基于圖劃分粒子群優化的SAR圖像自動分割方法與流程
本發明屬于圖像處理技術領域，特別涉及一種sar圖像自動分割方法，可用于醫學影像、衛星圖像定位、人臉識別、指紋識別及交通控制系統。
背景技術：
隨著科技的不斷進步，圖像處理技術越來越廣泛的應用于我們的生產生活中，而作為圖像處理領域的一個重要的分支，圖像分割技術也越來越受到人們的重視。圖像分割是圖像解譯過程中的一個關鍵步驟，圖像分割技術是指對圖像中有意義的特征部分進行提取的技術。常見的應用如：醫學影像、衛星圖像定位、人臉識別、指紋識別、交通控制系統、機器視覺等都是應用分割技術的例子，可見分割技術與我們的工作和生活息息相關，它能提高我們的工作效率和生活質量，給我們的生活帶來極大地便利。合成孔徑雷達具有高分辨、全候、強透射等特點，sar圖像的獲取比較容易，但是對圖像的解譯卻比較困難；sar圖像分割是圖像解譯的關鍵技術，sar圖像的自動分割對雷達遙感的發展具有重要的意義。
近年來，基于粒子群優化算法的圖像分割方法開始應用于sar圖像的分割，包括人工免疫系統、粒子群優化和多智能體等進化范例，但是由于這種方法對sar圖像所含有的斑點噪聲非常敏感，因此分割的結果并不理想。
技術實現要素：
本發明的目的是針對上述現有技術的不足，提出一種基于圖劃分粒子群優化的sar圖像自動分割方法，以減小sar圖像的斑點噪聲，提高分割的精度和準確率。
本發明的技術思路是：將圖像的灰度直方圖信息特征作為聚類對象，利用圖劃分粒子群優化的方法進行sar圖像的自動分割，其實現步驟包括如下：
(1)輸入原始待分割的圖像i，讀取圖像的灰度梯度信息；
(2)根據實驗選擇最優的數值，包括鄰域窗口半徑ds，搜索窗口半徑ds和高斯平滑參數h，并對待分割圖像i進行非局部均值濾波去燥處理，得到梯度圖像；
(3)對梯度圖像進行初分割，將其劃分成互不重疊n個的區域，n>100；
(4)求出梯度圖像的最大類別數c，將此作為圖像的灰度級；
(5)將分割成的n個區域塊映射為無向加權圖，該無向加權圖的頂點由像素點表示，像素點之間的相似性s(m,n)表示無向加權圖邊的權值：
式中，imy代表像素m的灰度分量，imcb和imcr代表像素的色差分量，當輸入圖像是灰度圖像時只有灰度分量；
(6)構建無向加權圖的能量函數fit(l)：
式中，p為像素點的集合，lp為像素點p所屬類的標號集，np代表p的相鄰像素點的集合；等式右邊第一項是數據項，表征的是像素與其所屬類的符合程度；第二項為約束項，用來估計相鄰的像素屬于不同標號的懲罰值，其值越大表明相鄰像素點越相似；
(7)利用粒子群優化算法對圖像的標號進行最優化求解，得到類別中心和類別數；
(8)判斷迭代次數是否小于20，如果是則重復步驟(7)，繼續更新粒子的位置和速度，否則，迭代結束輸出最優聚類個數和分割后的圖像。
本發明與現有技術相比具有以下優點：
1.本發明采用非局部均值濾波對原始sar圖像進行平滑處理，能較好的保持圖像的邊緣信息，有利于后期的分割；發明采用的是基于圖劃分的機制，能夠實現對圖像的自動分割。
2.本發明由于采用了粒子群優化算法框架，直接對圖像的灰度直方圖進行編碼而不是圖像所有像素點進行編碼，減少了算法的復雜度，加速了種群的更新速度，能得到最佳的收斂類別數。
3.本發明采用的分割算法相比其它分割算法能夠更準確地對sar圖像進行分割，同時對圖像的邊緣保持較好，具有較強的魯棒性。
附圖說明
圖1是本發明的實現流程圖；
圖2是用本發明對四類紋理圖像的預處理結果圖；
圖3是用本發明對八類紋理圖像的預處理結果圖；
圖4是用本發明對四類紋理圖像的分水嶺分割后的結果圖；
圖5是用本發明對八類紋理圖像的分水嶺分割后的結果圖；
圖6用本發明對類別數為4的含噪紋理圖像text1的分割結果圖；
圖7用本發明對類別數為8的含噪紋理圖像text2的分割結果圖；
圖8用本發明對類別數為2的sar1圖像的分割結果圖；
圖9用本發明對類別數為3的sar2的分割結果圖；
圖10用本發明對類別數為4的sar3的分割結果圖。
具體實施方式
下面結合附圖對本發明的實施和效果做進一步詳細說明：
參照圖1，本發明的實施步驟如下：
步驟1.輸入原始待分割圖像i，讀取圖像的灰度梯度信息。
步驟2.根據實驗選擇最優的數值，包括鄰域窗口半徑ds，搜索窗口半徑ds和高斯平滑參數h，并對待分割圖像i進行非局部均值濾波去燥處理，得到梯度圖像。
本步驟的具體實現如下：
2a)本實例設鄰域窗口半徑但不限于ds＝2，搜索窗口半徑ds＝5；
2b)本實例的高斯函數平滑參數取但不限于h＝10，控制著指數函數的衰減程度；
2c)計算原始待分割圖像i中所有像素的加權平均：
nl(i)＝∑j∈iω(i,j)υ(j)
