CN104156943A - 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 - Google Patents

Abstract

本发明公开一种基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法，解决现有聚类算法无法平衡细节和噪声的问题。其实现步骤为：设置迭代次数等运行参数；基于中心编码，随机产生初始种群；以像素点间的欧式距离的相似性度量和空间点与其邻域间的欧式距离的相似性度量同时作为优化目标；更新隶属度；根据优化目标进行优势抗体群更新；非支配邻域选择；对抗体群进行免疫操作，必要时循环；判断是否达到终止条件，达到则由隶属度得到聚类结果，输出分割图像。本发明通过将多目标方法引入包含空间信息的聚类算法，解决了图像分割中细节和噪声难以平衡的问题，可用于图像分割、目标识别等技术领域中。

Description

基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法

技术领域

本发明属于图像处理技术领域，涉及多目标进化算法在图像聚类分割上的应用，可用于图像变化检测、图像分割、图像分类、模式识别、目标跟踪等技术领域中。

背景技术

遥感图像变化检测是通过对同一地区不同时期的两幅或多幅遥感图像的比较分析，以及图像之间的差异得到所需的地物变化信息。目前SAR图像变化检测算法的研究方法大体分为两种：第一是分类后比较法，第二是差异图分类法。差异图分类法是目前公认的较为有效的方法，即先构造一幅差异图像(DI)，然后对这幅差异图像进行处理。在第二步中差异图的分析方法主要是对差异图中变化和非变化区域的准确分类，这种二元分类的变化检测问题，往往可将其划分为图像分割方向的一类重要应用。

在众多的分割算法中，基于聚类分析的图像分割算法是图像分割领域中一类极其重要和应用相当广泛的算法。聚类是对目标或模式以一定的要求和规律进行区分和分类的过程。模糊C-均值聚类(Fuzzy C-Means)算法作为一种常见的基于目标函数最小化的聚类算法。目前已被广泛应用于图像的自动分割。但是经典的FCM本身也存在一定的缺陷：

一方面，传统FCM是一种基于图像灰度的聚类算法，聚类过程中各个像素是相互独立的，并未考虑到图像中各个像素点的灰度特征与其邻域像素的关系，但一般情况下，图像在成像过程中不可避免的受到不同噪声的干扰，特别是SAR图像，其固有乘性斑点噪声，因而分割模型是不完整的，造成FCM算法只适用于分割噪声含量很低的图像。为了克服这一缺点，在聚类过程中结合空间邻域信息是比较常用的方法。常见的有FCM_S，FCM_S1，FCM_S2，FLICM等。上述算法是在FCM的基础上加上模糊的局部空间信息和灰度信息，可以克服FCM本身所存在的问题，同时可以提高聚类的性能，从而达到去除噪声和细节保持的平衡。但是FCM_S这两种算法在引入邻域空间信息时都添加了一个参数来平衡噪声和图像细节之间的权重大小，而参数的选择往往是不确定的，需要通过反复地测试来获得。若参数选择不当，则会影响算法的分割效果。模糊局部信息C均值算法(FLICM)算法期望构造出一个不含参数且能平衡噪声和图像细节的因子，避免了参数选择困难的问题，但是在实际计算中，并不能有效的收敛，且根据拉格朗日乘数法求目标函数的极小值得不到给出的聚类中心和隶属度矩阵结果。

另一方面，传统聚类算法采用随机选取的方法聚类中心进行初始化，就很有可能对聚类结果的准确性造成较大的影响。易使得迭代过程陷入局部最优解，因此把进化计算引入模糊聚类中，可以解决传统聚类方法对初始聚类中心敏感的缺点，并且提高其收敛到全局最优解的概率，以期达到全局寻优、快速收敛的目的。非支配邻域免疫算法NNIA(NNIA,Nondominated Neighbor Immune Algorithm)是通过在人工免疫系统中引入一种新的非支配邻域选择策略提出的一种多目标优化方法。将所有的抗体分为非支配抗体和支配抗体两类，并模拟了免疫响应中多样性抗体共生、少数抗体激活的现象，通过一种基于拥挤距离的个体选择方法，只选择少数拥挤距离较大的非支配个体作为活性抗体，根据活性抗体的拥挤程度进行比例克隆复制，对克隆后的抗体群采用了有别于GA的重组操作和变异操作，以此加强对当前Pareto前沿面中较稀疏区域的搜索。因此能够获得分布均匀的Pareto最优解，与其他具有代表性的进化多目标优化算法NSGA-II、SPEGA2及PESA-II相比，NNIA运算复杂度低、更加有效可行。

