基于自動差分聚類算法的遙感圖像分割方法技術(shù)

本發(fā)明專利技術(shù)公開了一種基于自動差分聚類算法的遙感圖像分割方法，主要解決現(xiàn)有圖像分割技術(shù)中計算復(fù)雜度較高、分割效果不好的問題。其實現(xiàn)步驟為：(1)輸入待分割圖像，提取待分割圖像特征；(2)產(chǎn)生聚類數(shù)據(jù)；(3)隨機抽取聚類數(shù)據(jù)初始化種群；(4)根據(jù)個體的標(biāo)簽位激活聚類中心；(5)根據(jù)激活的聚類中心，計算個體適應(yīng)度值；(6)用改進的差分進化方法進化種群；(7)對進化后種群進行類別數(shù)振蕩操作；(8)利用FCM更新質(zhì)心；(9)利用更新后質(zhì)心判斷終止條件，并記錄最優(yōu)個體；(10)對最優(yōu)個體解碼，分配類別標(biāo)號并輸出分割圖像。本發(fā)明專利技術(shù)具有分割精度高、邊緣定位準(zhǔn)確的優(yōu)點，可用于目標(biāo)識別。

【技術(shù)實現(xiàn)步驟摘要】

本專利技術(shù)屬于圖像處理
，更進一步涉及遙感圖像分割方法，可用于目標(biāo)識別。
技術(shù)介紹
圖像分割就是把圖像分成若干個特定的、具有獨特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程。目前，人們更多采用基于聚類分析的方法來進行圖像分割。用基于聚類分析的方法分割圖像是將圖像空間中的像素用對應(yīng)的特征空間點表示，根據(jù)它們在特征空間的聚集對特征空間進行分割，然后將它們映射回原圖像空間，從而達到圖像分割的目的。為了更加準(zhǔn)確、全面的獲取圖像分割信息，近幾年出現(xiàn)了一些應(yīng)用自動聚類方法實現(xiàn)圖像分割的技術(shù)，可以在圖像分割類別數(shù)未知的情況下對圖像進行分割，而且可以達到更好的分割結(jié)果和分割精度。U. Maulik 在學(xué)術(shù)期干丨J“Automatic Fuzzy Clustering Using ModifiedDifferential Evolution for Image Classification” (IEEE Trans. Geosci. RemoteSens. VOL. 48，NO. 9，Sep. 2010)中公開了一種基于改進差分進化的自動模糊聚類的圖像分割方法。該方法首先對傳統(tǒng)的差分進化方法進行了改進，提出了一種加入模糊策略的自動聚類方法，然后將其用于圖像分割，最后通過XB指標(biāo)獲得最終的圖像分割結(jié)果。雖然該方法在區(qū)域一致性和邊緣保持方面有一定的改善效果，但是該方法仍然存在的不足是，由于采用了過多的進化技術(shù)，增加了整個分割過程的計算復(fù)雜度，使得分割速度較慢，同時，該方法選取的聚類指標(biāo)不恰當(dāng)，圖像分割結(jié)果較差。
技術(shù)實現(xiàn)思路
本專利技術(shù)針對上述現(xiàn)有技術(shù)存在的不足，提出了一種新的。以解決現(xiàn)有圖像分割技術(shù)中收斂速度慢、穩(wěn)定性較差，計算復(fù)雜度高、 細(xì)節(jié)保持性能不好的缺點，提高圖像分割的精度。本專利技術(shù)實現(xiàn)上述目的的思路是在對輸入的圖像進行特征提取和分水嶺分割獲得聚類數(shù)據(jù)后，先隨機抽取聚類數(shù)據(jù)初始化種群，再使用PBM指標(biāo)評價聚類性能，然后用改進的差分進化方法進化種群，最后對種群進行類別數(shù)振蕩操作并用FCM方法更新質(zhì)心，通過不斷的迭代更新獲得最優(yōu)個體，最優(yōu)個體所對應(yīng)的類別標(biāo)號作為像素的灰度值，得到圖像分割結(jié)果。其實現(xiàn)步驟包括如下(I)輸入待分割圖像I，分別提取待分割圖像I的小波特征向量和紋理特征向量，并用小波特征向量和紋理特征向量表示待分割圖像I的每一個像素點V ；(2)產(chǎn)生聚類數(shù)據(jù)用待分割圖像I的膨脹變換減去其腐蝕變換，得到形態(tài)梯度圖像I1,計算形態(tài)梯度圖像I1的灰度值矩陣的平方積，得到反映圖像邊緣的浮點活動圖像I2，用分水嶺方法初分割浮點活動圖像I2，得到不同的圖像塊，對每一個圖像塊的所有像素點的特征取平均值，獲得代表初始聚類數(shù)據(jù)的每一塊的特征值；(3)隨機抽取聚類數(shù)據(jù)初始化種群種群中每個個體編碼長度為L+L Xd,每個個體分為兩個部分,前L位為標(biāo)簽位,后LXd位為L個待激活的聚類中心，d為聚類數(shù)據(jù)的維數(shù)，隨機初始化每個個體的標(biāo)簽位,并隨機抽取L個聚類數(shù)據(jù)作為待激活的聚類中心，令當(dāng)前迭代次數(shù)t=l ；(4)根據(jù)每個個體的標(biāo)簽位激活相應(yīng)個體的聚類中心；判斷個體標(biāo)簽T每一位值的大小是否大于O. 5，如果大于O. 