其中i為圖像像素點的灰度級，取值為0～255,υ(j)為離散噪聲圖像；ω(i,j)為權重，其由第i個像素和第j個像素的相似性決定：
其滿足∑jω(i,j)＝1，其中0≤ω(i,j)≤1；
z(i)是歸一化常數，
2d)將i個像素點灰度的加權平均值作為其新的灰度值，得到濾波后的圖像。
步驟3.對梯度圖像進行初分割，將其劃分成互不重疊的n個區域，n>100。
本步驟的具體實現如下：
3a)利用soble算子提取梯度圖像的邊界信息；
3b)獲取所提取圖像的水平和垂直邊界；
3c)對邊界圖像進行形態學運算，包括圖像的膨脹運算和腐蝕運算；
3d)對形態學運算后的圖像進行開運算和閉運算；
3e)對開閉運算后的圖像進行分水嶺變換，得到圖像的分水嶺脊線，輸出初分割后的sar圖像。
步驟4.求出梯度圖像的最大類別數c，將此作為圖像的灰度級。
本步驟的具體實現如下：
4a)根據初分割后的圖像，建立其灰度直方圖；
4b)對灰度直方圖進行局部平滑運算；
4c)求出平滑后直方圖的所有峰值，并計算其斜率均值；
4d)對平滑后直圖像進行開閉運算，并將其開閉運算的結果m與設定的閾值t＝0.01進行比較：若m＜t，則圖像的灰度級c＝c+1；否則重復步驟4b)和4c)。
步驟5.將分割成的區域映射為無向加權圖，以此構建能量函數。
本步驟的具體實現如下：
5a)對所分割成的n個進行區域映射，得到無向加權圖，該無向加權圖的頂點由像素點表示，像素點之間的相似性s(m,n)：
式中，imy代表像素m的灰度分量，imcb和imcr代表像素的色差分量，當輸入圖像是灰度圖像時只有灰度分量；
5b)根據像素點相似性建立能量函數的標號集lp。
5c)設p為像素點的集合，lp為像素點p所屬類的標號集，np為p的相鄰像素點的集合，構建無向加權圖的能量函數fit(l)，：
其中：數據項
步驟6.利用粒子群優化算法對所構建的能量函數進行最優化求解，得到類別中心和類別數。
本步驟的具體實現如下：
6a)初始化粒子群的個體：設粒子數為np，隨機初始化粒子速度v0k和位置x0k，隨機初始化每個粒子的局部最優值pbestk，最大迭代數nc＝20，其中，1＜k＜np；
6b)初始粒子的位置xk和速度vk，將其限定在0～c之間，利用如下公式對粒子的速度vk和位置xk進行更新：
vk+1＝w×vk+c1×r1×(pbestk-xk)+c2×r2×(pbestk-xk)
xk+1＝xk+vk+1，
其中，vk+1為更新后粒子的速度，xk+1為更新后粒子的位置，c1是粒子個體的學習因子，c2粒子群體的學習因子，c1和c2的取值均為1.49，r1與r2是介于0～1之間相互獨立的隨機數，r1≠r2，w為慣性權重；
6c)判斷當前迭代次數nc是否大于20，若是，則輸出最優聚類個數和分割后的圖像，否則，返回步驟6b)。
本發明的效果可以通過如下對紋理圖像和sar圖像的仿真實驗進一步說明：
1、仿真實驗環境
本發明的仿真實驗是在hpcompaqdx7408，
2、仿真內容與結果
仿真一，用本發明在一幅含有斑點噪聲的四類紋理圖像text1進行濾波處理，結果如圖2所示，其中圖2(a)是原始四類紋理圖像，圖2(b)是濾波后的四類紋理圖像。
仿真二，用本發明在一幅含有斑點噪聲的八類紋理圖像text2進行濾波處理，結果如圖3所示，其中圖3(a)是原始八類紋理圖像，圖3(b)是濾波后的八類紋理圖像。
仿真三，用本發明在一幅含有斑點噪聲的四類紋理圖像text1上進行分水嶺變換，結果如圖4所示，圖4(a)是原始四類紋理圖像，圖4(b)是初分割后的四類紋理圖像。
仿真四，用本發明在一幅含有斑點噪聲的八類紋理圖像text2上進行分水嶺變換，結果如圖5所示，圖5(a)是原始八類紋理圖像，圖5(b)是初分割后的八類紋理圖像。
仿真五，用本發明在一幅含有斑點噪聲的四類紋理圖像text1進行實驗測試，分割后的結果如圖6所示。
仿真六，用本發明在一幅含有斑點噪聲的八類紋理圖像text2進行實驗測試，分割后的結果如圖7所示。
從圖6和圖7兩幅紋理圖像的分割結果中可以看出，本發明能夠對含有斑點噪聲的紋理圖像實現比較準確的分割，分割后的類別數符合真實的數目，并且對圖像邊緣保持的比較完好。
仿真七，用本發明對類別數為2的sar1圖像進行實驗測試，最后的分割結果如圖8所示。
仿真八，用本發明對類別數為3的sar2圖像進行實驗測試，最后的分割結果如圖9所示。
仿真九，用本發明對類別數為4的sar3圖像進行實驗測試，最后的分割結果如圖10所示。
從圖8、圖9、圖10這三幅sar圖像的分割結果可以看出，本發明不僅能有效的分割出圖像中的目標和背景，同時也能較好地保持同類目標的區域一致性，對不同目標之間的邊緣區域分割比較接近真實的結果。
- 還沒有人留言評論。精彩留言會獲得點贊！