基于图划分粒子群优化的SAR图像自动分割方法与流程
本发明属于图像处理技术领域，特别涉及一种sar图像自动分割方法，可用于医学影像、卫星图像定位、人脸识别、指纹识别及交通控制系统。
背景技术：
随着科技的不断进步，图像处理技术越来越广泛的应用于我们的生产生活中，而作为图像处理领域的一个重要的分支，图像分割技术也越来越受到人们的重视。图像分割是图像解译过程中的一个关键步骤，图像分割技术是指对图像中有意义的特征部分进行提取的技术。常见的应用如：医学影像、卫星图像定位、人脸识别、指纹识别、交通控制系统、机器视觉等都是应用分割技术的例子，可见分割技术与我们的工作和生活息息相关，它能提高我们的工作效率和生活质量，给我们的生活带来极大地便利。合成孔径雷达具有高分辨、全候、强透射等特点，sar图像的获取比较容易，但是对图像的解译却比较困难；sar图像分割是图像解译的关键技术，sar图像的自动分割对雷达遥感的发展具有重要的意义。
近年来，基于粒子群优化算法的图像分割方法开始应用于sar图像的分割，包括人工免疫系统、粒子群优化和多智能体等进化范例，但是由于这种方法对sar图像所含有的斑点噪声非常敏感，因此分割的结果并不理想。
技术实现要素：
本发明的目的是针对上述现有技术的不足，提出一种基于图划分粒子群优化的sar图像自动分割方法，以减小sar图像的斑点噪声，提高分割的精度和准确率。
本发明的技术思路是：将图像的灰度直方图信息特征作为聚类对象，利用图划分粒子群优化的方法进行sar图像的自动分割，其实现步骤包括如下：
(1)输入原始待分割的图像i，读取图像的灰度梯度信息；
(2)根据实验选择最优的数值，包括邻域窗口半径ds，搜索窗口半径ds和高斯平滑参数h，并对待分割图像i进行非局部均值滤波去燥处理，得到梯度图像；
(3)对梯度图像进行初分割，将其划分成互不重叠n个的区域，n>100；
(4)求出梯度图像的最大类别数c，将此作为图像的灰度级；
(5)将分割成的n个区域块映射为无向加权图，该无向加权图的顶点由像素点表示，像素点之间的相似性s(m,n)表示无向加权图边的权值：
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，当输入图像是灰度图像时只有灰度分量；
(6)构建无向加权图的能量函数fit(l)：
式中，p为像素点的集合，lp为像素点p所属类的标号集，np代表p的相邻像素点的集合；等式右边第一项是数据项，表征的是像素与其所属类的符合程度；第二项为约束项，用来估计相邻的像素属于不同标号的惩罚值，其值越大表明相邻像素点越相似；
(7)利用粒子群优化算法对图像的标号进行最优化求解，得到类别中心和类别数；
(8)判断迭代次数是否小于20，如果是则重复步骤(7)，继续更新粒子的位置和速度，否则，迭代结束输出最优聚类个数和分割后的图像。
本发明与现有技术相比具有以下优点：
1.本发明采用非局部均值滤波对原始sar图像进行平滑处理，能较好的保持图像的边缘信息，有利于后期的分割；发明采用的是基于图划分的机制，能够实现对图像的自动分割。
2.本发明由于采用了粒子群优化算法框架，直接对图像的灰度直方图进行编码而不是图像所有像素点进行编码，减少了算法的复杂度，加速了种群的更新速度，能得到最佳的收敛类别数。
3.本发明采用的分割算法相比其它分割算法能够更准确地对sar图像进行分割，同时对图像的边缘保持较好，具有较强的鲁棒性。
附图说明
图1是本发明的实现流程图；
图2是用本发明对四类纹理图像的预处理结果图；
图3是用本发明对八类纹理图像的预处理结果图；
图4是用本发明对四类纹理图像的分水岭分割后的结果图；
图5是用本发明对八类纹理图像的分水岭分割后的结果图；
图6用本发明对类别数为4的含噪纹理图像text1的分割结果图；
图7用本发明对类别数为8的含噪纹理图像text2的分割结果图；
图8用本发明对类别数为2的sar1图像的分割结果图；
图9用本发明对类别数为3的sar2的分割结果图；
图10用本发明对类别数为4的sar3的分割结果图。
具体实施方式
下面结合附图对本发明的实施和效果做进一步详细说明：
参照图1，本发明的实施步骤如下：
步骤1.输入原始待分割图像i，读取图像的灰度梯度信息。
步骤2.根据实验选择最优的数值，包括邻域窗口半径ds，搜索窗口半径ds和高斯平滑参数h，并对待分割图像i进行非局部均值滤波去燥处理，得到梯度图像。
本步骤的具体实现如下：
2a)本实例设邻域窗口半径但不限于ds＝2，搜索窗口半径ds＝5；
2b)本实例的高斯函数平滑参数取但不限于h＝10，控制着指数函数的衰减程度；
2c)计算原始待分割图像i中所有像素的加权平均：
nl(i)＝∑j∈iω(i,j)υ(j)
