CN104751449A - 一种基于粒子群优化的sar图像分割方法 - Google Patents

Abstract

本发明公开了一种基于粒子群优化的SAR图像分割方法，该方法是针对传统单目标聚类图像分割算法存在局部错分，区域不一致的问题提出的，该聚类图像分割算法首先通过分水岭变换将图像分割成不规则的互不重叠的区域，产生过分割，将过分割转化为一个聚类优化过程，本方法不仅考虑区域的纹理特征，还考虑了区域的空间特征，保证了图像分割信息的完整性，从而保持了分割后的区域一致性，提高了图像分割的质量。

Description

一种基于粒子群优化的SAR图像分割方法

  

技术领域

本发明属于计算机算法领域，更具体地说，本发明涉及一种基于粒子群优化的SAR图像分割方法。

背景技术

图像分割是图像处理的关键技术之一。图像分割的结果就是将图像分成若干个部分，每部分代表图像中不一样的特征，并把同一部分像素标记为同一个值，图像分割方法主要有基于区域的方法，基于边缘检测的方法，基于聚类分析的方法等，提出了一种基于粒子群优化的SAR图像分割方法，该方法是针对传统单目标聚类图像分割算法存在局部错分，区域不一致的问题提出的。该聚类图像分割算法首先通过分水岭变换将图像分割成不规则的互不重叠的区域，产生过分割，将过分割转化为一个聚类优化过程，本方法不仅考虑区域的纹理特征，还考虑了区域的空间特征，保证了图像分割信息的完整性，从而保持了分割后的区域一致性，提高了图像分割的质量。

发明内容

本发明所要解决的问题是提供一种分割后的区域一致性高，图像分割质量好的一种基于粒子群优化的SAR图像分割方法。

为了实现上述目的，本发明采取的技术方案为：

一种基于粒子群优化的SAR图像分割方法，包括如下步骤：

（1）输入待分割图像，提取该待分割图像中每个像素点的特征；

（2）计算待分割图像的梯度；

（3）对形态梯度图像进行分水岭分割，得到N个互不重叠的区域，N>1000；

（4）在N个互不重叠的区域中，分别对每两个区域进行膨胀扩充，膨胀扩充后，获得每个区域与其他各区域的邻接关系；

（5）对每个区域中所有像素点的特征进行平均值的计算，获得每个区域的特征向量，得到初始聚类数据点的集合：z={z₁,z₂,..z_N}；

（6）利用初始聚类数据点集合Z，随机初始化大小为M 的种群；

（7）将各粒子的当前位置作为各粒子的最优位置P=[p_r]，r=1,2，M，再从所有粒子的最优位置P中随机选择一个位置作为种群的全局最优位置p_g,并初始化各粒子最优位置的适应度值[pbest]=Pbest_r；

（8）计算第j个聚类点到聚类中心i的距离d_ij；

（9）计算种群中的各粒子的适应度值；

（10）根据各粒子的目标函数值，升级每个粒子的最优位置和种群全局最优位置；

（11）根据各粒子最优位置P和全局最优位置p_g，更新各粒子的速度和位置；

(12)更新迭代次数t，直到迭代次数达到预先设定的最大值

max gen=100，输出最佳隶属度矩阵，执行步骤十三，否则返回到步骤八进行下一代迭代；

(13)根据最佳隶属度矩阵计算各个区域的邻域属于不同类的概率，按照最大概率原则依次对每个区域进行标记，得到了最终的图像分割结果。

优选的，所述步骤(1)进一步包括如下步骤:

a.对于任意像素点i，利用小波分解，提取图像的 10 维小波特征向量；

b.对于任意像素点i，计算0⁰,45⁰,90⁰,135⁰四个方向上的灰度共生矩阵，得到四个共生矩阵，在这四个共生矩阵上选取三个统计量，分别为对比度、同质性和角二阶，这样就得到了像素点i的12维纹理特征向量；

c. 将上述10维小波特征向量和12维纹理特征向量合并成22维特征向量，作为第i个像素点的纹理特征；

d. 对图像中的所有像素点重复步骤（a）-（c），得到原始图像所有像素点的特征。

优选的，所述步骤（4）中邻接关系为：若两个区域相交，则将它们的邻接关系记为1，否则，将邻接关系记为0。

优选的，所述步骤（6）进一步包括如下步骤:

a.从数据点集合Z中随机选取c个数据点作为种群中当前粒子的位置，这c个数据点中的每个数据点代表一个聚类中心，由此得到种群中各粒子的当前位置X={x₁，x₂...x_M,}，其中c为聚类类别数目；

