本发明属于图像处理技术领域,具体涉及一种声呐图像分割方法。
背景技术:
声呐是认识海洋、探索海洋的重要工具,声呐图像分割是识别海底目标的重要方法,可用于海底地形地貌探测、海底考察、海底管道跟踪与状态检测等领域。目前,声呐图像中的噪声和灰度不均衡问题严重影响了声呐图像分割的效果。因此,找到一种声呐图像分割方法,使其对噪声和灰度不均衡问题具有鲁棒性,是当前声呐图像分割领域要解决的主要问题。
声呐图像通常被分割为目标区域、阴影区域和海底混响区域。现有的无监督的声呐图像分割方法主要有:1999年,mignotte等人提出的基于mrf的方法(m.mignotte,c.collet,p.pérez,p.bouthemy,three-classmarkoviansegmentationofhigh-resolutionsonarimages,computervisionandimageunderstanding76(3)(1999)191–204.)分两步将声呐图像分割为三个区域;2000年,mignotte等人提出分层mrf方法(mignottem,colletc,perezp,etal.sonarimagesegmentationusinganunsupervisedhierarchicalmrfmodel[j].ieeetransactionsonimageprocessingapublicationoftheieeesignalprocessingsociety,2000,9(7):1216-31.)分割出声呐图像中的阴影区域和海底混响区域;2010年,ye等人提出的基于高斯mrf(gaussmrf,gmrf)和水平集模型的方法(x.-f.ye,z.-h.zhang,p.x.liu,h.-l.guan,sonarimagesegmentationbasedongmrfandlevel-setmodels,oceanengineering37(10)(2010)891–901.)分割声呐图像,在这种方法中,gmrf获得的图像特征与水平集方法中的能量方程结合,通过最小化能量方程获得分割结果;2017年,huo等人提出基于非局部降低斑点噪声和主动轮廓模型的声呐图像分割方法(g.huo,s.x.yang,q.li,y.zhou,arobustandfastmethodforsidescansonarimagesegmentationusingnonlocaldespecklingandactivecontourmodel,ieeetransactionsoncybernetics47(4)(2017)855–872.),该方法考虑了声呐图像的噪声和灰度不均匀问题。
技术实现要素:
本发明的目的是为了更好的分割对噪声和灰度不均匀问题有鲁棒性的声呐图像,提供一种基于自适应像素值约束和mrf的声呐图像分割方法。该方法可实现侧扫声呐图像、前视声呐图像的分割,将声呐图像分割为目标区域、阴影区域和海底混响区域。
为了实现本发明的目的,本发明采用的技术方案是:基于自适应像素值约束和mrf的声呐图像分割方法,包括以下步骤:
步骤1:对声呐图像进行中值滤波;
步骤2:使用slic法,将中值滤波后的声呐图像划分为不规则的图像块;
步骤3:mrf分割声呐图像,在mrf循环过程中,每次分割结果都使用slic和自适应像素值约束进行优化;
步骤4:重复步骤3,直到相邻两次分割结果相同或者到达最大迭代次数。
进一步的,所述步骤2的实现过程为:
a.初始化种子点(聚类中心):按照设定的超像素个数,在图像内均匀的分配种子点;假设图片总共有n个像素点,预分割为k个相同尺寸的超像素,那么每个超像素的大小为n/k,则相邻种子点的距离(步长)近似为
b.在种子点的n×n邻域内重新选择种子点;
c.在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心),slic的搜索范围限制为2s×2s;
d.距离度量;包括颜色距离和空间距离,对于每个搜索到的像素点,分别计算它和该种子点的距离,距离计算方法如下:
其中,dc代表颜色距离,ds代表空间距离,ns是类内最大空间距离,定义为