5，則激活相應(yīng)的聚類數(shù)據(jù)點，否則不予激活；所有被激活的聚類數(shù)據(jù)點組合成為該個體的聚類中心；(5)根據(jù)激活的聚類中心，采用PBM有效性指標(biāo)公式計算每個個體適應(yīng)度值；·(6)用改進的差分進化方法對種群進行變異和交叉，并利用個體適應(yīng)度值進行種群更新；(7)對更新后的種群進行類別數(shù)振蕩操作7a)對種群中的每個個體依照振蕩規(guī)則進行類別數(shù)振蕩操作，每個個體獲得新的類別數(shù)；7b)計算每個個體中L個數(shù)據(jù)點的密度，并依照密度大小進行排序；7c)將新的類別數(shù)與舊的類別數(shù)進行比較，如果小于，則依照密度排名從該個體中選擇密度較大的聚類數(shù)據(jù)點加入聚類中心，否則，從已有聚類中心中淘汰密度排名較小的聚類數(shù)據(jù)點。(8)利用FCM方法對振蕩操作后的聚類中心進行更新；(9)判斷種群迭代的次數(shù)是否達到使用者設(shè)定的最大進化代數(shù)T=100，或者相鄰兩代最優(yōu)個體的適應(yīng)度差值是否小于規(guī)定數(shù)值Ε=ιοΛ如果是，則保存最優(yōu)個體并執(zhí)行步驟(10)，否則，返回步驟(4)；(10)對獲得的最優(yōu)個體進行解碼，求得每個聚類數(shù)據(jù)的類別標(biāo)號，并用這些類別標(biāo)號作為像素的灰度值，輸出圖像的分割結(jié)果。本專利技術(shù)與現(xiàn)有技術(shù)相比具有如下優(yōu)點第一，本專利技術(shù)由于在圖像分割預(yù)處理中，采用了小波分解方法和灰度共生矩陣方法提取了小波特征向量和紋理特征向量，獲得了更多的圖像細(xì)節(jié)信息，解決了現(xiàn)有技術(shù)僅提取小波特征丟失圖像細(xì)節(jié)信息的缺點，使得本專利技術(shù)提高了整體分割精度。第二，本專利技術(shù)在圖像分割的前處理中采用了分水嶺初分割圖像獲得聚類圖像塊，用塊的平均特征向量代表塊特征，克服了現(xiàn)有技術(shù)直接對像素點聚類計算量大的缺點，使得本專利技術(shù)具有更快的分割速度。第三，本專利技術(shù)在圖像分割的聚類過程中采用了自動聚類思想，克服了現(xiàn)有技術(shù)對聚類類別數(shù)的依賴性，使得本專利技術(shù)可以在獲得圖像最優(yōu)分割結(jié)果的前提下同時自動獲得圖像的正確聚類類別數(shù)，這樣更加符合實際問題的研究。第四，本專利技術(shù)在圖像分割的聚類過程中采用了改進的差分進化方法以及聚類類別數(shù)振蕩策略，能夠在復(fù)雜的解空間中進行有效的搜索并保持種群的多樣性，克服了已有技術(shù)容易陷入局部最優(yōu)影響分割結(jié)果的缺點，使得本專利技術(shù)可以獲得更加準(zhǔn)確的區(qū)域一致性和更好的邊緣保持性能。附圖說明圖I為本專利技術(shù)的流程圖；圖2為本專利技術(shù)與現(xiàn)有技術(shù)在一幅光學(xué)遙感圖像上的分割結(jié)果對比圖；圖3為本專利技術(shù)與現(xiàn)有技術(shù)在一幅Ku波段SAR圖像上的分割結(jié)果對比圖。具體實施例方式下面結(jié)合附圖I對本專利技術(shù)的步驟做進一步的詳細(xì)描述。步驟1，輸入待分割圖像I，分別提取待分割圖像I的小波特征向量和紋理特征向量，并用小波特征向量和紋理特征向量表示待分割圖像I的每一個像素點V。 Ia)利用小波分解方法獲取小波特征向量小波分解方法采用了對圖像進行窗口大小為16X16的三層小波變換，得到由子帶系數(shù)所構(gòu)成的10維小波特征向量。Ib)利用灰度共生矩陣方法提取紋理特征向量，即先將待處理圖像量化為16個灰度級，再依次令兩個像素點連線與橫軸的方向夾角為0°、45°、90°和135°，按照下式分別計算四個方向的灰度共生矩陣P(i，j) = #{(x!, Y1), (x2, y2) GMXNlf(X1J1) = r, f (x2, y2) = s}其中，P(i，j)為灰度共生矩陣在坐標(biāo)(i，j)位置上的元素，#為集合{}的元素個數(shù)，(x1； Y1)和(x2，y2)為距離等于I的兩個像素點坐標(biāo)，e為集合中的屬于符號，MXN為待處理圖像的大小，I為概率論中的條件符號，r為(Xl，Yl)處像素點矢量化后的灰度值，s為(x2，I2)處像素點矢量化后的灰度值；然后根據(jù)灰度共生矩陣分別選取該矩陣四個方向上的對比度、同質(zhì)性和能量值，獲得像素的12維紋理特征向量；Ic)用小波特征向量和紋理特征向量表示待分割圖像的每一個像素點每個像素點用22維特征向量表示，其中小波特征向量10維，紋理特征向量12維。步驟2，產(chǎn)生聚類數(shù)據(jù)2a)用待分割圖像I的膨脹變換減去其腐蝕變換，得到形態(tài)梯度圖像I1，形態(tài)梯度圖像I1用每個坐標(biāo)點的灰度值表示，灰度值計算公式為I1 (X，y) = δ (I) (χ, y) - ε (I) 本文檔來自技高網(wǎng)...

