專利名稱：基于自動(dòng)差分聚類算法的遙感圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及遙感圖像分割方法，可用于目標(biāo)識(shí)別。
背景技術(shù)：
圖像分割就是把圖像分成若干個(gè)特定的、具有獨(dú)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(lái)進(jìn)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(duì)應(yīng)的特征空間點(diǎn)表示，根據(jù)它們?cè)谔卣骺臻g的聚集對(duì)特征空間進(jìn)行分割，然后將它們映射回原圖像空間，從而達(dá)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(dòng)聚類方法實(shí)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(duì)圖像進(jìn)行分割，而且可以達(dá)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(jìn)差分進(jìn)化的自動(dòng)模糊聚類的圖像分割方法。該方法首先對(duì)傳統(tǒng)的差分進(jìn)化方法進(jìn)行了改進(jìn)，提出了一種加入模糊策略的自動(dòng)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(jìn)化技術(shù)，增加了整個(gè)分割過程的計(jì)算復(fù)雜度，使得分割速度較慢，同時(shí)，該方法選取的聚類指標(biāo)不恰當(dāng)，圖像分割結(jié)果較差。

發(fā)明內(nèi)容
本發(fā)明針對(duì)上述現(xiàn)有技術(shù)存在的不足，提出了一種新的基于自動(dòng)差分聚類算法的遙感圖像分割方法。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(jì)算復(fù)雜度高、 細(xì)節(jié)保持性能不好的缺點(diǎn)，提高圖像分割的精度。本發(fā)明實(shí)現(xiàn)上述目的的思路是在對(duì)輸入的圖像進(jìn)行特征提取和分水嶺分割獲得聚類數(shù)據(jù)后，先隨機(jī)抽取聚類數(shù)據(jù)初始化種群，再使用PBM指標(biāo)評(píng)價(jià)聚類性能，然后用改進(jìn)的差分進(jìn)化方法進(jìn)化種群，最后對(duì)種群進(jìn)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(gè)體，最優(yōu)個(gè)體所對(duì)應(yīng)的類別標(biāo)號(hào)作為像素的灰度值，得到圖像分割結(jié)果。其實(shí)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(gè)像素點(diǎn)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(jì)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(diǎn)活動(dòng)圖像I2，用分水嶺方法初分割浮點(diǎn)活動(dòng)圖像I2，得到不同的圖像塊，對(duì)每一個(gè)圖像塊的所有像素點(diǎn)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(jī)抽取聚類數(shù)據(jù)初始化種群種群中每個(gè)個(gè)體編碼長(zhǎng)度為L(zhǎng)+L Xd,每個(gè)個(gè)體分為兩個(gè)部分,前L位為標(biāo)簽位,后LXd位為L(zhǎng)個(gè)待激活的聚類中心，d為聚類數(shù)據(jù)的維數(shù)，隨機(jī)初始化每個(gè)個(gè)體的標(biāo)簽位,并隨機(jī)抽取L個(gè)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(gè)個(gè)體的標(biāo)簽位激活相應(yīng)個(gè)體的聚類中心；判斷個(gè)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(diǎn)，否則不予激活；所有被激活的聚類數(shù)據(jù)點(diǎn)組合成為該個(gè)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(jì)算每個(gè)個(gè)體適應(yīng)度值；·
