基于多閾值和自適應模糊聚類的紅外圖像分割方法與流程

本發明屬于圖像信息處理領域，涉及紅外圖像分割方法，可應用于紅外目標探測和跟蹤系統。

背景技術：
圖像分割，是指將一幅圖像分解成各個有意義的部分或物體，它是計算機視覺領域和圖像信息處理領域中最底層的處理技術。圖像分割在圖像分析和模式識別方面起著重要的作用，是圖像目標特征提取、識別、跟蹤及分類的基礎。其中，紅外圖像分割在目標對象自動識別中起著的特殊作用。近年來，中外學者在紅外圖像分割的技術探索方面做出了很多貢獻，并提出了許多方法，如邊緣檢測法、閾值分割法、區域生長法等。其中，閾值分割法因其實現簡單、計算量小、自適應性強、性能較穩定且不許需要先驗知識而成為圖像分割中最基本和應用最為廣泛的分割技術。1975年Otsu在一篇關于灰度直方圖的閾值選擇技術的文章中提出了最為經典、應用最為廣泛的最大類間方差法。1980年Pun將信息論中熵是平均信息的一種標準這一理論首先引入到圖像分割技術中來，將后驗熵最大的灰度值作為最佳閾值。但上述兩種方法均是二元分類方法，1989年Lim和Lee在一篇基于閾值和模糊C均值技術的彩色圖像分割算法的文章中提出了通過求導的方式直接對高斯平滑后的灰度統計直方圖求峰谷值，并由對應的波谷值位置作為分割圖像的多個閾值，實現了多元分類。傳統的多閾值算法分割圖像的實現過程為：首先，計算輸入圖像的灰度統計直方圖；其次，選擇合適的高斯平滑因子對灰度統計直方圖曲線進行平滑，以濾除灰度統計直方圖中的無意義波峰；最后，計算平滑后灰度統計直方圖的波谷位置，并將其作為分割圖像的多個閾值，完成圖像的分割。由于傳統的多閾值分割方法不需要任何先驗知識，完全靠空間中的樣本點進行驅動，并且處理速度快，因此該方法被廣泛地應用到圖像的分割領域中。但是，研究人員發現由于多閾值算法本身的特性，使得該算法存在嚴重的偽峰干擾，從而使得用多閾值方法對圖像進行分割時無法將目標和背景很好地分割開，造成分割結果不準確。李建萍等人在論文“一種復雜背景下的目標分割算法”(《彈箭與制導學報》，文章編號：1673-9728(2010)04-0197-04)中提出了一種基于多閾值的復雜背景下的目標分割算法。該算法的實現過程為：首先對復雜背景下的圖像進行灰度形態學濾波和增強，增強目標和背景的灰度對比度；然后利用圖像直方圖獨立峰搜索方法確定圖像閾值，并通過引入獨立峰的峰谷比、峰面積、峰寬三個特征量對圖像閾值進行優化，從而實現對圖像的分割。該方法的不足之處在于，雖然引入了獨立峰的判斷準則，能濾除一定的偽峰干擾，但其特征量的選取無法自適應得到，不利于實時處理。南京理工大學王瓊等人申請的專利“基于灰度直方圖的多閾值分割法”(專利申請號：CN201210257574.8，公開號：CN103578095A)公開了一種基于灰度直方圖的多閾值分割方法。該方法的實現過程為：首先根據類間方差最大法，找到圖像的第一個閾值，然后以二分法為基礎，對分割的圖像的兩部分分別求其類間的最大方差，再把兩方差進行比較，找到最大的方差對應的閾值作為下一次分割的閾值點，以此類推，直至找到給定的閾值數為止；然后，根據平滑后的直方圖，找到所有的波谷點；最后，把得到的所有閾值與波谷點進行比較，找到最靠近閾值的波谷點作為最終的閾值。該方法的不足之處在于，雖然以類間方差最大的思想尋找圖像的最優閾值，改善了錯分割或過分割的現象，但是該算法是以局部最優思想為基礎的，沒有考慮到圖像的全局信息，且閾值數目得預先設定，在保證了算法運算效率的情況下，無法保證算法的實時性和分割結果的準確性。

技術實現要素：
