✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法  神经网络预测 雷达通信  无线传感器

信号处理 图像处理 路径规划 元胞自动机 无人机  电力系统

⛄ 内容介绍

​合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率相干成像雷达.与红外和可见光遥感技术相比,SAR具有全天时,全天候工作的优点,因此广泛应用于军事和国民经济邻域.SAR图像分割是SAR图像处理的重要环节,是影响SAR自动解译性能的关键技术之一. 模糊c均值(FCM)聚类算法是模糊聚类分析中的经典算法,比较适合处理图像中的不确定性问题,已经广泛应用于图像分割中.

⛄ 部分代码

clear;

clc;

close all;

addpath('./utils');

addpath('./liblinear');

% im1   = imread('./pic/san_1.bmp');

% im2   = imread('./pic/san_2.bmp');

% im_gt = imread('./pic/san_gt.bmp');

% im1   = imread('./pic/bern_1.bmp');

% im2   = imread('./pic/bern_2.bmp');

% im_gt = imread('./pic/bern_gt.bmp');

% fprintf(' ... ... read image file finished !!! !!!\n\n');

% im1   = imread('./pic/san_1.bmp');

% im2   = imread('./pic/san_2.bmp');

% im_gt = imread('./pic/san_gt.bmp');

% im1   = imread('E:\图像处理文件\变化检测3\daima文献\GaoFeng\SAR_Change_Detection_CWNN-master\pic\Sulzberger1_1.bmp');

% im2   = imread('E:\图像处理文件\变化检测3\daima文献\GaoFeng\SAR_Change_Detection_CWNN-master\pic\Sulzberger1_2.bmp');

% im_gt = imread('E:\图像处理文件\变化检测3\daima文献\GaoFeng\SAR_Change_Detection_CWNN-master\pic\Sulzberger1_gt.bmp');

% im1   = imread('.\Ottawa-SAR\im1.bmp');

% im2   = imread('.\Ottawa-SAR\im2.bmp');

%

% im_gt = imread('.\Ottawa-SAR\im3.bmp');

% im1   = imread('.\Yellow River I-SAR\im1.bmp');

% im2   = imread('.\Yellow River I-SAR\im2.bmp');

% im_gt = imread('.\Yellow River I-SAR\rf.bmp');

im1   = imread('data\im1.bmp');

im2   = imread('data\im2.bmp');

 %291*306

im_gt = imread('data\rf.bmp');

%%去噪

% im1=YZmedian(im1,20,9);%阈值分解中值滤波 im1=YZmedian(im1,1.6,9)

% figure,imshow(im1);

% title('时相1滤波后');

% im2=YZmedian(im2,20,9);%阈值分解中值滤波

% figure,imshow(im2);

% title('时相2滤波后');

im1  = double(im1(:,:,1));  

im2  = double(im2(:,:,1)); 

im_gt = double(im_gt(:,:,1));

% im1   = double(im1);  

% im2   = double(im2); 

% im_gt = double(im_gt(:,:,1));

% % 求差分图像，得到差分图像后进行了滤波预处理 

% fprintf('... ... compute the difference image ... ...\n');

im_di = di_gen(im1, im2);%对数比值法 

% im_di = getPCAFusion(im1,im2);

% figure,imshow(im_di);

%邻域比值法

% k_n=3;

% im_di = nr(im1, im2, k_n);

% im_di = max(im_di(:))-im_di;

% im_di = nr_enhance( im_di );

% % figure,imshow(im_di);

% im_di=load('DI_fusion.mat');

% im_di=struct2array(load('DI_fusion.mat'));

% setting of variables

% 这些参数来自 GaborTLC 的一些默认参数

PatSize =9;

% HW =18;% 10 15

HW = 21;

GaborH = HW;

GaborW = HW;

sigma =1.9*pi;%5.2  3.2 3.1

Kmax =1.9*pi;%5.2-1.8

f = sqrt(2);

flag = 1;

scale = 5;

orientation = 8;