由于上述传统聚类算法及其改进算法存在的缺点以及传统聚类方法对初始聚类中心敏感的缺点，限制了聚类算法在图像分割方面的应用，而FLICM算法通过平衡噪声和图像细节的因子，避免了参数选择困难的问题出发点可供参考，因此利用数学方法对图像噪声和细节进行多目标优化建模进行图像聚类分割值得人们加以思考和关注。

发明内容

本发明的目的在于克服上述已有聚类技术在图像分割中的不足，提出一种基于非支配邻域免疫算法的多目标聚类图像变化检测分析方法，同时建立两个相应的目标函数，以实现在图像分割中既能很好的抑制斑点噪声，又不会造成细节的丢失。用随机产生的初始抗体种群代替初始的聚类中心，从而降低传统聚类分割方法对初始聚类中心的敏感度，最终获得一组非劣解，结果图像或保证细节或去除噪声，由用户来自主选择是保留更多细节还是去除噪声，或者二者并重。

本发明的技术方案是将多目标的思想引入模糊聚类算法中以达到在应用聚类算法对图像进行分割时能既保证有效地去除噪声同时又不会造成细节的丢失，采用基于非支配邻域免疫算法对多目标进行优化，得到新的图像聚类分割方法。其具体实现过程如下：

(1)设置终止条件迭代次数T，最大代数Gmax及抗体种群大小Na，变异概率Pm，聚类类别数K，模糊隶属度的加权指数m，t＝0；

(2)读取两时相图像，生成差异图像作为待处理图像；

(3)将差异图像转化为向量形式，作为聚类数据；

(4)采用实数编码，随机产生初始抗体种群，种群表示采用基于中心的表示方法，种群大小为Na×K，每个抗体表示一个聚类中心的组合；

(5)计算像素点和聚类中心间的欧式距离的相似性度量，邻域像素与中心点像素之间的灰度差和欧式空间距离加权同时作为优化目标；

(6)根据优化目标和聚类中心更新隶属度；

(7)根据优化目标进行优势抗体群更新，用非支配排序方法对临时种群中的个体进行排序操作获得个体临时的支配面值，从中选择支配面值小的个体；

(8)非支配邻域选择，选择拥挤距离大的抗体组成活性抗体；

(9)对抗体群进行克隆、重组超变异操作，得到抗体群转到(5)；

(10)判断是否达到终止条件，未达到则t+1，否则通过隶属度得到聚类结果，分割差异图，得到关于变化类和非变化类的二值图像，将所得一系列结果输出，由用户从分割结果中选择保留更多细节还是去除更多噪声。

本发明与现有的技术相比具有以下优点：

1、本发明由于将进化算法引入聚类优化聚类目标，采用基于中心的编码方式，将初始抗体种群设为初始聚类中心组，每个抗体表示一个聚类中心的组合，因而克服了传统聚类算法的初始化敏感问题，提升了聚类算法的稳定性和聚类性能；

2、本发明由于引入邻域像素与中心点像素之间的灰度差和欧式空间距离加权同时作为聚类算法的相似性度量，在聚类过程中结合空间邻域信息，可以更好地去除斑点噪声对聚类结果的影响；

