm XING Zhikai, JIA He, SONG Wenlong. Levy flight trajectory-based salpswarm algorithm for multilevel thresholding image segmentation[J]. Acta Automatica Sinica, 2021, 47(2): 363-377. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO202102009.htm
[9] 李云红, 张秋铭, 周小计, 等. 基于形态学及区域合并的分水岭图像分割算法[J]. 计算机工程与应用, 2020, 56(2): 190-195. https://www.cnki.com.cn/Article/CJFDTOTAL-JSGG202002028.htm LI Yunhong, ZHANG Qiuming, ZHOU Xiaoji, et al. Watershed image segmentation algorithm based on morphology and region merging[J]. Computer Engineering and Applications, 2020, 56(2): 190-195. https://www.cnki.com.cn/Article/CJFDTOTAL-JSGG202002028.htm
[10] 周可慧, 廖志伟, 肖异瑶, 等. 基于改进CNN的电力设备红外图像分类模型构建研究[J]. 红外技术, 2019, 41(11): 1033-1038. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201911007.htm ZHOU Kehui, LIAO Zhiwei, XIAO Yiyao, et al. Construction of infrared image classification model for power equipment based on improved CNN[J]. Infrared Technology, 2019, 41(11): 1033-1038. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201911007.htm
[11] Krinidis S, Chatzis V. A Robust fuzzy local information c-means clustering algorithm[J]. IEEE Transactions on Image Processing, 2010, 19(5): 1328-1337. DOI: 10.1109/TIP.2010.2040763
[12] GONG M G, ZHOU Z Q, MA J J. Change detection in synthetic aperture radar images based on image fusion and fuzzy clustering[J]. IEEE Transactions on Image Processing, 2012, 21(4): 2141-2151. DOI: 10.1109/TIP.2011.2170702
[13] 王小鹏, 张永芳, 王伟, 等. 基于自适应滤波的快速广义模糊C均值聚类图像分割[J]. 模式识别与人工智能, 2018, 31(11): 1040-1046. https://www.cnki.com.cn/Article/CJFDTOTAL-MSSB201811011.htm WANG Xiaopeng, ZHANG Yongfang, WANG Wei, et al. Image segmentation using fast generalized fuzzy c-means clustering based on adaptive filtering[J]. Pattern Recognition and Artificial Intelligence, 2018, 31(11): 1040-1046. https://www.cnki.com.cn/Article/CJFDTOTAL-MSSB201811011.htm
[14] 李昌兴, 张晓璐, 雷柳. 基于粒子群优化非局部模糊聚类图像分割算法[J]. 光电子·激光, 2019, 30(7): 759-767. https://www.cnki.com.cn/Article/CJFDTOTAL-GDZJ201907013.htm LI Changxing, ZHANG Xiaolu, LEI Liu. Non-local fuzzy clustering image segmentation algorithm based on particle swarm optimization[J]. Journal of Optoelectronics Laser, 2019, 30(7): 759-767. https://www.cnki.com.cn/Article/CJFDTOTAL-GDZJ201907013.htm
[15] 火忠彩. 基于改进FCM的图像分割算法研究[D]. 兰州: 兰州交通大学, 2019. HUO Zhongcai. Research of Image Segmentation Algorithm Based on Improved FCM[D]. Lanzhou: Lanzhou Jiaotong University, 2019.
[16] WANG Qingsheng, WANG Xiaopeng, FANG Chao, et al. Robust fuzzy c-means clustering algorithm with adaptive spatial & intensity constraint and membership linking for noise image segmentation[J]. Applied Soft Computing, 2020, 92: 106318. DOI: 10.1016/j.asoc.2020.106318
[17] LEI Tao, JIA Xiaohong, ZHANG Yanning, et al. Significantly fast and robust fuzzy c-means clustering algorithm based on morphological reconstruction and membership filtering[J]. IEEE Transactions on Fuzzy Systems, 2018, 26(5): 3027-3041. DOI: 10.1109/TFUZZ.2018.2796074
[18] 刘剑秋, 阮秋琦. 形态学重建滤波器的研究与应用[J]. 通信学报, 2002(1): 116-121. https://www.cnki.com.cn/Article/CJFDTOTAL-TXXB200201016.htm LIU Jianqiu, RUAN Qiuqi. The research and application of morphological filter by reconstruction[J]. Journal on Communications, 2002(1): 116-121. https://www.cnki.com.cn/Article/CJFDTOTAL-TXXB200201016.htm
[19] 袁芊芊, 邓洪敏, 王晓航. 基于超像素快速模糊C均值聚类与支持向量机的柑橘病虫害区域分割[J]. 计算机应用, 2021, 41(2): 563-570. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJY202102039.htm YUAN Qianqian, DENG Hongmin, WANG Xiaohang. Citrus disease and insect pest area segmentation based on superpixel fast fuzzy C -means clustering and support vector machine[J]. Journal of Computer Applications, 2021, 41(2): 563-570. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJY202102039.htm
