一種自適應階梯初始化的窄帶Chan-Vese模型水下多目標分割方法
【技術領域】
[0001] 本發明屬于水下聲納圖像處理技術領域，尤其涉及一種能實現聲納圖像水下多目 標分割的，自適應階梯初始化的窄帶Chan-Vese模型水下多目標分割方法。
【背景技術】
[0002] 聲納圖像水下多目標識別技術研究，在民用領域都具有重要的意義和價值，聲納 圖像水下多目標識別技術將是未來船舶與海洋工程所要研究的主要技術之一。但在聲納圖 像水下目標識別之前，必須對聲納圖像進行目標分割和特征提取，聲納圖像水下目標分割 和特征提取是水下目標識別過程中的關鍵步驟。只有正確的分割水下目標，才能使后續正 確的特征提取和識別成為可能。聲納圖像水下目標分割的目的是從復雜背景區域中提取出 目標高亮區和陰影區域，并盡量保留圖像原始邊緣信息。
[0003] 水平集方法以一種隱含的方式來表達輪廓曲線的演化過程，并且提供了穩定的 數值解法，算法簡單、實現速度快、精度相對較高，因此，應用水平集方法進行聲納圖像中 目標高亮區和陰影區的分割具有很好的發展和應用前景。但在傳統的水平集方法中，零 水平集的初始化一般使用符號距離函數（SignedDistanceFunction,SDF)，使用符號 距離函數初始零水平集，首先，需要計算聲納圖像中所有像素點到零水平集閉合曲線的 距離，計算量較大；另外，一般零水平集曲線都為圓形，而分割出的水下目標形狀各異，距 離理想分割結果的零水平集曲線位置相對較遠，因此迭代演化速度非常慢。雖然人為干 預可確定初始化零水平曲線位置，并且選擇恰當，分割的精度相對較高，但如果自適應確 定零水平集曲線，不僅增加難度，而且距離理想分割結果較遠。其參考文獻如：1.Tony F.Chan,Member,LuminitaA.Vese.ActiveContoursWithoutEdges.TRANSACTIONS ONIMAGEPROCESSING,2001, 10(2) :266-277 ；2.TsaiR,OsherS.Levelsetmethods andtheirapplicationsinimagescience.CommunicationsinMathematical Sciences,2003,1 (4):1-20 ；3.EnfangSANG,ZhengyanSHEN,ChangFANetal.Sonar ImageSegmentationBasedonImplicitActiveContours.2009IEEEInternational ConferenceonIntelligentComputingandIntelligentSystems.ShanghaiChina:IEEE ComputerSociety,2009:228-231 ；4.XueJT,GuoY,XingSFetal.Theapplication ofhierarchicalmulti-phaseCVmethodcombinedwithnarrowbandonMRIimage segmentation.2010InternationalConferenceonComputerApplicationandSystem Modeling(ICCASM).ShanghaiChina:IEEEComputerSociety,2010:149-153〇為了 有效避免符號距離函數的弊端，文獻5.LieJ，LysakerM，TaiXC.Abinarylevel setmodelandsomeapplicationstoMumford-Shahimagesegmentation.Image Processing，2006, 15 (5) : 1171-1181提出米用二值初始化（BinaryInitialization Function，BIF)函數代替符號距離函數表示零水平集函數，后續文獻6.GantaR R,ZaheeruddinS，BaddiriNetal.ParticleSwarmOptimizationclusteringbased LevelSetsforimagesegmentation. 2012AnnualIEEEIndiaConference(INDICON).Kochi,Kerala,India:IEEEComputerSociety, 2012:1053-1056 ；7.LiasisG,Stavrou S.Optimizinglevelsetinitializationforsatelliteimagesegmentation. 20th InternationalConferenceonTelecommunications(ICT).CasablancaMorocco:IEEE ComputerSociety, 2013:1-5中也采用這個方法。經過實驗分析，利用二值初始化函數表示 零水平集時，當值選擇的較小時，聲納圖像迭代次數減少，所用時間較少。但是由于水平集 函數的值太小，被能量函數的平滑項影響，造成錯誤的分割結果。當值選擇的較大時，因為 每次迭代變化值是一定的，當變化值小于所選擇的值時，開始幾次演化迭代，聲納圖像分割 幾乎不變化，之后也比較慢，聲納圖像分割精確，但是迭代次數增多，所用時間增加。