本發明方法的目的在于針對上述已有技術的不足，提出一種基于多閾值和自適應模糊聚類的紅外圖像分割方法，以在保證分割效率的同時提高分割的準確性。實現本發明目的的技術方案是：利用引入控制因子的多閾值方法對待分割紅外圖像進行粗分割并形態學處理；隨機選取模糊聚類的聚類中心并利用自適應函數確定聚類數目，對圖像進行模糊聚類，實現對紅外圖像的最終分割，其具體步驟包括如下：(1)輸入原始紅外圖像I，計算其所有像素點數Co；(2)利用原始紅外圖像I的一維灰度統計直方圖函數H(l)，計算其灰度級H；(3)對原始紅外圖像I進行粗分割：3a)對一維灰度統計直方圖函數H(l)進行平滑處理，得到平滑后的灰度統計直方圖函數H1(l)，并求取H1(l)的差分D；3b)尋找統計直方圖函數H1(l)的谷值點，即差分D由負到正的過零點位置，并將所有的谷值點連接起來，按從小到大排序，得到大小為1×p的谷值點矩陣M，其中p為谷值點個數；3c)確定閾值點和閾值矩陣Th：3c1)在多閾值算法中引入峰面積控制因子ψ和峰寬控制因子μ，通過峰面積控制因子ψ和峰寬控制因子μ分別計算得到灰度統計直方圖H1(l)中的相鄰谷值點的最小峰面積MA和最小峰寬MW；3c2)根據谷值點矩陣M計算相鄰谷值點之間灰度統計直方圖之和CT(n)及相鄰谷值點的距離WT(n)，其中n＝1,2,...,p-1；3c3)判斷CT(n)＞MA且WT(n)＞MW是否滿足，若滿足，則將前一個谷值點標記為閾值點；若不滿足，則合并兩個谷值點，即用前一個谷值點代替后一個谷值點，直至所有的谷值點全部標記完畢，得到閾值矩陣Th；3d)對原始紅外圖像I中的像素點進行遍歷，將像素點灰度值在閾值矩陣Th中相鄰值域之間的像素點合并成一類，標記每一個像素點的類別，并分別計算總類別數q、每一類的像素點總個數Nt以及每一類的像素點的灰度值總和St，其中t＝1,2,...,q；3e)計算合并后每個類別中的全部像素點的值域均值并用gt代替原像素點的值，得到粗分割后圖像Imt；(4)對粗分割后圖像Imt進行形態學平滑處理，得到平滑后圖像Ims及其像素點的值為gj，其中j＝1,2,...,Co；(5)對平滑后圖像Ims進行模糊聚類細分割：5a)設定迭代停止條件ε，其中0＜ε＜1，聚類數目的初始值c＝2，自適應函數初始值L(1)＝0，迭代次數的初始值k＝0，模糊加權指數m＝2；5b)隨機初始化聚類中心矩陣其中i＝1,2,...,c；5c)求取平滑后圖像Ims中第j個像素點與第i個聚類中心的第k次迭代的距離并計算第k次迭代的隸屬度矩陣U(k)和第k次迭代后的聚類中心矩陣V(k+1)；5d)對V(k)和V(k+1)進行比較，如果||V(k+1)-V(k)||＜ε，則迭代停止，執行步驟5e)，否則令k＝k+1，返回步驟5c)；5e)計算聚類數目為c時的自適應函數L(c)，當2＜c＜q時，若存在滿足L(c-1)＞L(c-2)且L(c-1)＞L(c)的點，則取聚類數目c＝c-1時的聚類結果作為圖像細分割的結果，否則令c＝c+1，返回步驟5b)；當c＞q時，則取聚類數目時的聚類結果作為圖像細分割的結果，得到最終的分割結果圖像。本發明與現有技術相比具有如下優點：第一、本發明利用引入控制因子的多閾值方法對紅外圖像進行粗分割后，采用模糊聚類方法對粗分割后的圖像進行細分割，有效地改善了多閾值方法中的偽峰干擾現象，克服了單一使用多閾值方法對紅外圖像進行分割時分割結果不理想的問題。第二、本發明對粗分割后的圖像進行細分割時采用的改進的模糊聚類方法能自適應獲得待分割圖像的聚類數目，有效地避免了傳統模糊聚類方法需要對聚類結果的有效性進行驗證，從而使得本發明在提高了圖像分割準確度的同時，保證了圖像分割的實時性。