【技術(shù)保護點】
一種基于自動差分聚類算法的遙感圖像分割方法，包括以下步驟：(1)輸入待分割圖像I，分別提取待分割圖像I的小波特征向量和紋理特征向量，并用小波特征向量和紋理特征向量表示待分割圖像I的每一個像素點v；(2)產(chǎn)生聚類數(shù)據(jù)：用待分割圖像I的膨脹變換減去其腐蝕變換，得到形態(tài)梯度圖像I1，計算形態(tài)梯度圖像I1的灰度值矩陣的平方積，得到反映圖像邊緣的浮點活動圖像I2，用分水嶺方法初分割浮點活動圖像I2，得到不同的圖像塊，對每一個圖像塊的所有像素點的特征取平均值，獲得代表初始聚類數(shù)據(jù)的每一塊的特征值；(3)隨機抽取聚類數(shù)據(jù)初始化種群：種群中每個個體編碼長度為L+L×d，每個個體分為兩個部分，前L位為標(biāo)簽位，后L×d位為L個待激活的聚類中心，d為聚類數(shù)據(jù)的維數(shù)，隨機初始化每個個體的標(biāo)簽位，并隨機抽取L個聚類數(shù)據(jù)作為待激活的聚類中心，令當(dāng)前迭代次數(shù)t=1；(4)根據(jù)每個個體的標(biāo)簽位激活相應(yīng)個體的聚類中心；判斷個體標(biāo)簽T每一位值的大小是否大于0.5，如果大于0.5，則激活相應(yīng)的聚類數(shù)據(jù)點，否則不予激活；所有被激活的聚類數(shù)據(jù)點組合成為該個體的聚類中心；(5)根據(jù)激活的聚類中心，采用PBM有效性指標(biāo)公式計算每個個體適應(yīng)度值；(6)用改進的差分進化方法對種群進行變異和交叉，并利用個體適應(yīng)度值進行種群更新；(7)對更新后的種群進行類別數(shù)振蕩操作：7a)對種群中的每個個體依照振蕩規(guī)則進行類別數(shù)振蕩操作，每個個體獲得新的類別數(shù)；7b)計算每個個體中L個數(shù)據(jù)點的密度，并依照密度大小進行排序；7c)將新的類別數(shù)knew與當(dāng)前染色體類別數(shù)kold進行比較，如果knew＜kold，則依照密度排名從該個體中選擇密度較大的聚類數(shù)據(jù)點加入聚類中心，否則，從已有聚類中心中淘汰密度排名較小的聚類數(shù)據(jù)點。(8)利用FCM方法對振蕩操作后的聚類中心進行更新；(9)判斷種群迭代的次數(shù)是否達到使用者設(shè)定的最大進化代數(shù)T=100，或者相鄰兩代最優(yōu)個體的適應(yīng)度差值是否小于規(guī)定數(shù)值E=10?4，如果是，則保存最優(yōu)個體并執(zhí)行步驟(10)，否則，返回步驟(4)；(10)對獲得的最優(yōu)個體進行解碼，求得每個聚類數(shù)據(jù)的類別標(biāo)號，并用這些類別標(biāo)號作為像素的灰度值，輸出圖像的分割結(jié)果。...

【技術(shù)特征摘要】

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：李陽陽，焦李成，王爽，武小龍，馬文萍，馬晶晶，李玲玲，
申請(專利權(quán))人：西安電子科技大學(xué)，
類型：發(fā)明
國別省市：