[20] 刘岳, 王小鹏, 王金全, 等. 基于形态学重建和梯度分层修正的分水岭脑肿瘤分割[J]. 计算机应用研究, 2015, 32(8): 2487-2491. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ201508061.htm LIU Yue, WANG Xiaopeng, WANG Jinquan, et al. Watershed algorithm for brain tumor segmentation based on morphological reconstruction and gradient layered modification[J]. Application Research of Computers, 2015, 32(8): 2487-2491. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ201508061.htm
[21] 王小鹏, 李新娜, 杨文婷. 自适应形态学重建的遥感图像道路提取[J]. 测绘科学, 2022, 47(5): 83-90. https://www.cnki.com.cn/Article/CJFDTOTAL-CHKD202205011.htm WANG Xiaopeng, LI Xinna, YANG Wenting. Road extraction from remote sensing image based on adaptive morphological reconstruction[J]. Science of Surveying and Mapping, 2022, 47(5): 83-90. https://www.cnki.com.cn/Article/CJFDTOTAL-CHKD202205011.htm
[22] LEI Tao, JIA Xiaohong, LIU Tongliang, et al. Adaptive morphological reconstruction for seeded image segmentation[J]. IEEE Transactions on Image Processing: a Publication of the IEEE Signal Processing Society, 2019, 28(11): 5510-5523. DOI: 10.1109/TIP.2019.2920514
[23] 陈霄, 沈洪健, 李菲, 等. 基于谱残差与笔画宽度变换的显著性文本检测方法[J]. 吉林大学学报: 理学版, 2017, 55(6): 1528-1532. https://www.cnki.com.cn/Article/CJFDTOTAL-JLDX201706033.htm CHEN Xiao, SHEN Hongjian, LI Fei, et al. Salient text detection method based on spectral residual and stroke width transform[J]. Journal of Jilin University: Science Edition, 2017, 55(6): 1528-1532. https://www.cnki.com.cn/Article/CJFDTOTAL-JLDX201706033.htm
[24] 沈洪健. 基于农用车辆牌照特征识别系统研究[D]. 长春: 吉林农业大学, 2020. SHEN Hongjian. Research on the Feature Recognition System of Agricultural Vehicle License Plates[D]. Changchun: Jilin Agricultural University, 2020.
[25] 罗其俊, 曹志芬, 牛国臣. 基于加强模糊聚类的航空行李图像超像素分割[J]. 航空学报, 2020, 41(S2): 205-212. https://www.cnki.com.cn/Article/CJFDTOTAL-HKXB2020S2023.htm LUO Qijun, CAO Zhifen, NIU Guochen. Super-pixel segmentation of air baggage image based on enhanced fuzzy clustering[J]. Acta Aeronautica et Astronautica Sinica, 2020, 41(S2): 205-212. https://www.cnki.com.cn/Article/CJFDTOTAL-HKXB2020S2023.htm
[26] 张聪炫, 裴刘继, 陈震, 等. FRFCM聚类与深度优化的RGBD场景流计算[J]. 电子学报, 2020, 48(7): 1380-1386. https://www.cnki.com.cn/Article/CJFDTOTAL-DZXU202007018.htm ZHANG Congxuan, PEI Liuji, CHEN Zhen, et al. RGBD scene flow estimation based on FRFCM clustering and depth optimization[J]. Acta Electronica Sinica, 2020, 48(7): 1380-1386. https://www.cnki.com.cn/Article/CJFDTOTAL-DZXU202007018.htm
[27] JIA Xiaohong, LEI Tao, DU Xiaogang, et al. Robust self-sparse fuzzy clustering for image segmentation[J]. IEEE Access, 2020, 9: 146182-146195. http://www.xueshufan.com/publication/3048714307
[28] LEI Tao, LIU Peng, JIA Xiaohong, et al. Automatic fuzzy clustering framework for image segmentation[J]. IEEE Transactions on Fuzzy Systems, 2020, 9(28) : 2078-2092.
[29] LI Chunming, HUANG Rui, DING Zhaohua, et al. A level set method for image segmentation in the presence of intensity inhomogeneities with application to MRI[J]. IEEE Transactions on Image Processing, 2011, 20(7): 2007-2016.
[30] 宋小鹏, 李国熊, 张权, 等. 结合局部和非局部信息的FCM图像分割算法[J]. 火力与指挥控制, 2020, 45(10): 28-33. https://www.cnki.com.cn/Article/CJFDTOTAL-HLYZ202010006.htm SONG Xiaopeng, LI Guoxiong, ZHANG Quan, et al. An FCM algorithm incorporating with local and non-local information for image segmentation[J]. Fire Control & Command Control, 2020, 45(10): 28-33. https://www.cnki.com.cn/Article/CJFDTOTAL-HLYZ202010006.htm
计量
- 文章访问数: 75
- HTML全文浏览量: 13
- PDF下载量: 17