由于每个像素点都会被多个种子点搜索到,所以每个像素点都会有一个与周围种子点的距离,取最小值对应的种子点作为该像素点的聚类中心;
e.迭代优化;
f.增强连通性;新建一张标记表,表内元素均为-1,按照“z”型走向从左到右,从上到下顺序,将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素,遍历过的像素点分配给相应的标签,直到所有点遍历完毕为止。
进一步的,所述步骤3中mrf分割声呐图像的实现过程为:
设o是声呐图像,l是o的初始分割结果,l可以通过k均值聚类分割图像o得到;假设分割的类别为nc且nc=3;l和o的大小为m×n像素;l的取值为{0,1,…,nc-1},其中0表示阴影区域,1表示海底混响区域,2表示目标区域;对于l中的t类(0≤t≤nc-1),在o中找到对应的像素值,表示为ot(0≤t≤nc-1);通过初始分割结果,计算l(i,j)(1≤i≤m,1≤j≤n)等于t的概率p
式(1)中
(l1,l2)表示像素位置;位置(i,j)处的概率p(l(i,j))是1×nc大小的向量;
图像o在位置(i,j)(1≤i≤m,1≤j≤n)处的概率pdf计算如下
其中
计算p(l(i,j),t)和pdf(o(i,j),t)在位置(i,j)处的点乘结果,通过定位点乘结果的最大值,将像素o(i,j)的分类结果更新为l1(i,j),具体实现如下:
更新后,o的分割结果为l1,上标1表示第一次迭代的分割结果。
采用slic的超像素图像块和自适应像素值约束来优化mrf的每次分割结果,具体步骤如下:
a.已知mrf第k次的分割结果lk,slic将图像o划分为w个超像素图像块。
b.对于第i个(1≤i≤w)超像素图像块si,在lk中找到对应的类别标签
c.唯一化
d.计算
e.经过步骤a-d,mrf的第k次分割结果lk更新为
本发明提出的方法,使用slic将声呐图像划分为灰度均衡的超像素图像块,基于自适应像素值约束优化的mrf,可以更好的分割背景区域和海底混响区,对提高声呐图像分割正确率有明显的效果。
附图说明
图1图像灰度矩阵;
图2是图1中值滤波后的结果;
图3(a)是k-means搜索整个图像;
图3(b)是slic搜索局部区域;
图4(a)是声呐图像;
图4(b)slic对(a)声呐图像的聚类结果;
图5是采用不同方法对声呐图像的分割结果对比图。
具体实施方式
为了更好的理解本发明的技术方案,下面结合附图和应用实例对本发明的基于自适应像素值约束和mrf的声呐图像分割方法进一步详细的阐述。
步骤1,对声呐图像进行中值滤波,中值滤波是一种常用的图像滤波方法。这一步的目的是对声呐图像中的斑点噪声进行处理。假设滤波器的大小为3乘3,若原始图像灰度矩阵如图1所示,经过大小为3乘3的中值滤波后,图像的灰度矩阵如图2所示。
具体步骤为:一、对图1红框中的数字按照从小到大的顺利进行排列,结果为[55,56,64,65,67,74,91,92,109];二、排列的结果中,位于中间位置(排在第5位)的数字为67,则中间位置的数字由67替换(原来是74);三、将红色方框向左或者向下依次移动,每次移动一个位置,直到所有的像素都被遍历。
步骤2,使用slic(该方法为作者achanta于2012年提出),将声呐图像划分为不规则的图像块。slic是一种成熟的算法。简单线性迭代聚类方法具体实现的步骤:
a.初始化种子点(聚类中心):按照设定的超像素个数,在图像内均匀的分配种子点。假设图片总共有n个像素点,预分割为k个相同尺寸的超像素,那么每个超像素的大小为n/k,则相邻种子点的距离(步长)近似为
b.在种子点的n×n邻域内重新选择种子点(一般取n=3)。具体方法为:计算该邻域内所有像素点的梯度值,将种子点移到该邻域内梯度最小的地方。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上,以免影响后续聚类效果。
c.在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心)。和标准的k-means在整张图中搜索不同,slic的搜索范围限制为2s×2s,可以加速算法收敛,如图3。在此注意一点:期望的超像素尺寸为s×s,但是搜索的范围是2s×2s。
