一种基于分解进化多目标优化和fcm的sar图像分割方法
【专利摘要】本发明公开了一种基于分解进化多目标优化和FCM的SAR图像分割方法，主要解决现有图像分割技术中图像分割精度不高、评价指标单一、分割效果不理想的问题。本发明提取图像每个像素的Gabor特征和灰度共生特征并利用分水岭粗分割得到超像素，将超像素特征作为待聚类数据，把聚类中心作为种群个体，利用分解进化多目标的方法优化种群，将进化之后的种群作为聚类中心来初始化FCM算法，得到新的聚类中心，将此聚类中心作为新的种群参与分解进化多目标算法的下一次进化。该方法交叉运用了分解进化多目标算法和FCM算法来得到较好的聚类中心，克服了FCM初始值敏感和容易陷入局部最优解的缺陷，能得到较好的图像分割结果。
【专利说明】—种基于分解进化多目标优化和FCM的SAR图像分割方法
【技术领域】
[0001]本发明属于智能图像处理领域，涉及到遥感图像分割技术，具体是一种基于分解进化多目标优化和FCM的SAR图像分割方法，用于对光学遥感图像和合成孔径雷达(SAR)图像的分割以达到目标识别的目的，可用于遥感测绘、导弹末制导、海洋资源监测、军事侦察、地矿物资源勘探、城市规划、抗震救灾等多个领域。
【背景技术】
[0002]随着计算机视觉理论的兴起，对图像的分割已成为图像理解领域关注的一个热点，图像分割作为前沿学科充满了挑战，吸引了众多的学者从事这一领域研究。图像分割就是根据图像的特征，把图像分割成若干特定的，独特性质的区域并提取出感兴趣的目标的技术和过程。它的应用非常广泛，几乎出现在有关图像处理的所有领域。
[0003]图像分割方法按照采用的优化目标函数的个数可以分为利用单一目标函数的单目标优化算法和利用多目标同时优化的多目标优化算法，在实际应用中，如果知道关于问题的明确求解目标，可以采用单目标优化算法，但是，实际图像的像素分布往往比较难以估计和建模，较为理想的方式就是从多个方向同时搜索，这就启发研究者们采用更为宽泛的多目标优化算法来提高求解问题的综合性能。所以，多目标优化问题在实际中的应用越来越受到人们的重视，将多目标优化算法用于图像分割领域逐渐成为学者们研究的一个热点。
[0004]近几年出现了一些应用多目标方法实现的图像分割技术，多个互斥并同时互补的目标相结合，利用更多的图像信息来达到更好的分割结果和分割精度，例如“基于免疫多目标聚类的图像分割算法”，该算法是一种基于免疫多目标聚类的图像分割算法，提出了一种加入局部搜索极值的免疫方法，并对克隆种群规模进行自适应化然后将其用于图像分割，虽然该方法在区域一致性和边缘保持方面有一定的优势，但是存在的不足是，由于采用了过多的进化技术，增加了整个分割过程的计算复杂度，使得分割速度较慢，同时，该方法选用的两个目标函数不恰当，一个目标函数包含另一个目标函数，这样就不能体现多目标算法的优势之处，所以导致分割结果并不理想。
【发明内容】
[0005]本发明的目的是:针对上述的单目标优化问题评价指标单一导致图像信息利用较少和一些多目标优化算法在计算复杂度高，图像细节保持性能不好等不足，提出了一种基于分解进化多目标优化和FCM的SAR图像分割方法。本发明中提取融合特征作为带聚类数据，能达到较好的性能互补的特征提取能力，更好的保持图像细节；选取两个互补的目标函数，就能从多个方向同时搜索优化，使得算法可以在更为宽广的区域搜索，避免算法陷入局部最优解，改善现有的方法中目标函数单一的缺点；并充分利用了 FCM算法快速收敛的特性，减少了算法的时间复杂度。
[0006]本发明的技术方案是:一种基于分解进化多目标优化和FCM的SAR图像分割方法，其特征在于:包括以下步骤:
[0007]步骤1:输入待分割遥感图像；
[0008]步骤2:提取待分割图像特征:利用Gabor滤波器提取图像的Gabor特征向量，利用灰度共生矩阵方法提取图像的灰度共生特征向量，并将这两个特征向量级联作为待分割图像的每一个像素点的特征向量；
