本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及一種sar圖像自動(dòng)分割方法，可用于醫(yī)學(xué)影像、衛(wèi)星圖像定位、人臉識(shí)別、指紋識(shí)別及交通控制系統(tǒng)。

背景技術(shù)：

隨著科技的不斷進(jìn)步，圖像處理技術(shù)越來(lái)越廣泛的應(yīng)用于我們的生產(chǎn)生活中，而作為圖像處理領(lǐng)域的一個(gè)重要的分支，圖像分割技術(shù)也越來(lái)越受到人們的重視。圖像分割是圖像解譯過(guò)程中的一個(gè)關(guān)鍵步驟，圖像分割技術(shù)是指對(duì)圖像中有意義的特征部分進(jìn)行提取的技術(shù)。常見(jiàn)的應(yīng)用如：醫(yī)學(xué)影像、衛(wèi)星圖像定位、人臉識(shí)別、指紋識(shí)別、交通控制系統(tǒng)、機(jī)器視覺(jué)等都是應(yīng)用分割技術(shù)的例子，可見(jiàn)分割技術(shù)與我們的工作和生活息息相關(guān)，它能提高我們的工作效率和生活質(zhì)量，給我們的生活帶來(lái)極大地便利。合成孔徑雷達(dá)具有高分辨、全候、強(qiáng)透射等特點(diǎn)，sar圖像的獲取比較容易，但是對(duì)圖像的解譯卻比較困難；sar圖像分割是圖像解譯的關(guān)鍵技術(shù)，sar圖像的自動(dòng)分割對(duì)雷達(dá)遙感的發(fā)展具有重要的意義。

近年來(lái)，基于粒子群優(yōu)化算法的圖像分割方法開始應(yīng)用于sar圖像的分割，包括人工免疫系統(tǒng)、粒子群優(yōu)化和多智能體等進(jìn)化范例，但是由于這種方法對(duì)sar圖像所含有的斑點(diǎn)噪聲非常敏感，因此分割的結(jié)果并不理想。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是針對(duì)上述現(xiàn)有技術(shù)的不足，提出一種基于圖劃分粒子群優(yōu)化的sar圖像自動(dòng)分割方法，以減小sar圖像的斑點(diǎn)噪聲，提高分割的精度和準(zhǔn)確率。

本發(fā)明的技術(shù)思路是：將圖像的灰度直方圖信息特征作為聚類對(duì)象，利用圖劃分粒子群優(yōu)化的方法進(jìn)行sar圖像的自動(dòng)分割，其實(shí)現(xiàn)步驟包括如下：

(1)輸入原始待分割的圖像i，讀取圖像的灰度梯度信息；

(2)根據(jù)實(shí)驗(yàn)選擇最優(yōu)的數(shù)值，包括鄰域窗口半徑ds，搜索窗口半徑ds和高斯平滑參數(shù)h，并對(duì)待分割圖像i進(jìn)行非局部均值濾波去燥處理，得到梯度圖像；

(3)對(duì)梯度圖像進(jìn)行初分割，將其劃分成互不重疊n個(gè)的區(qū)域，n>100；

(4)求出梯度圖像的最大類別數(shù)c，將此作為圖像的灰度級(jí)；

(5)將分割成的n個(gè)區(qū)域塊映射為無(wú)向加權(quán)圖，該無(wú)向加權(quán)圖的頂點(diǎn)由像素點(diǎn)表示，像素點(diǎn)之間的相似性s(m,n)表示無(wú)向加權(quán)圖邊的權(quán)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，當(dāng)輸入圖像是灰度圖像時(shí)只有灰度分量；

(6)構(gòu)建無(wú)向加權(quán)圖的能量函數(shù)fit(l)：

式中，p為像素點(diǎn)的集合，lp為像素點(diǎn)p所屬類的標(biāo)號(hào)集，np代表p的相鄰像素點(diǎn)的集合；等式右邊第一項(xiàng)是數(shù)據(jù)項(xiàng)，表征的是像素與其所屬類的符合程度；第二項(xiàng)為約束項(xiàng)，用來(lái)估計(jì)相鄰的像素屬于不同標(biāo)號(hào)的懲罰值，其值越大表明相鄰像素點(diǎn)越相似；