3、本发明由于建立双目标，可以实现在图像分割中既能很好的抑制斑点噪声，又不会造成细节的丢失。同时避免了参数选择困难的问题。

附图说明

图1是本发明实现步骤的流程框图；

图2是本发明使用的非支配邻域免疫算法NNIA流程框图；

图3(a)、图3(b)是一组301×301的两时相的SAR图像；

图3(c)、图3(d)是一组290×350的两时相的SAR图像；

图4(a)是图3(a)和图3(b)生成的初步待分割差异图像；

图4(b)是图3(c)和图3(d)生成的初步待分割差异图像；

图5是用本发明方法对图4进行图像分割得到的仿真实验结果图；

图5(a)是生成的pareto前端；

图5(b)是图4(a)最终分割图像结果选取；

图5(c)是图4(b)最终分割图像结果选取。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1、给定运行参数，设定算法终止条件。

所述的运行参数包括：聚类类数K、算法终止条件迭代次数T、最大代数Gmax及抗体种群大小Na、变异概率Pm、聚类类别数K、t＝0、模糊隶属度的加权指数m＝2。其中：

聚类类数K需要依据具体处理的图像而定，参考待分割图像的特点，期望将其分割为多少类，K便设为多少。对于本发明针对的变化检测的差异图而言，主要分为两类。即变化类和为变化类。所以，K＝2。

聚类终止条件T指迭代次数，这个由用户来设定，一般迭代次数越多，得到效果越好。

最大代数Gmax，最大代数过小，会导致算法未收敛就退出，因而得不到全局最优解；而如果设置过大，则无谓浪费系统资源和时间。这里Gmax取为50。

m为模糊隶属度的加权指数，是模糊聚类算法模糊程度的度量，当加权指数越大时，对隶属度矩阵和聚类中心的改变越大，聚类收敛速度就越快。但是，过大的收敛速度又会使算法产生抖动，不利于算法平稳收敛。在此m＝2。

步骤2、读取两时相图像，生成差异图像作为待处理图像。

对两幅图采用对数比算子进行操作产生差异图，因为SAR图像存在乘性噪声，通过采用对数比运算，可将乘性噪声转化为加性噪声，便于后续操作处理。

步骤3、差异图像转化为向量形式，作为聚类数据。

图像输入数据是m*n矩阵形式，本多目标聚类方法计算像素点和聚类中心的空间欧式距离时，数据形式为M×L矩阵，其中M表示数据点个数，L表示数据点特征个数，SAR图像特征为灰度值故L＝1，将读取的图像转化为向量形式，作为聚类数据。

步骤4、随机产生初始抗体种群。

采用实数编码，随机产生初始抗体种群，种群表示采用基于中心的表示方法。种群大小为Na×K，Na即种群规模，种群规模的取值为100。K即类别数，每一个抗体为K个0～255之间的随机数字，对应各聚类中心灰度值，每个抗体表示一个聚类中心的组合。

步骤5、计算像素点和聚类中心间的欧式距离，邻域像素与中心点像素之间的灰度差和欧式空间距离加权，作为多目标聚类的优化的目标。

5a)对于每一个抗体，即对每一组聚类中心，计算每一个像素点x_i和到所有中心点v_k的欧式距离和

$J_m=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ki}}^m{\left|\right|x_i-v_k\left|\right|}^2$

其中，X＝{x₁,x₂,…x_N}为样本数据集，N表示像素点数目，c为聚类的类别数即K，是第k类的聚类中心，表示第i个像素点x_i对第k类的样本隶属度。

5b)邻域像素与中心像素之间的灰度差和空间欧式距离加权和

$f_m=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{c}{\mathrm{\Σ}}}\underset{i\≠j}{\underset{j\∈N_i}{\mathrm{\Σ}}}\frac{1}{d_{\mathrm{ij}}+1}{(1-u_{\mathrm{ki}})}^m{\left|\right|x_j-v_k\left|\right|}^2$

x_i为局部窗口的中心像素，x_j表示局部窗口内中心像素i附近的邻域像素，d_ij是像素i和邻域像素j的空间欧式距离，v_k是第k类的聚类中心，u_kj表示第j个像素x_j第k类的隶属度。