[0009]步骤3:产生待聚类数据features:用分水岭算法对待分割图像进行分水岭粗分割，得原图的超像素；对每一个超像素所包含的所有像素点特征取平均值，来代表初始聚类数据的每一个超像素的特征向量，用所有超像素的特征向量的集合作为待聚类数据features, features的大小是NfX fl,其中Nf表示粗分割之后的超像素的个数,fI表示每一个超像素的特征向量的维数；
[0010]步骤4:利用待聚类数据初始化大小为N的初始种群X= {Xl, X2,…，xN}，每个个体Xn都代表一个聚类中心，同时也代表了一个分割结果，n=l, 2，…，N, N为初始种群大小；
[0011]步骤5:分别根据指标XB和Jm计算每个个体的目标函数值Fn:把根据指标XB得出的值作为目标函数值Fn的第一个目标值，把根据指标Jm得出的值作为目标函数值Fn的第二个目标值:
[0012]Fn=[Fl,F2] = [XB, Jm]
[0013]步骤6:初始化理想点t ；
[0014]其中<是第I个目标函数XB到目前为止找到的最小值，Z;是第2个目标函数Jm到目前为止找到的最小值；
[0015]步骤7:将多目标问题？(1)=111；[11$1(1)，？2(1))用切比雪夫分解方法分解成N个子问题，具体的每一个子问题的目标函数如下:
[0016]minimize g'HxW ,ζ*) = ην?χ{λ./.(χ)-ζ?}
[0017]其中，是当前的参考点，即每一个目标当前的最优值组成的向量，本发明中m的值是2 ；表示第j个子问题的目标函数；Y=(W.)是第j个子
问题的权值；V= +，^=—x表示一个种群个体，f (X)表示第j个
子问题的个体对应的第i个目标函数的值，本发明中i的值等于m的值，取值为2 ；
[0018]步骤8:根据每一个子问题的权值λ U十算每一个子问题的s_n个邻
居子问题Nbor (j) = (Nt)Orj1, Nborj2,..., NborJs n), Nborji表示第j个子问题的第i个邻居子问题的索引，所以Nborji的取值是整数；取s_n=10 ；i=l, 2，…，s_n ；
[0019]步骤9:将每一个子问题)的个体Pj(t)初始化为X」，Xj e X，其中t为迭代次数，t=0 ;并计算个体Pj (t)对应的目标函数值Ftj ；
[0020]步骤10:对每一个子问题对应的个体匕⑴进行进化操作得到临时个体 Pj(t+Ι)"
[0021]10.1在第j个子问题的s_n个邻居子问题Nbor (j)中随机选择3个邻居子问题S，k，I，对第s，k, I个邻居子问题的个体Ps (t)，Pk (t)，P1⑴进行模拟二进交叉操作，得到一个新的临时子代个体h(t+iv ；
[0022]10.2对临时个体h(t+l)'进行多项式变异操作，得到个体h(t+l)"；
[0023]步骤11:对得到的个体h(t+l)"用FCM算法进行一次迭代操作得到新的个体Pj (t+1)；
[0024]步骤12:计算新的临时个体Pj(t+1)的两个目标函数值newFj,并根据newFj更新理想点t ;通过新的临时个体Pj (t+Ι)和其目标值IiewFj来更新第j个子问题的所有s_n个邻居子问题Nbor(j)分别对应的个体以及每个个体对应的目标函数值；
[0025]步骤13:判断当前迭代次数t是否满足t〈Tmax，如满足，则执行步骤13 ;否则，令迭代次数t加一次t=t+l，返回步骤11，其中Tmax为最大迭代次数，取Tmax=20 ；
[0026]步骤14:从种群中选择合适的个体作为聚类中心:将每一个子问题的
父代个体P」(t)取出，把每一个个体作为将要聚类的超像素的聚类中心，把这些聚类中心作为最终的输出解集；并根据第三方指标PBM从最终的输出解集中选择一个个体作为聚类中心；
[0027]步骤15:得到每个像素的类别号:计算每个像素的特征向量与从步骤15中得到的聚类中心的欧式距离，把 该像素归到距离它的欧氏距离最小的聚类中心的类别中，得到每一个像素的类别；
[0028]步骤16:输出分割图像。