(7)利用粒子群優(yōu)化算法對(duì)圖像的標(biāo)號(hào)進(jìn)行最優(yōu)化求解，得到類別中心和類別數(shù)；

(8)判斷迭代次數(shù)是否小于20，如果是則重復(fù)步驟(7)，繼續(xù)更新粒子的位置和速度，否則，迭代結(jié)束輸出最優(yōu)聚類個(gè)數(shù)和分割后的圖像。

本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：

1.本發(fā)明采用非局部均值濾波對(duì)原始sar圖像進(jìn)行平滑處理，能較好的保持圖像的邊緣信息，有利于后期的分割；發(fā)明采用的是基于圖劃分的機(jī)制，能夠?qū)崿F(xiàn)對(duì)圖像的自動(dòng)分割。

2.本發(fā)明由于采用了粒子群優(yōu)化算法框架，直接對(duì)圖像的灰度直方圖進(jìn)行編碼而不是圖像所有像素點(diǎn)進(jìn)行編碼，減少了算法的復(fù)雜度，加速了種群的更新速度，能得到最佳的收斂類別數(shù)。

3.本發(fā)明采用的分割算法相比其它分割算法能夠更準(zhǔn)確地對(duì)sar圖像進(jìn)行分割，同時(shí)對(duì)圖像的邊緣保持較好，具有較強(qiáng)的魯棒性。

附圖說(shuō)明

圖1是本發(fā)明的實(shí)現(xiàn)流程圖；

圖2是用本發(fā)明對(duì)四類紋理圖像的預(yù)處理結(jié)果圖；

圖3是用本發(fā)明對(duì)八類紋理圖像的預(yù)處理結(jié)果圖；

圖4是用本發(fā)明對(duì)四類紋理圖像的分水嶺分割后的結(jié)果圖；

圖5是用本發(fā)明對(duì)八類紋理圖像的分水嶺分割后的結(jié)果圖；

圖6用本發(fā)明對(duì)類別數(shù)為4的含噪紋理圖像text1的分割結(jié)果圖；

圖7用本發(fā)明對(duì)類別數(shù)為8的含噪紋理圖像text2的分割結(jié)果圖；

圖8用本發(fā)明對(duì)類別數(shù)為2的sar1圖像的分割結(jié)果圖；

圖9用本發(fā)明對(duì)類別數(shù)為3的sar2的分割結(jié)果圖；

圖10用本發(fā)明對(duì)類別數(shù)為4的sar3的分割結(jié)果圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施和效果做進(jìn)一步詳細(xì)說(shuō)明：

參照?qǐng)D1，本發(fā)明的實(shí)施步驟如下：

步驟1.輸入原始待分割圖像i，讀取圖像的灰度梯度信息。

步驟2.根據(jù)實(shí)驗(yàn)選擇最優(yōu)的數(shù)值，包括鄰域窗口半徑ds，搜索窗口半徑ds和高斯平滑參數(shù)h，并對(duì)待分割圖像i進(jìn)行非局部均值濾波去燥處理，得到梯度圖像。

本步驟的具體實(shí)現(xiàn)如下：

2a)本實(shí)例設(shè)鄰域窗口半徑但不限于ds＝2，搜索窗口半徑ds＝5；

2b)本實(shí)例的高斯函數(shù)平滑參數(shù)取但不限于h＝10，控制著指數(shù)函數(shù)的衰減程度；

2c)計(jì)算原始待分割圖像i中所有像素的加權(quán)平均：

nl(i)＝∑j∈iω(i,j)υ(j)

其中i為圖像像素點(diǎn)的灰度級(jí)，取值為0～255,υ(j)為離散噪聲圖像；ω(i,j)為權(quán)重，其由第i個(gè)像素和第j個(gè)像素的相似性決定：