以上目标均计算各自最小值。

步骤6、更新隶属度。

分别按照各自的优化目标和聚类中心进行隶属度更新，每个像素点均满足如下约束：

$\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ki}}=1$

隶属度更新公式如下：

$u_{\mathrm{ki}}=\frac{1}{{\mathrm{\Σ}}_{l=1}^c{\left(\frac{{\left|\right|x_i-v_k\left|\right|}^2}{{\left|\right|x_i-v_l\left|\right|}^2}\right)}^{1/m-1}}$

步骤7、根据优化目标进行优势抗体群更新，用非支配排序方法对临时种群中的个体进行排序操作获得个体临时的支配面值，从中选择支配面值小的个体。

步骤8、判断是否达到终止条件。

判断是否达到最大代数Gmax和运行次数T，达到则输出最终的非支配解集，通过最终隶属度得到聚类结果，分割差异图，得到关于变化类和非变化类的二值图像，将所得一系列结果输出，由用户从分割结果中选择保留更多细节还是去除更多噪声。

否则，t＝t+1。

步骤9、非支配邻域选择，选择拥挤距离大的抗体组成活性抗体。拥挤距离是由当前Pareto前沿面上与其邻近的非支配个体决定的分布密度的估计值。

步骤10、对抗体群进行克隆、重组超变异操作，得到抗体群转到(5)。

本发明的效果可通过以下仿真进一步说明：

1.仿真条件及仿真内容：

本实例在Intel(R)Core(TM)2Duo CPU2.33GHz Windows XP系统下，MatlabR2013a运行平台上，完成本发明的SAR图像变化检测仿真实验。

2.仿真实验内容

A.本发明图像差异图产生的仿真

将本发明应用在如图3所示的两组SAR图像上。一组图像大小为301×301，反映的是瑞士首都伯尔尼市(Bern)郊区附近的水灾情况。拍摄时间分别为1999年4月图3(a)和1999年5月图3(b)。另一组图像大小为290x350，反映的是加拿大渥太华(Ottawa)地区受雨季影响其地表变化的情况，拍摄时间分别为1997年5月图3(c)和1997年8月图3(d)。

B.差异图像聚类分割方法的仿真

图4为两组图像经由对数比生成的差异图，即待分割图像，图4(a)和图4(b)。

变化检测的目的是最终得到变化的部分，因此图像主要分为两部分，即变化类和非变化类，因此类别数K设置为2。

图5为用本发明方法对图4进行图像分割得到的仿真实验结果图，图5(a)为多目标聚类的结果为一组非支配解集即pareto前端，图5(b)和5(c)为选取的8组解对应的分割结果。

图中白色区域代表变化类，黑色区域代表未变化类。

3.仿真实验结果

从图5可以看出，本发明得到的仿真实验结果有较好的主观视觉效果，传统图像分割结果在细节保持和去噪方面，难以得到最佳的平衡，由结果得到的一系列非劣解，可以看出图像噪声减少的趋势和细节的逐步缺失。用户可以自主选择是选择最大限度的保持细节的完整，还是有效的去除噪声，这对于图像变化检测结果来说用户可以选择错误分割出现较少的结果。

综上所述，本发明针对SAR图像差异图像进行二分类过程中聚类分割，有效的解决了其他聚类分割所造成的难以有效去除噪声，同时保持细节完整的缺点，同时克服了参数调节和容易陷入局部最优的困难。

Claims (6)

1.一种基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法，其特征在于将非支配邻域免疫算法NNIA应用到包含邻域信息的模糊聚类方法，得到一种多目标聚类分割算法，在噪声免疫和图像细节保留上达到了很好的平衡，本方法实现包括如下步骤：

(1)设置需要设置的参数，所述需要设置的参数包括：终止条件迭代次数T，最大代数Gmax及抗体种群大小Na，变异概率Pm，聚类类别数K，模糊隶属度的加权指数m，t＝0；