其中i为图像像素点的灰度级，取值为0～255,υ(j)为离散噪声图像；ω(i,j)为权重，其由第i个像素和第j个像素的相似性决定：
其满足∑jω(i,j)＝1，其中0≤ω(i,j)≤1；
z(i)是归一化常数，
2d)将i个像素点灰度的加权平均值作为其新的灰度值，得到滤波后的图像。
步骤3.对梯度图像进行初分割，将其划分成互不重叠的n个区域，n>100。
本步骤的具体实现如下：
3a)利用soble算子提取梯度图像的边界信息；
3b)获取所提取图像的水平和垂直边界；
3c)对边界图像进行形态学运算，包括图像的膨胀运算和腐蚀运算；
3d)对形态学运算后的图像进行开运算和闭运算；
3e)对开闭运算后的图像进行分水岭变换，得到图像的分水岭脊线，输出初分割后的sar图像。
步骤4.求出梯度图像的最大类别数c，将此作为图像的灰度级。
本步骤的具体实现如下：
4a)根据初分割后的图像，建立其灰度直方图；
4b)对灰度直方图进行局部平滑运算；
4c)求出平滑后直方图的所有峰值，并计算其斜率均值；
4d)对平滑后直图像进行开闭运算，并将其开闭运算的结果m与设定的阈值t＝0.01进行比较：若m＜t，则图像的灰度级c＝c+1；否则重复步骤4b)和4c)。
步骤5.将分割成的区域映射为无向加权图，以此构建能量函数。
本步骤的具体实现如下：
5a)对所分割成的n个进行区域映射，得到无向加权图，该无向加权图的顶点由像素点表示，像素点之间的相似性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，当输入图像是灰度图像时只有灰度分量；
5b)根据像素点相似性建立能量函数的标号集lp。
5c)设p为像素点的集合，lp为像素点p所属类的标号集，np为p的相邻像素点的集合，构建无向加权图的能量函数fit(l)，：
其中：数据项
步骤6.利用粒子群优化算法对所构建的能量函数进行最优化求解，得到类别中心和类别数。
本步骤的具体实现如下：
6a)初始化粒子群的个体：设粒子数为np，随机初始化粒子速度v0k和位置x0k，随机初始化每个粒子的局部最优值pbestk，最大迭代数nc＝20，其中，1＜k＜np；
6b)初始粒子的位置xk和速度vk，将其限定在0～c之间，利用如下公式对粒子的速度vk和位置xk进行更新：
vk+1＝w×vk+c1×r1×(pbestk-xk)+c2×r2×(pbestk-xk)
xk+1＝xk+vk+1，
其中，vk+1为更新后粒子的速度，xk+1为更新后粒子的位置，c1是粒子个体的学习因子，c2粒子群体的学习因子，c1和c2的取值均为1.49，r1与r2是介于0～1之间相互独立的随机数，r1≠r2，w为惯性权重；
6c)判断当前迭代次数nc是否大于20，若是，则输出最优聚类个数和分割后的图像，否则，返回步骤6b)。
本发明的效果可以通过如下对纹理图像和sar图像的仿真实验进一步说明：
1、仿真实验环境
本发明的仿真实验是在hpcompaqdx7408，
2、仿真内容与结果
仿真一，用本发明在一幅含有斑点噪声的四类纹理图像text1进行滤波处理，结果如图2所示，其中图2(a)是原始四类纹理图像，图2(b)是滤波后的四类纹理图像。
仿真二，用本发明在一幅含有斑点噪声的八类纹理图像text2进行滤波处理，结果如图3所示，其中图3(a)是原始八类纹理图像，图3(b)是滤波后的八类纹理图像。
仿真三，用本发明在一幅含有斑点噪声的四类纹理图像text1上进行分水岭变换，结果如图4所示，图4(a)是原始四类纹理图像，图4(b)是初分割后的四类纹理图像。
仿真四，用本发明在一幅含有斑点噪声的八类纹理图像text2上进行分水岭变换，结果如图5所示，图5(a)是原始八类纹理图像，图5(b)是初分割后的八类纹理图像。
仿真五，用本发明在一幅含有斑点噪声的四类纹理图像text1进行实验测试，分割后的结果如图6所示。
仿真六，用本发明在一幅含有斑点噪声的八类纹理图像text2进行实验测试，分割后的结果如图7所示。
从图6和图7两幅纹理图像的分割结果中可以看出，本发明能够对含有斑点噪声的纹理图像实现比较准确的分割，分割后的类别数符合真实的数目，并且对图像边缘保持的比较完好。
仿真七，用本发明对类别数为2的sar1图像进行实验测试，最后的分割结果如图8所示。
仿真八，用本发明对类别数为3的sar2图像进行实验测试，最后的分割结果如图9所示。
仿真九，用本发明对类别数为4的sar3图像进行实验测试，最后的分割结果如图10所示。
从图8、图9、图10这三幅sar图像的分割结果可以看出，本发明不仅能有效的分割出图像中的目标和背景，同时也能较好地保持同类目标的区域一致性，对不同目标之间的边缘区域分割比较接近真实的结果。
- 还没有人留言评论。精彩留言会获得点赞！