其滿足∑jω(i,j)＝1，其中0≤ω(i,j)≤1；

z(i)是歸一化常數(shù)，式中h過(guò)濾參數(shù)，它決定著濾波函數(shù)變化的快慢，為高斯核二范數(shù)，表示相似性，υ(ni)表示第ni個(gè)像素點(diǎn)的灰度值，a＞0表示是高斯核的標(biāo)準(zhǔn)偏差；

2d)將i個(gè)像素點(diǎn)灰度的加權(quán)平均值作為其新的灰度值，得到濾波后的圖像。

步驟3.對(duì)梯度圖像進(jìn)行初分割，將其劃分成互不重疊的n個(gè)區(qū)域，n>100。

本步驟的具體實(shí)現(xiàn)如下：

3a)利用soble算子提取梯度圖像的邊界信息；

3b)獲取所提取圖像的水平和垂直邊界；

3c)對(duì)邊界圖像進(jìn)行形態(tài)學(xué)運(yùn)算，包括圖像的膨脹運(yùn)算和腐蝕運(yùn)算；

3d)對(duì)形態(tài)學(xué)運(yùn)算后的圖像進(jìn)行開運(yùn)算和閉運(yùn)算；

3e)對(duì)開閉運(yùn)算后的圖像進(jìn)行分水嶺變換，得到圖像的分水嶺脊線，輸出初分割后的sar圖像。

步驟4.求出梯度圖像的最大類別數(shù)c，將此作為圖像的灰度級(jí)。

本步驟的具體實(shí)現(xiàn)如下：

4a)根據(jù)初分割后的圖像，建立其灰度直方圖；

4b)對(duì)灰度直方圖進(jìn)行局部平滑運(yùn)算；

4c)求出平滑后直方圖的所有峰值，并計(jì)算其斜率均值；

4d)對(duì)平滑后直圖像進(jìn)行開閉運(yùn)算，并將其開閉運(yùn)算的結(jié)果m與設(shè)定的閾值t＝0.01進(jìn)行比較：若m＜t，則圖像的灰度級(jí)c＝c+1；否則重復(fù)步驟4b)和4c)。

步驟5.將分割成的區(qū)域映射為無(wú)向加權(quán)圖，以此構(gòu)建能量函數(shù)。

本步驟的具體實(shí)現(xiàn)如下：

5a)對(duì)所分割成的n個(gè)進(jìn)行區(qū)域映射，得到無(wú)向加權(quán)圖，該無(wú)向加權(quán)圖的頂點(diǎn)由像素點(diǎn)表示，像素點(diǎn)之間的相似性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，當(dāng)輸入圖像是灰度圖像時(shí)只有灰度分量；

5b)根據(jù)像素點(diǎn)相似性建立能量函數(shù)的標(biāo)號(hào)集lp。

5c)設(shè)p為像素點(diǎn)的集合，lp為像素點(diǎn)p所屬類的標(biāo)號(hào)集，np為p的相鄰像素點(diǎn)的集合，構(gòu)建無(wú)向加權(quán)圖的能量函數(shù)fit(l)，：

其中：數(shù)據(jù)項(xiàng)表示像素m和n所屬類的復(fù)合程度；約束項(xiàng)vpq(lp,lq)＝-lns(lp,lq)表示lp,lq之間的懲罰程度，其值越大表明相鄰像素點(diǎn)越相似；λ是數(shù)據(jù)項(xiàng)和約束項(xiàng)之間的重要因子。

步驟6.利用粒子群優(yōu)化算法對(duì)所構(gòu)建的能量函數(shù)進(jìn)行最優(yōu)化求解，得到類別中心和類別數(shù)。

本步驟的具體實(shí)現(xiàn)如下：

6a)初始化粒子群的個(gè)體：設(shè)粒子數(shù)為np，隨機(jī)初始化粒子速度v0^k和位置x0^k，隨機(jī)初始化每個(gè)粒子的局部最優(yōu)值pbestk，最大迭代數(shù)nc＝20，其中，1＜k＜np；