(6)用改進(jìn)的差分進(jìn)化方法對(duì)種群進(jìn)行變異和交叉，并利用個(gè)體適應(yīng)度值進(jìn)行種群更新；(7)對(duì)更新后的種群進(jìn)行類別數(shù)振蕩操作7a)對(duì)種群中的每個(gè)個(gè)體依照振蕩規(guī)則進(jìn)行類別數(shù)振蕩操作，每個(gè)個(gè)體獲得新的類別數(shù)；7b)計(jì)算每個(gè)個(gè)體中L個(gè)數(shù)據(jù)點(diǎn)的密度，并依照密度大小進(jìn)行排序；7c)將新的類別數(shù)與舊的類別數(shù)進(jìn)行比較，如果小于，則依照密度排名從該個(gè)體中選擇密度較大的聚類數(shù)據(jù)點(diǎn)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(diǎn)。(8)利用FCM方法對(duì)振蕩操作后的聚類中心進(jìn)行更新；(9)判斷種群迭代的次數(shù)是否達(dá)到使用者設(shè)定的最大進(jìn)化代數(shù)T=100，或者相鄰兩代最優(yōu)個(gè)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(gè)體并執(zhí)行步驟
(10)，否則，返回步驟(4)；(10)對(duì)獲得的最優(yōu)個(gè)體進(jìn)行解碼，求得每個(gè)聚類數(shù)據(jù)的類別標(biāo)號(hào)，并用這些類別標(biāo)號(hào)作為像素的灰度值，輸出圖像的分割結(jié)果。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)第一，本發(fā)明由于在圖像分割預(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(diǎn)，使得本發(fā)明提高了整體分割精度。第二，本發(fā)明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(duì)像素點(diǎn)聚類計(jì)算量大的缺點(diǎn)，使得本發(fā)明具有更快的分割速度。第三，本發(fā)明在圖像分割的聚類過程中采用了自動(dòng)聚類思想，克服了現(xiàn)有技術(shù)對(duì)聚類類別數(shù)的依賴性，使得本發(fā)明可以在獲得圖像最優(yōu)分割結(jié)果的前提下同時(shí)自動(dòng)獲得圖像的正確聚類類別數(shù)，這樣更加符合實(shí)際問題的研究。第四，本發(fā)明在圖像分割的聚類過程中采用了改進(jìn)的差分進(jìn)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(jìn)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(diǎn)，使得本發(fā)明可以獲得更加準(zhǔn)確的區(qū)域一致性和更好的邊緣保持性能。


圖I為本發(fā)明的流程圖；圖2為本發(fā)明與現(xiàn)有技術(shù)在一幅光學(xué)遙感圖像上的分割結(jié)果對(duì)比圖；圖3為本發(fā)明與現(xiàn)有技術(shù)在一幅Ku波段SAR圖像上的分割結(jié)果對(duì)比圖。
具體實(shí)施例方式下面結(jié)合附圖I對(duì)本發(fā)明的步驟做進(jìn)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(gè)像素點(diǎn)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(duì)圖像進(jìn)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(gè)灰度級(jí)，再依次令兩個(gè)像素點(diǎn)連線與橫軸的方向夾角為0°、45°、90°和135°，按照下式分別計(jì)算四個(gè)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(gè)數(shù)，(x1； Y1)和(x2，y2)為距離等于I的兩個(gè)像素點(diǎn)坐標(biāo)，e為集合中的屬于符號(hào)，MXN為待處理圖像的大小，I為概率論中的條件符號(hào)，r為(Xl，Yl)處像素點(diǎn)矢量化后的灰度值，s為(x2，I2)處像素點(diǎn)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(gè)方向上的對(duì)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(gè)像素點(diǎn)每個(gè)像素點(diǎn)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(gè)坐標(biāo)點(diǎn)的灰度值表示，灰度值計(jì)算公式為I1 (X，y) = δ (I) (χ, y) - ε (I) (χ, y)其中，I1 (χ, y)為形態(tài)梯度圖像I1每個(gè)點(diǎn)坐標(biāo)的灰度值，δ⑴和ε⑴分別為圖像的膨脹算子和腐蝕算子，(x，y)為距離等于I的像素點(diǎn)坐標(biāo)；2b)計(jì)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(diǎn)活動(dòng)圖像;2c)用分水嶺方法初分割浮點(diǎn)活動(dòng)圖像I2，得到不同的圖像塊；2d)對(duì)每一個(gè)圖像塊的所有像素點(diǎn)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。步驟3，隨機(jī)抽取聚類數(shù)據(jù)初始化種群。設(shè)置種群規(guī)模N =20、最大迭代次數(shù)T= 100和當(dāng)前迭代次數(shù)t=0，種群中每個(gè)個(gè)體編碼長(zhǎng)度為L(zhǎng)+LX d,每個(gè)個(gè)體分為兩個(gè)部分，前L位為標(biāo)簽位,后LX d位為L(zhǎng)個(gè)待激活的聚類中心，d為聚類數(shù)據(jù)的維數(shù)，初始化時(shí)為每一位賦值