b. 随机初始化种群中速度V={v₁,v₂..v_M}和隶属度矩阵U=[u _ij]，

i=1,2,..c ,j=1,2,..N，u_ij表示第j个聚类点隶属于第i类的隶属度，c为聚类类别数目。

优选的，所述步骤（10）进一步包括如下步骤：

a.将各粒子的目标函数值Fitness 与各自粒子最优位置的目标函数值Pbest比较；

b.将各粒子最优位置的目标函数值Pbest与全局最优位置的目标函数值gbest比较。

优选的，所述步骤b中如果粒子r最优位置的目标函数值

pbest_r小于全局最优位置的目标函数值gbest，则用该粒子最优位置p_r代替全局最优位置p_g，否则全局最优位置p_g不变。

有益效果：本发明提供了一种基于粒子群优化的SAR图像分割方法，该方法是针对传统单目标聚类图像分割算法存在局部错分，区域不一致的问题提出的，该聚类图像分割算法首先通过分水岭变换将图像分割成不规则的互不重叠的区域，产生过分割，将过分割转化为一个聚类优化过程，本方法不仅考虑区域的纹理特征，还考虑了区域的空间特征，保证了图像分割信息的完整性，从而保持了分割后的区域一致性，提高了图像分割的质量。

附图说明

图1为本发明一种基于粒子群优化的SAR图像分割方法的流程图。

具体实施方式

一种基于粒子群优化的SAR图像分割方法，包括如下步骤：

（1）输入待分割图像，提取该待分割图像中每个像素点的特征，进一步包括如下步骤：

a.对于任意像素点i，利用小波分解，提取图像的 10 维小波特征向量；

b.对于任意像素点i，计算0⁰,45⁰,90⁰,135⁰四个方向上的灰度共生矩阵，得到四个共生矩阵，在这四个共生矩阵上选取三个统计量，分别为对比度、同质性和角二阶，这样就得到了像素点i的12维纹理特征向量；

c. 将上述10维小波特征向量和12维纹理特征向量合并成22维特征向量，作为第i个像素点的纹理特征；

（2）计算待分割图像的梯度；

（3）对形态梯度图像进行分水岭分割，得到N个互不重叠的区域，N>1000；

（4）在N个互不重叠的区域中，分别对每两个区域进行膨胀扩充，膨胀扩充后，获得每个区域与其他各区域的邻接关系，若两个区域相交，则将它们的邻接关系记为1，否则，将邻接关系记为0；

（5）对每个区域中所有像素点的特征进行平均值的计算，获得每个区域的特征向量，得到初始聚类数据点的集合：z={z₁,z₂,..z_N}；

（6）利用初始聚类数据点集合Z，随机初始化大小为M的种群，进一步包括如下步骤:

a.从数据点集合Z中随机选取c个数据点作为种群中当前粒子的位置，这c个数据点中的每个数据点代表一个聚类中心，由此得到种群中各粒子的当前位置X={x₁，x₂...x_M,}，其中c为聚类类别数目；

b. 随机初始化种群中速度V={v₁,v₂..v_M}和隶属度矩阵U=[u _ij]，

i=1,2,..c ,j=1,2,..N，u_ij表示第j个聚类点隶属于第i类的隶属度，c为聚类类别数目；

（7）将各粒子的当前位置作为各粒子的最优位置P=[p_r]，r=1,2，M，再从所有粒子的最优位置P中随机选择一个位置作为种群的全局最优位置p_g,并初始化各粒子最优位置的适应度值[pbest]=Pbest_r；

（8）计算第j个聚类点到聚类中心i的距离d_ij；

（9）计算种群中的各粒子的适应度值；

（10）根据各粒子的目标函数值，升级每个粒子的最优位置和种群全局最优位置，进一步包括如下步骤：

a.将各粒子的目标函数值Fitness与各自粒子最优位置的目标函数值Pbest比较；

b. 将各粒子最优位置的目标函数值Pbest与全局最优位置的目标函数值gbest比较，步骤b中如果粒子r最优位置的目标函数值pbest_r小于全局最优位置的目标函数值gbest，则用该粒子最优位置p_r代替全局最优位置p_g，否则全局最优位置p_g不变；