6b)初始粒子的位置xk和速度vk，將其限定在0～c之間，利用如下公式對(duì)粒子的速度vk和位置xk進(jìn)行更新：

vk+1＝w×vk+c1×r1×(pbestk-xk)+c2×r2×(pbestk-xk)

xk+1＝xk+vk+1，

其中，vk+1為更新后粒子的速度，xk+1為更新后粒子的位置，c1是粒子個(gè)體的學(xué)習(xí)因子，c2粒子群體的學(xué)習(xí)因子，c1和c2的取值均為1.49，r1與r2是介于0～1之間相互獨(dú)立的隨機(jī)數(shù)，r1≠r2，w為慣性權(quán)重；

6c)判斷當(dāng)前迭代次數(shù)nc是否大于20，若是，則輸出最優(yōu)聚類個(gè)數(shù)和分割后的圖像，否則，返回步驟6b)。

本發(fā)明的效果可以通過(guò)如下對(duì)紋理圖像和sar圖像的仿真實(shí)驗(yàn)進(jìn)一步說(shuō)明：

1、仿真實(shí)驗(yàn)環(huán)境

本發(fā)明的仿真實(shí)驗(yàn)是在hpcompaqdx7408，core^tm2duocpue6550，cpu頻率2.33ghz計(jì)算機(jī)，軟件平臺(tái)matlabr2010b下進(jìn)行測(cè)試。

2、仿真內(nèi)容與結(jié)果

仿真一，用本發(fā)明在一幅含有斑點(diǎn)噪聲的四類紋理圖像text1進(jìn)行濾波處理，結(jié)果如圖2所示，其中圖2(a)是原始四類紋理圖像，圖2(b)是濾波后的四類紋理圖像。

仿真二，用本發(fā)明在一幅含有斑點(diǎn)噪聲的八類紋理圖像text2進(jìn)行濾波處理，結(jié)果如圖3所示，其中圖3(a)是原始八類紋理圖像，圖3(b)是濾波后的八類紋理圖像。

仿真三，用本發(fā)明在一幅含有斑點(diǎn)噪聲的四類紋理圖像text1上進(jìn)行分水嶺變換，結(jié)果如圖4所示，圖4(a)是原始四類紋理圖像，圖4(b)是初分割后的四類紋理圖像。

仿真四，用本發(fā)明在一幅含有斑點(diǎn)噪聲的八類紋理圖像text2上進(jìn)行分水嶺變換，結(jié)果如圖5所示，圖5(a)是原始八類紋理圖像，圖5(b)是初分割后的八類紋理圖像。

仿真五，用本發(fā)明在一幅含有斑點(diǎn)噪聲的四類紋理圖像text1進(jìn)行實(shí)驗(yàn)測(cè)試，分割后的結(jié)果如圖6所示。

仿真六，用本發(fā)明在一幅含有斑點(diǎn)噪聲的八類紋理圖像text2進(jìn)行實(shí)驗(yàn)測(cè)試，分割后的結(jié)果如圖7所示。

從圖6和圖7兩幅紋理圖像的分割結(jié)果中可以看出，本發(fā)明能夠?qū)邪唿c(diǎn)噪聲的紋理圖像實(shí)現(xiàn)比較準(zhǔn)確的分割，分割后的類別數(shù)符合真實(shí)的數(shù)目，并且對(duì)圖像邊緣保持的比較完好。

仿真七，用本發(fā)明對(duì)類別數(shù)為2的sar1圖像進(jìn)行實(shí)驗(yàn)測(cè)試，最后的分割結(jié)果如圖8所示。

仿真八，用本發(fā)明對(duì)類別數(shù)為3的sar2圖像進(jìn)行實(shí)驗(yàn)測(cè)試，最后的分割結(jié)果如圖9所示。

仿真九，用本發(fā)明對(duì)類別數(shù)為4的sar3圖像進(jìn)行實(shí)驗(yàn)測(cè)試，最后的分割結(jié)果如圖10所示。

從圖8、圖9、圖10這三幅sar圖像的分割結(jié)果可以看出，本發(fā)明不僅能有效的分割出圖像中的目標(biāo)和背景，同時(shí)也能較好地保持同類目標(biāo)的區(qū)域一致性，對(duì)不同目標(biāo)之間的邊緣區(qū)域分割比較接近真實(shí)的結(jié)果。