之間的數(shù)。步驟4，根據(jù)每個(gè)個(gè)體的標(biāo)簽位的值激活相應(yīng)個(gè)體的聚類中心，如果標(biāo)簽位每一位的值大于O. 5，則激活相應(yīng)的聚類數(shù)據(jù)點(diǎn)，否則不予激活；將所有被激活的聚類數(shù)據(jù)點(diǎn)組合成為該個(gè)體的聚類中心。步驟5，根據(jù)激活的聚類中心，采用PBM有效性指標(biāo)公式計(jì)算每個(gè)個(gè)體適應(yīng)度值
權(quán)利要求
1.一種基于自動(dòng)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(gè)像素點(diǎn)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(jì)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(diǎn)活動(dòng)圖像I2，用分水嶺方法初分割浮點(diǎn)活動(dòng)圖像I2，得到不同的圖像塊，對(duì)每一個(gè)圖像塊的所有像素點(diǎn)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(jī)抽取聚類數(shù)據(jù)初始化種群 種群中每個(gè)個(gè)體編碼長(zhǎng)度為L(zhǎng)+LX d,每個(gè)個(gè)體分為兩個(gè)部分，前L位為標(biāo)簽位,后LX d位為L(zhǎng)個(gè)待激活的聚類中心，d為聚類數(shù)據(jù)的維數(shù)，隨機(jī)初始化每個(gè)個(gè)體的標(biāo)簽位,并隨機(jī)抽取L個(gè)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(gè)個(gè)體的標(biāo)簽位激活相應(yīng)個(gè)體的聚類中心； 判斷個(gè)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(diǎn)，否則不予激活；所有被激活的聚類數(shù)據(jù)點(diǎn)組合成為該個(gè)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(jì)算每個(gè)個(gè)體適應(yīng)度值； (6)用改進(jìn)的差分進(jìn)化方法對(duì)種群進(jìn)行變異和交叉，并利用個(gè)體適應(yīng)度值進(jìn)行種群更新； (7)對(duì)更新后的種群進(jìn)行類別數(shù)振蕩操作 7a)對(duì)種群中的每個(gè)個(gè)體依照振蕩規(guī)則進(jìn)行類別數(shù)振蕩操作，每個(gè)個(gè)體獲得新的類別數(shù)； 7b)計(jì)算每個(gè)個(gè)體中L個(gè)數(shù)據(jù)點(diǎn)的密度，并依照密度大小進(jìn)行排序； 7c)將新的類別數(shù)kn 與當(dāng)前染色體類別數(shù)k-進(jìn)行比較，如果kn < kold,則依照密度排名從該個(gè)體中選擇密度較大的聚類數(shù)據(jù)點(diǎn)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(diǎn)。
(8)利用FCM方法對(duì)振蕩操作后的聚類中心進(jìn)行更新； (9)判斷種群迭代的次數(shù)是否達(dá)到使用者設(shè)定的最大進(jìn)化代數(shù)T=IOO,或者相鄰兩代最優(yōu)個(gè)體的適應(yīng)度差值是否小于規(guī)定數(shù)值Ε=1θΛ如果是，則保存最優(yōu)個(gè)體并執(zhí)行步驟(10)，否則，返回步驟(4)； (10)對(duì)獲得的最優(yōu)個(gè)體進(jìn)行解碼，求得每個(gè)聚類數(shù)據(jù)的類別標(biāo)號(hào)，并用這些類別標(biāo)號(hào)作為像素的灰度值，輸出圖像的分割結(jié)果。
2.根據(jù)權(quán)利要求I所述的基于自動(dòng)差分聚類算法的遙感圖像分割方法，其特征在于，所述步驟I中提取待分割圖像I的小波特征向量，是采用小波分解方法獲得，即對(duì)圖像進(jìn)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。