附圖說明圖1為本發明的實現流程圖；圖2為用本發明對射擊人紅外圖像的分割結果圖；圖3為用本發明對叢林人紅外圖像的分割結果圖；圖4為用本發明對持槍人紅外圖像的分割結果圖；圖5為用本發明對樹林單人紅外圖像的分割結果圖；以下結合附圖對本發明具體實施方式和效果做進一步詳細描述。具體實施方式參照圖1，本實例的實施步驟如下：步驟1.輸入原始紅外圖像I，并計算其所有像素點數Co。1a)統計原始紅外圖像I的行數作為其長度L，其列數作為其寬度W；1b)計算原始紅外圖像I的所有像素點數Co＝L*W。步驟2.利用原始紅外圖像I的一維灰度統計直方圖函數H(l)，計算其灰度級H。將原始紅外圖像I從像素空間映射到其灰度直方圖特征空間得到其一維灰度統計直方圖函數H(l)，并將該直方圖函數H(l)的橫坐標長度作為其灰度級H。步驟3.對原始紅外圖像I進行粗分割。3a)使用Witkin的高斯卷積平滑運算對一維灰度統計直方圖函數H(l)進行平滑處理，得到平滑后的灰度統計直方圖函數其中，l為原始紅外圖像I中像素點映射到灰度統計直方圖特征空間的灰度值，τ為高斯平滑濾波器的標準差；3b)求取直方圖函數H1(l)的差分D：D＝[H1(2)-H1(1)H1(3)-H1(2)…H1(H)-H1(H-1)]，并尋找直方圖函數H1(l)的谷值點，即差分D由負到正的過零點位置，將所有的谷值點連接起來，按從小到大排序，得到大小為1×p的谷值點矩陣M，其中p為谷值點個數；3c)確定閾值點和閾值矩陣Th；3c1)統計相鄰谷值點間灰度統計直方圖之和CT(n)，計算相鄰谷值點的距離WT(n)＝M(n+1)-M(n)，其中n＝1,2,...,p-1；3c2)計算灰度統計直方圖函數H1(l)中相鄰谷值點的最小峰面積MA＝ψ*Co和最小峰寬MW＝μ*H，其中，ψ為峰面積控制因子，μ為峰寬控制因子；3c3)判斷是否滿足CT(n)＞MA且WT(n)＞MW這兩個條件，若滿足，則將前一個谷值點標記為閾值點；若不滿足，則合并兩個谷值點，即用前一個谷值點代替后一個谷值點，直至所有的谷值點全部標記完畢，得到閾值矩陣Th；3d)對原始紅外圖像I中的像素點進行遍歷，將像素點灰度值在閾值矩陣Th中相鄰值域之間的像素點合并成一類，標記每一個像素點的類別，并分別計算總類別數q、每一類的像素點總個數Nt以及每一類的像素點的灰度值總和St，其中t＝1,2,...,q；3e)計算合并后每個類別中的全部像素點的值域均值并用gt代替原像素點的值，得到粗分割后的圖像Imt。步驟4.對粗分割后圖像Imt進行形態學平滑處理。選取半徑為3的圓盤結構元素，先對粗分割后圖像Imt進行閉運算，再進行開運算，得到平滑后圖像Ims及其像素點的值為gj，其中j＝1,2,...,Co。步驟5.設定模糊聚類細分割初始值。5a)設定迭代停止條件ε，其中0＜ε＜1，聚類數目的初始值c＝2，自適應函數的初始值L(1)＝0，迭代次數的初始值k＝0，模糊加權指數m＝2；5b)隨機初始化聚類中心其中i＝1,2,...,c。步驟6.對平滑后圖像Ims進行模糊聚類細分割。6a)計算平滑后圖像Ims中第j個像素點與第i個聚類中心第k次迭代的距離：其中，β表示調節曲線曲率的自由度參數，||·||表示計算歐氏距離；6b)根據第k次迭代的距離計算第k次迭代的隸屬度矩陣U(k)的第i行第j列的元素其中，j'表示平滑后圖像Ims聚類數目中第j'類；6c)根據得到第k次迭代的隸屬度矩陣U(k)：6d)根據計算第k次迭代后的聚類中心矩陣V(k+1)的第i個元素由得到第k次迭代后的聚類中心矩陣6e)對V(k)和V(k+1)進行比較，如果||V(k+1)-V(k)||＜ε，則迭代停止，執行步驟7，否則令k＝k+1，返回步驟6a)。