[0029]上述步骤2中所述的提取待分割图像特征的过程包括如下:
[0030]2.1利用Gabor滤波器提取图像的中低频纹理特征向量的过程包括有:两维的Gabor核函数可以定义为:
【权利要求】
1.一种基于分解进化多目标优化和FCM的SAR图像分割方法，其特征在于:包括以下步骤: 步骤1:输入待分割遥感图像； 步骤2:提取待分割图像特征:利用Gabor滤波器提取图像的Gabor特征向量，利用灰度共生矩阵方法提取图像的灰度共生特征向量，并将两种特征向量级联之后的特征向量作为待分割图像的每一个像素点的特征向量； 步骤3:产生待聚类数据features:用分水岭算法对待分割图像进行分水岭粗分割，得原图的超像素；对每一个超像素所包含的所有像素点特征取平均值，来代表初始聚类数据的每一个超像素的特征向量，用所有超像素的特征向量的集合作为待聚类数据features，features的大小是NfXf 1，其中Nf表示粗分割之后的超像素的个数，fl表示每一个超像素的特征向量的维数； 步骤4:利用待聚类数据初始化大小为N的初始种群X= Ix1, X2,…，，每个个体Xn都代表一个聚类中心，同时也代表了一个分割结果，n=l, 2，…，N, N为初始种群大小； 步骤5:分别根据指标XB和Jm计算每个个体的目标函数值Fn:把根据指标XB得出的值作为目标函数值Fn的第一个目标值，把根据指标Jm得出的值作为目标函数值Fn的第二个目标值:
2.根据权利要求1所述的一种基于分解进化多目标优化和FCM的SAR图像分割方法，其特征在于:步骤2中所述的提取待分割图像特征的过程包括如下: . 2.1利用Gabor滤波器提取图像的中低频纹理特征向量的过程包括有:两维的Gabor核函数可以定义为:
3.根据权利要求1所述的一种基于分解进化多目标优化和FCM的SAR图像分割方法，其特征在于:步骤5所述计算每个个体的目标函数值的计算过程包括有: . 5.1分别根据XB指标和Jm指标得到的目标函数值Fl和F2的公式如下:
4.根据权利要求1所述的一种基于分解进化多目标优化和FCM的SAR图像分割方法，其特征在于:步骤11中对得到的个体h(t+l)"用FCM算法进行一次迭代操作得到新的个体h(t+l)所述的含义如下: . 11.1把个体Pj(t+1)"作为聚类中心C，根据这个聚类中心c到待聚类数据features的欧氏距离得到该聚类中心的模糊隶属矩阵uu，Uij的计算如下:
5.根据权利要求1所述的一种基于分解进化多目标优化和FCM的SAR图像分割方法，其特征在于:步骤12理想点t的更新过程和更新邻居子问题的父代个体及其对应的目标值的过程包括如下: .12.1理想点t的更新过程包括有:如果狀v%,< Zf，Z；=ncwFn.，否则不变；如果Hen-Fj, < Z:，Z2 = newFr，否则不变； . 12.2更新邻居子问题的所有个体及其对应的目标值的过程包括有:对于新的临时个体Pj (t+Ι)的每一个邻居子问题,Nborji e Nbor (j), i=l, 2，…，s_n,其中s_n是邻居子问题的个数，如果对于所有的Nborjl都有g!L,', (P,(t+ DI严,^)< g'L,、(P, (O I严"，ζ.>，则用新的临时个体h(t+l)替代第j个子问题的第i个邻居子问题对应的个体匕W,,(O，并用IiewFj替代第j个子问题的第i个邻居子问题对应的目标函数值(O;否则，不变。
6.根据权利要求1所述的一种基于分解进化多目标优化和FCM的SAR图像分割方法，其特征在于:步骤14所述的根据第三方指标PBM选择产生最优分割结果的过程如下: . 14.1首先得到每个聚类中心的根据第三方指标PBM得到的值:
【文档编号】G06K9/46GK103839261SQ201410055002
【公开日】2014年6月4日 申请日期:2014年2月18日 优先权日:2014年2月18日
【发明者】戚玉涛, 刘芳, 杨鸽, 李玲玲, 焦李成, 郝红侠, 李婉, 尚荣华, 马晶晶, 马文萍 申请人:西安电子科技大学