【發明內容】
[0004] 本發明的目的是提供一種分割精度高的，自適應階梯初始化的窄帶Chan-Vese模 型水下多目標分割方法。
[0005] -種自適應階梯初始化的窄帶Chan-Vese模型水下多目標分割方法，包括以下步 驟，
[0006] 步驟一：聲納圖像平滑去噪處理后，根據塊方式的k_均值聚類算法完成初始分 害J，初步判斷水下目標的位置；
[0007] 步驟二：確定階梯區域，確定自適應階梯初始化零水平集函數；
[0008] 步驟三：利用Chan-Vese模型窄帶水平集進行聲納圖像分割，完成水下多目標區 域的兩類和三類分割；
[0009] 步驟四：對分割結果進行基于Chan-Vese模型的客觀定量分析。
[0010] 本發明一種自適應階梯初始化的窄帶Chan-Vese模型水下多目標分割方法，還可 以包括：1、步驟二中所述的確定自適應階梯初始化零水平集函數的過程為：
[0011] 對不同目標區域進行膨脹腐蝕操作，膨脹腐蝕算子為
，每次膨脹特定區 域就會向外擴大一圈，區域擴大的部分，就是一個階梯；同理，每次腐蝕特定區域就會向內 縮小一圈，區域縮小的部分，也是一個階梯，
[0012] 根據初始零水平集曲線C，膨脹一次確定新的邊界曲線CpC和(^之間的區域就為 第一級上升階梯，這個區域初始化為1，以此類推，當階梯數為X時，X-1個階梯上升到第X 個階梯區域值為X，曲線cx外部區域初始化為d;同理，確定初始零水平集曲線內部初始化 值，最終確定自適應階梯初始化零水平集函數。
[0013] 2、利用Chan-Vese模型窄帶水平集進行聲納圖像分割的具體過程為：
[0014] 根據自適應階梯零水平集建立窄帶區域，根據迭代方程求水平集函數值，判斷是 否收斂，如果收斂結束迭代，此時得到水下多目標分割結果；否則重新建立窄帶區域；
[0015]Chan-Vese模型兩相窄帶水平集的窄帶函數為：
[0017] r為窄帶區域寬度的一半，（x,y)表示圖像空間上的二維連續坐標；
[0018] Chan-Vese模型四相窄帶水平集的窄帶函數為：
[0020] N(x,y) =Ni(x,y) +N2 (x,y),
[0021] +為邏輯運算或。
[0022] 3、基于Chan-Vese模型兩相的客觀定量評價為：
[0024]
|Ωi|、|Ω21為集合的勢，ΩρΩ2為聲納圖像 Chan-Vese模型兩相分割后的陰影區和背景區，p表示平滑去噪后聲納圖像像素點的灰度 值；
[0025] 基于Chan-Vese模型四相的客觀定量評價為：
[0027]
|Ω」、|Ω2|、|Ω3| 為集合的勢，ΩρΩ2、 Ω3為聲納圖像Chan-Vese模型四相分割后的目標高亮區、陰影區和背景區。
[0028] 4、根據塊方式的k-均值聚類算法完成初始分割具體過程為：
[0029] 選擇mXm的窗口，將聲納圖像分成η個互不重疊的mXm窗口，求出代表每個窗 口的三元樣本，包括均值、標準差、灰度最小值；設置聚類數q，任選q個窗口的三元樣本作 為初始聚類中心，將其他窗口的三元樣本歸類到與它歐氏距離最小的聚類中心所代表的類 上；
[0030] 通過求每個類所有窗口三元樣本的均值，更新聚類中心，并重新聚類，直到聚類中 心不變。有益效果：
[0031] 本發明與現有技術相比的優點在于：a.在傳統的水平集方法中，零水平集的初始 化一般使用符號距離函數，使用符號距離函數初始零水平集，首先，需要計算聲納圖像中所 有像素點到零水平集閉合曲線的距離，計算量較大；另外，一般零水平集曲線都為圓形，而 分割出的水下目標形狀各異，距離理想分割結果的零水平集曲線位置相對較遠，因此迭代 演化速度非常慢。雖然可以人為干預可確定初始化零水平曲線位置，并且選擇恰當，分割的 精度相對較高，但如果自適應確定零水平集曲線，不僅增加難度，而且距離理想分割結果較 遠。為了有效避免符號距離函數的弊端，一些文獻提出采用二值初始化函數代替符號距離 函數表示零水平集函數，經過實驗分析，利用二值初始化函數表示零水平集時，當值選擇的 較小時，聲納圖像迭代次數減少，所用時間較少。但是由于水平集函數的值太小，被能量函 數的平滑項影響，造成錯誤的分割結果。當值選擇的較大時，因為每次迭代變化值是一定 的，當變化值小于所選擇的值時，開始幾次演化迭代，聲納圖像分割幾乎不變化，之后也比 較慢，聲納圖像分割精確，但是迭代次數增多，所用時間增加。而提出的自適應階梯初始化 零水平集函數，首先聲納圖像平滑去噪處理后，根據塊方式的k-均值聚類算法完成初始分 害J，初步判斷水下目標的位置；由于不同目標區域相鄰的邊緣處為初始零水平集位置，通過 對不同目標區域的膨脹腐蝕操作，確定1，2,…，X，-1，-2,…，-X(X為階梯數）