（11）根据各粒子最优位置P和全局最优位置p_g，更新各粒子的速度和位置；

(12)更新迭代次数t，直到迭代次数达到预先设定的最大值

max gen=100，输出最佳隶属度矩阵，执行步骤十三，否则返回到步骤八进行下一代迭代；

(13)根据最佳隶属度矩阵计算各个区域的邻域属于不同类的概率，按照最大概率原则依次对每个区域进行标记，得到了最终的图像分割结果。

本发明提供了一种基于粒子群优化的SAR图像分割方法，该方法是针对传统单目标聚类图像分割算法存在局部错分，区域不一致的问题提出的，该聚类图像分割算法首先通过分水岭变换将图像分割成不规则的互不重叠的区域，产生过分割，将过分割转化为一个聚类优化过程，本方法不仅考虑区域的纹理特征，还考虑了区域的空间特征，保证了图像分割信息的完整性，从而保持了分割后的区域一致性，提高了图像分割的质量。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于粒子群优化的SAR图像分割方法，其特征在于，包括如下步骤：

（1）输入待分割图像，提取该待分割图像中每个像素点的特征；

（2）计算待分割图像的梯度；

（3）对形态梯度图像进行分水岭分割，得到N个互不重叠的区域，N>1000；

（4）在N个互不重叠的区域中，分别对每两个区域进行膨胀扩充，膨胀扩充后，获得每个区域与其他各区域的邻接关系；

（5）对每个区域中所有像素点的特征进行平均值的计算，获得每个区域的特征向量，得到初始聚类数据点的集合：z={z₁,z₂,..z_N}；

（6）利用初始聚类数据点集合Z，随机初始化大小为M 的种群；

（7）将各粒子的当前位置作为各粒子的最优位置P=[p_r]，r=1,2，M，再从所有粒子的最优位置P中随机选择一个位置作为种群的全局最优位置p_g,并初始化各粒子最优位置的适应度值[pbest]=Pbest_r；

（8）计算第j个聚类点到聚类中心i的距离d_ij；

（9）计算种群中的各粒子的适应度值；

（10）根据各粒子的目标函数值，升级每个粒子的最优位置和种群全局最优位置；

（11）根据各粒子最优位置P和全局最优位置p_g，更新各粒子的速度和位置；

(12)更新迭代次数t，直到迭代次数达到预先设定的最大值

max gen=100，输出最佳隶属度矩阵，执行步骤十三，否则返回到步骤八进行下一代迭代；

(13)根据最佳隶属度矩阵计算各个区域的邻域属于不同类的概率，按照最大概率原则依次对每个区域进行标记，得到了最终的图像分割结果。

2.按照权利要求1所述的一种基于粒子群优化的SAR图像分割方法，其特征在于：所述步骤(1)进一步包括如下步骤:

a.对于任意像素点i，利用小波分解，提取图像的 10 维小波特征向量；

b.对于任意像素点i，计算0⁰,45⁰,90⁰,135⁰四个方向上的灰度共生矩阵，得到四个共生矩阵，在这四个共生矩阵上选取三个统计量，分别为对比度、同质性和角二阶，这样就得到了像素点i的12维纹理特征向量；

c. 将上述10维小波特征向量和12维纹理特征向量合并成22维特征向量，作为第i个像素点的纹理特征；

d. 对图像中的所有像素点重复步骤（a）-（c），得到原始图像所有像素点的特征。

3.按照权利要求1所述的一种基于粒子群优化的SAR图像分割方法，其特征在于：所述步骤（4）中邻接关系为：若两个区域相交，则将它们的邻接关系记为1，否则，将邻接关系记为0。

4.按照权利要求1所述的一种基于粒子群优化的SAR图像分割方法，其特征在于：所述步骤（6）进一步包括如下步骤:

a.从数据点集合Z中随机选取c个数据点作为种群中当前粒子的位置，这c个数据点中的每个数据点代表一个聚类中心，由此得到种群中各粒子的当前位置X={x₁，x₂...x_M,}，其中c为聚类类别数目；

b. 随机初始化种群中速度V={v₁,v₂..v_M}和隶属度矩阵U=[u _ij]，

i=1,2,..c ,j=1,2,..N，u_ij表示第j个聚类点隶属于第i类的隶属度，c为聚类类别数目。

5.按照权利要求1所述的一种基于粒子群优化的SAR图像分割方法，其特征在于：所述步骤（10）进一步包括如下步骤：

a.将各粒子的目标函数值Fitness 与各自粒子最优位置的目标函数值Pbest比较；

b.将各粒子最优位置的目标函数值Pbest与全局最优位置的目标函数值gbest比较。

6.按照权利要求5所述的一种基于粒子群优化的SAR图像分割方法，其特征在于：所述步骤b中如果粒子r最优位置的目标函数值

pbest_r小于全局最优位置的目标函数值gbest，则用该粒子最优位置p_r代替全局最优位置p_g，否则全局最优位置p_g不变。