3.根據(jù)權(quán)利要求I所述的基于自動(dòng)差分聚類算法的遙感圖像分割方法，其特征在于，所述步驟I中提取待分割圖像I的紋理特征向量，采用灰度共生矩陣方法獲得，具體步驟如下 第I步，將待處理圖像量化為16個(gè)灰度級(jí)； 第2步，依次令兩個(gè)像素點(diǎn)連線與橫軸的方向夾角為0°、45°、90°和135°，按照下式分別計(jì)算四個(gè)方向的灰度共生矩陣P(i，j) = #{(xi, Yi), (x2，J2) e MXNlfU1, Υι) = 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(gè)數(shù)，(X1^y1)和(x2，y2)為距離等于I的兩個(gè)像素點(diǎn)坐標(biāo)，e為集合中的屬于符號(hào)，MXN為待處理圖像的大小，I為概率論中的條件符號(hào)，r為(Xl，yi)處像素點(diǎn)矢量化后的灰度值，s為(χ2，I2)處像素點(diǎn)矢量化后的灰度值； 第3步，根據(jù)灰度共生矩陣分別選取該矩陣四個(gè)方向上的對(duì)比度、同質(zhì)性和能量值，獲得像素的12維紋理特征向量。
4.根據(jù)權(quán)利要求I所述的基于自動(dòng)差分聚類算法的遙感圖像分割方法，其特征在于，所述步驟(5)中的PBM有效性指標(biāo)公式，表示為
5.根據(jù)權(quán)利要求I所述的基于自動(dòng)差分聚類算法的遙感圖像分割方法，其特征在于，所述步驟出)中用改進(jìn)的差分進(jìn)化方法對(duì)種群進(jìn)行變異是通過如下公式進(jìn)行
6.根據(jù)權(quán)利要求I所述的基于自動(dòng)差分聚類算法的遙感圖像分割方法，其特征在于，所述步驟7a)中的對(duì)種群中的每個(gè)個(gè)體依照振蕩規(guī)則進(jìn)行類別數(shù)振蕩操作，按如下步驟進(jìn)行 7al)修正類別數(shù)在種群進(jìn)化的前期，將當(dāng)前迭代次數(shù)t與最大迭代次數(shù)T進(jìn)行比較，若其比值小于O. 33，則將當(dāng)前染色體的類別數(shù)加上[-3，3]之間的一個(gè)隨機(jī)數(shù)，作為染色體新的類別數(shù)；若比值處于[O. 33，O. 66]之間，則將當(dāng)前染色體的類別數(shù)加上[_2，2]之間的一個(gè)隨機(jī)數(shù)，作為新的類別數(shù)；若比值大于O. 66，則將當(dāng)前染色體的類別數(shù)加上[-1，I]之間的一個(gè)隨機(jī)數(shù)，作為新的類別數(shù)； 7a2)按照修正后的類別數(shù)對(duì)聚類數(shù)據(jù)進(jìn)行重新聚類。
7.根據(jù)權(quán)利要求I所述的基于自動(dòng)差分聚類算法的遙感圖像分割方法，其特征在于，步驟(10)所述對(duì)獲得的最優(yōu)個(gè)體進(jìn)行解碼，其步驟如下 IOa)根據(jù)最優(yōu)個(gè)體標(biāo)簽確定最優(yōu)個(gè)體的聚類中心，即分別判斷最優(yōu)個(gè)體標(biāo)簽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(diǎn)，否則不予激活；所有被激活的聚類數(shù)據(jù)點(diǎn)組合成為最優(yōu)個(gè)體的聚類中心； IOb)計(jì)算聚類數(shù)據(jù)中每一個(gè)數(shù)據(jù)點(diǎn)到各個(gè)聚類中心的歐式距離，其中最短歐式距離所在的聚類中心號(hào)就是該數(shù)據(jù)點(diǎn)的類別標(biāo)號(hào)； IOc)將類別標(biāo)號(hào)賦給相應(yīng)圖像塊的每一個(gè)像素。
全文摘要
本發(fā)明公開了一種基于自動(dòng)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(jì)算復(fù)雜度較高、分割效果不好的問題。其實(shí)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(jī)抽取聚類數(shù)據(jù)初始化種群；(4)根據(jù)個(gè)體的標(biāo)簽位激活聚類中心；(5)根據(jù)激活的聚類中心，計(jì)算個(gè)體適應(yīng)度值；(6)用改進(jìn)的差分進(jìn)化方法進(jìn)化種群；(7)對(duì)進(jìn)化后種群進(jìn)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(gè)體；(10)對(duì)最優(yōu)個(gè)體解碼，分配類別標(biāo)號(hào)并輸出分割圖像。本發(fā)明具有分割精度高、邊緣定位準(zhǔn)確的優(yōu)點(diǎn)，可用于目標(biāo)識(shí)別。
文檔編號(hào)G06T7/00GK102945553SQ20121049343
公開日2013年2月27日 申請(qǐng)日期2012年11月27日 優(yōu)先權(quán)日2012年11月27日
發(fā)明者李陽(yáng)陽(yáng), 焦李成, 王爽, 武小龍, 馬文萍, 馬晶晶, 李玲玲 申請(qǐng)人:西安電子科技大學(xué)