d.距离度量。包括颜色距离和空间距离。对于每个搜索到的像素点,分别计算它和该种子点的距离。距离计算方法如下:
其中,dc代表颜色距离,ds代表空间距离,ns是类内最大空间距离,定义为
由于每个像素点都会被多个种子点搜索到,所以每个像素点都会有一个与周围种子点的距离,取最小值对应的种子点作为该像素点的聚类中心。
e.迭代优化。理论上上述步骤不断迭代直到误差收敛(可以理解为每个像素点聚类中心不再发生变化为止),实践发现10次迭代对绝大部分图片都可以得到较理想效果,所以一般迭代次数取10。
f.增强连通性。经过上述迭代优化可能出现以下瑕疵:出现多连通情况、超像素尺寸过小,单个超像素被切割成多个不连续超像素等,这些情况可以通过增强连通性解决。主要思路是:新建一张标记表,表内元素均为-1,按照“z”型走向(从左到右,从上到下顺序)将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素,遍历过的像素点分配给相应的标签,直到所有点遍历完毕为止。
slic的聚类结果如图4所示。图4(a)中声呐图像的大小为419×317,k=3000。图4(b)为聚类结果,图中的白色网格线为每个聚类块的边界。
步骤3,mrf分割声呐图像,在mrf循环过程中,每次分割结果都使用slic和自适应像素值约束进行优化,具体过程如下:
设o是声呐图像,l是o的初始分割结果。l可以通过k均值聚类分割图像o得到。假设分割的类别为nc且nc=3。l和o的大小为m×n像素。l的取值为{0,1,…,nc-1},其中0表示阴影区域,1表示海底混响区域,2表示目标区域。对于l中的t类(0≤t≤nc-1),在o中找到对应的像素值,表示为ot(0≤t≤nc-1)。通过初始分割结果,计算l(i,j)(1≤i≤m,1≤j≤n)等于t的概率p
式(1)中
(l1,l2)表示像素位置。位置(i,j)处的概率p(l(i,j))是1×nc大小的向量。
图像o在位置(i,j)(1≤i≤m,1≤j≤n)处的概率pdf计算如下
其中
计算p(l(i,j),t)和pdf(o(i,j),t)在位置(i,j)处的点乘结果,通过定位点乘结果的最大值,将像素o(i,j)的分类结果更新为l1(i,j),具体实现如下:
更新后,o的分割结果为l1。上标1表示第一次迭代的分割结果。
一般情况下,mrf将重复上述过程,并将l1作为第二次迭代的初始分割结果。而本发明中,slic的超像素图像块和自适应像素值约束将用来优化mrf的每次分割结果。本发明关键步骤如下:
a.已知mrf第k次的分割结果lk,slic将图像o划分为w个超像素图像块。
b.对于第i个(1≤i≤w)超像素图像块si,在lk中找到对应的类别标签
c.唯一化
d.计算
e.经过步骤a-d,mrf的第k次分割结果lk更新为
重复步骤3,直到相邻两次分割结果相同或者到达最大迭代次数。
应用实例:
将声呐图像分割为目标区域(在分割结果中用白色表示)、海底混响区域(在分割结果中用灰色表示)、阴影区域(在分割结果中用黑色表示)的应用实例。图5的第一列是10幅声呐图像;图5的第二列是专家手工分割结果(分割标签);图5的第三列为mrf的分割结果;图5的第四列为本发明方法的分割结果。以专家手工分割结果为基准,与mrf分割结果相比,本发明方法的分割结果更准确,特别是对存在灰度不均匀问题的声呐图像。表1为本发明提出的分割方法与mrf的正确率对比,正确率的计算方式为:(正确分类的像素数÷所有被分类的像素数)×100%。由表1可知,本发明的方法正确率较高。
表1比较mrf与本发明分割结果的正确率
综上所述,本发明给出了针对声呐图像分割中的一个重要难题——灰度不均匀问题的有效解决策略。首先,使用slic把声呐图像划分为超像素图像块,假设这些图像块是灰度均衡的,而且其中的像素都属于同一类;然后,对mrf的每次分割结果,使用上述假设和全局自适应像素强度值约束,优化分割结果。本发明对灰度分布不均匀问题不敏感,对灰度分布不均匀的声呐图像也有较好的分割效果。