步驟7.計算聚類數目為c時的自適應函數L(c)：其中，表示平滑后圖像Ims中所有像素點的中心向量。步驟8.確定聚類數目c和聚類分割結果，輸出最終的分割結果圖像。當2＜c＜q時，判斷是否存在滿足L(c-1)＞L(c-2)且L(c-1)＞L(c)這兩個條件的點，若存在，則取聚類數目c＝c-1時的聚類結果作為圖像細分割的結果，否則，令c＝c+1，返回步驟5b)；當c＞q時，取聚類數目時的聚類結果作為圖像細分割的結果，得到最終的分割結果圖像。以下通過仿真對本發明的效果做進一步的描述。1.仿真條件：選用射擊人紅外圖像、叢林人紅外圖像、持槍人紅外圖像和樹林單人紅外圖像四組數據進行實驗，實驗在CPU為Core(TM)i3-41303.40GHz、內存為4.00GB的WINDOWS7系統上使用MatlabR2012b進行仿真。實驗中所使用的原始數據如圖2(a)、圖3(a)、圖4(a)和圖5(a)所示，其中圖2(a)所示的射擊人紅外圖像和圖4(a)所示的持槍人紅外圖像來源于TerravicWeapon紅外數據庫；圖3(a)所示的叢林人紅外數據和圖5(a)所示的樹林單人紅外圖像來源于TerravicMotion紅外數據庫。實驗參數的選取：下列所有實驗中，高斯平滑濾波器的標準差τ＝0.5，峰面積控制因子ψ＝0.0001，峰寬控制因子μ＝0.15，自由度參數β＝0.1，模糊聚類迭代停止閾值ε＝0.00001，FCM聚類數目設定與本發明算法自適應得到的聚類數目一致。2.仿真內容：仿真實驗1：分別運用多閾值法、FCM法和本發明方法對射擊人紅外圖像進行分割，實驗結果如圖2所示，其中圖2(a)是原始射擊人紅外圖像、圖2(b)是用多閾值法的分割結果圖像、圖2(c)是用FCM法的分割結果圖像、圖2(d)是用本發明方法的分割結果圖像。仿真實驗2：分別運用多閾值法、FCM法和本發明方法對叢林人紅外圖像進行分割，實驗結果如圖3所示，其中圖3(a)是原始叢林人紅外圖像、圖3(b)是用多閾值法的分割結果圖像、圖3(c)是用FCM法的分割結果圖像、圖3(d)是用本發明方法的分割結果圖像。仿真實驗3：分別運用多閾值法、FCM法和本發明方法對持槍人紅外圖像進行分割，實驗結果如圖4所示，其中圖4(a)是持槍人原始紅外圖像、圖4(b)是用多閾值法的分割結果圖像、圖4(c)是用FCM法的分割結果圖像、圖4(d)是用本發明方法的分割結果圖像。仿真實驗4：分別運用多閾值法、FCM法和本發明方法對樹林單人紅外圖像進行分割，實驗結果如圖5所示，其中圖5(a)是原始樹林單人紅外圖像、圖5(b)是用多閾值法的分割結果圖像、圖5(c)是用FCM法的分割結果圖像、圖5(d)是用本發明方法的分割結果圖像。3.仿真實驗結果分析：從圖2(b)、圖3(b)、圖4(b)、圖5(b)可以看出，采用傳統的多閾值方法對紅外圖像進行分割時，不能將圖像目標正確分割出來，存在嚴重的偽峰干擾，圖像目標會被繼續分割成許多小塊，分割結果不準確；從圖2(c)、圖3(c)、圖4(c)、圖5(c)可以看出，采用FCM法對紅外圖像進行分割時，圖像目標雖然不會被分割成很多小塊，但圖像目標與圖像背景之間的區域連通，產生了明顯的誤分現象；從圖2(d)、圖3(d)、圖4(d)、圖5(d)可以看出，本發明方法能夠較好的去除背景干擾，準確地將圖像目標分割出來，分割出的圖像目標輪廓清晰、目標完整，分割結果無錯分現象。