(2)读取两时相图像，生成差异图像作为待处理图像；

(3)将差异图像转化为向量形式，作为聚类数据；

(4)采用实数编码，随机产生初始抗体种群，种群表示采用基于中心的表示方法，种群大小为Na×K，每个抗体表示一个聚类中心的组合；

(5)计算像素点和聚类中心间的欧式距离的相似性度量，邻域像素与中心点像素之间的灰度差和欧式空间距离加权同时作为优化目标；

(6)按照各自的优化目标和聚类中心进行隶属度更新；

(7)根据优化目标进行优势抗体群更新，用非支配排序方法对临时种群中的个体进行排序操作获得个体临时的支配面值，从中选择支配面值小的个体；

(8)非支配邻域选择，选择拥挤距离大的抗体组成活性抗体；

(9)对抗体群进行克隆、重组超变异操作，得到抗体群转到(5)；

(10)判断是否达到终止条件，未达到则t+1，否则通过隶属度得到聚类结果，分割差异图，得到关于变化类和非变化类的二值图像，将所得一系列结果输出，由用户从分割结果中选择保留更多细节还是去除更多噪声。

2.根据权利要求1所述的基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法，其中步骤(1)所述的需要设置的参数，包括算法终止条件迭代次数T＝2、最大代数Gmax＝100及抗体种群大小Na＝100、变异概率Pm＝1/K、聚类类别数K＝2，模糊隶属度的加权指数m＝2。

3.根据权利要求1所述的基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法，其中步骤(3)所述的将差异图像转化为向量形式，图像输入数据是m×n矩阵形式，本多目标聚类方法计算像素点和聚类中心的空间欧式距离时，数据形式为M×L矩阵，其中M表示数据点个数，L表示数据点特征个数，SAR图像特征为灰度值，故L＝1，将读取的图像矩阵转化为向量形式，作为聚类数据。

4.根据权利要求1所述的基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法，其中步骤(4)所述的随机产生初始抗体种群，种群表示采用基于中心的表示方法，采用实数编码，种群大小为Na×K，Na即种群规模，种群规模的取值为100，K为聚类类别数，每一个抗体为K组0～255之间的随机数字，对应各聚类中心灰度值，每个抗体表示一个聚类中心的组合。

5.根据权利要求1所述的基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法，其中步骤(5)所述的计算像素点和聚类中心间的欧式距离，邻域像素与中心点像素之间的灰度差和欧式空间距离加权，作为多目标聚类的优化的目标，以下目标函数均为计算各自最小值；

5a)对于每一个抗体，即对每一组聚类中心，计算每一个像素点x_i和到所有中心点v_k的欧式距离和，目的保持图像细节，达到聚类的紧凑性目标，目标函数如下：

$J_m=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ki}}^m{\left|\right|x_i-v_k\left|\right|}^2$

其中，X＝{x₁,x₂,…x_N}为样本数据集，N表示像素点数目，c为聚类的类别数即K，是第k类的聚类中心，表示第i个像素点x_i对第k类的样本隶属度；

5b)邻域像素与中心像素之间的灰度差和空间欧式距离加权和，目的用来消除噪声，目标函数如下：

$f_m=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{c}{\mathrm{\Σ}}}\underset{i\≠j}{\underset{j\∈N_i}{\mathrm{\Σ}}}\frac{1}{d_{\mathrm{ij}}+1}{(1-u_{\mathrm{ki}})}^m{\left|\right|x_j-v_k\left|\right|}^2$

x_i为局部窗口的中心像素，x_j表示局部窗口内中心像素i附近的邻域像素，d_ij是像素i和邻域像素j的空间欧式距离，v_k是第k类的聚类中心，u_kj表示第j个像素x_j第k类的隶属度。

6.根据权利要求1所述的基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法，其中步骤(6)所述的按照各自的优化目标和聚类中心进行隶属度更新，

隶属度更新公式如下：

$u_{\mathrm{ki}}=\frac{1}{{\mathrm{\Σ}}_{l=1}^c{\left(\frac{{\left|\right|x_i-v_k\left|\right|}^2}{{\left|\right|x_i-v_l\left|\right|}^2}\right)}^{1/m-1}}$

每个像素点均满足如下约束：

$\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ki}}=1.$