% sigma = 2.8*pi;

% Kmax = 2.0*pi;

% f = sqrt(2);

% flag = 1;

% scale = 5;

% orientation = 8;

V = 0:1:(scale-1);

U = 0:1:(orientation-1);

% [Ylen,Xlen] = size(im_di); %%%%%%

[Ylen,Xlen] = size(im_di);

% the total number of pixels for the difference image

pixel_sum = Ylen*Xlen;

% the total number of self-similar Gabor filters

subgraph_sum = scale*orientation;

% Initialization

GaImout_MAGNITUDE = cell(scale,orientation);          % magnitude

% Step 2): Feature extraction==============================================

% Gabor wavelet transform

for s = 1:scale,

    for n = 1:orientation,

        GaImout_MAGNITUDE{s,n} = zeros(Ylen,Xlen);

        [Gr,Gi] = GaborKernelWave(GaborH, GaborW, U(n), V(s), Kmax, f, sigma, orientation, flag);

        % Gr: The real part of the Gabor kernels

        % Gi: The imaginary part of the Gabor kernels

        Regabout = conv2(im_di,double(Gr),'same');%im_di与double(Gr) 卷积， same：返回与 A 大小相同的卷积的中心部分

        Imgabout = conv2(im_di,double(Gi),'same');

%         Regabout = conv2(im_di,double(Gr),'same'); %im_di与double(Gr) 卷积， same：返回与 A 大小相同的卷积的中心部分

%         Imgabout = conv2(im_di,double(Gi),'same');

        % Magnitude 大小

        GaImout_MAGNITUDE{s,n} = sqrt(Imgabout.*Imgabout + Regabout.*Regabout);    

    end;

end;

clear GaborH GaborW sigma;

clear Gi Gr HW Kmax;

clear Imgabout Regabout;

clear U V f flag;

% acquire the feature vector of each pixel for the difference image

% 1): all amplitudes at different scales and orientations​

% 获取差分图像每个像素的特征向量% 1) : 不同尺度和方向的所有幅度

pixel_vector_1 = zeros(pixel_sum,subgraph_sum);

k = 1;

for s = 1:scale

    for n = 1:orientation

        temp_gaimout_1 = zeros(Ylen,Xlen);

        temp_gaimout_1 = GaImout_MAGNITUDE{s,n};

        pixel_vector_1(:,k) = reshape(temp_gaimout_1',pixel_sum,1);

        k = k + 1;

    end

end

clear k n s GaImout_MAGNITUDE subgraph_sum;

% 2): maximum amplitudes for all orientations at different scales

% 不同尺度上所有方向的最大振幅

pixel_vectorr_2 = zeros(pixel_sum,scale);

for s = 1:scale

    temp_gaimout_2 = zeros(pixel_sum,orientation);

    temp_gaimout_2 = pixel_vector_1(:,(s-1)*orientation+1:s*orientation);

    pixel_vector_2(:,s) = max(temp_gaimout_2,[],2);

end

% % Gabor1=GaborM(im1);

% % Gabor2=GaborM(im2);

clear scale temp_gaimout_1 temp_gaimout_2 pixel_vector_1;

clear s pixel_sum orientation;

% 求差分图像，得到差分图像后进行了滤波预处理 

fprintf('... ... compute the difference image ... ...\n');

% pixel_vector_2=GaborM(im_di1);

% Step 3): Hierarchical clustering==========================

fprintf('... ... hclustering begin ... ...\n');

im_lab = HClustering(pixel_vector_2, im_di);

figure,imshow(im_lab);

⛄ 运行结果

⛄ 参考文献

[1]武斌. 模糊聚类在遥感图像分割中的应用研究[D]. 安徽农业大学.

[1]汪柯陆. 基于模糊c均值聚类的SAR图像分割算法研究. Diss. 西安电子科技大学.

⛄ Matlab代码关注

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料