CN106056581B - 一种利用改进模糊聚类算法提取红外行人目标的方法 - Google Patents

一种利用改进模糊聚类算法提取红外行人目标的方法 Download PDF

Info

Publication number
CN106056581B
CN106056581B CN201610343256.1A CN201610343256A CN106056581B CN 106056581 B CN106056581 B CN 106056581B CN 201610343256 A CN201610343256 A CN 201610343256A CN 106056581 B CN106056581 B CN 106056581B
Authority
CN
China
Prior art keywords
image
pedestrian
target
clustering algorithm
fuzzy clustering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610343256.1A
Other languages
English (en)
Other versions
CN106056581A (zh
Inventor
白相志
王英帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201610343256.1A priority Critical patent/CN106056581B/zh
Publication of CN106056581A publication Critical patent/CN106056581A/zh
Application granted granted Critical
Publication of CN106056581B publication Critical patent/CN106056581B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种利用改进模糊聚类算法提取红外行人目标的方法，该方法具体步骤如下：步骤一：检测行人目标对称轴所在位置；首先使用显著性算法得到目标所在的区域，然后使用模糊C均值算法对目标所在区域进行初分类，通过对初分类结果图像的每一列求和，得到列求和曲线，然后求该曲线的极值，认为极值所在位置即为行人的对称轴位置；步骤二：为了降低红外图像中的灰度不均匀现象对聚类过程的影响，采用形态学闭运算对原始图像进行预处理；步骤三：采用改进的模糊聚类算法对预处理后图像进行聚类分割；步骤四：为了得到轮廓完整且具有平滑边缘的分割结果，需要对聚类结果进行后续处理：剔除非行人目标区域和小面积区域，并平滑边缘。

Description

一种利用改进模糊聚类算法提取红外行人目标的方法
【技术领域】
本发明涉及一种利用改进模糊聚类算法提取红外行人目标的方法，尤其是模糊聚类技术和图像分割技术，在各类基于图像的应用系统中有广阔的应用前景，属于数字图像处理领域。
【背景技术】
图像分割就是把图像分成若干个特定的、具有特殊性质的区域并提取出所需要的感兴趣目标的过程。它是由图像处理到图像分析的关键步骤。图像分割也是为了进一步对图像进行分析、识别、跟踪、理解等，分割结果的好坏将直接影响后续任务的准确性，如何快速、有效地将感兴趣的目标从复杂的背景中分割出来,具有十分重要的意义。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。由于目标红外图像具有低对比度、低信噪比、边缘模糊及无纹理特征等特点，针对红外图像的这一特点，采用模糊聚类的方法对红外图像进行分割具有一定的优势。“模糊”即为“不确定”，模糊聚类能够很好地克服图像分割中像素点分类不确定的问题。
在使用模糊聚类方法进行图像分割方面，研究者提出了许多方法。其中应用较广泛的就是模糊C均值算法，模糊C均值(FCM)算法(参见文献：J.C.邓恩.一种和ISODATA算法相关的模糊图像处理方法及其应用于检测紧凑易分离聚类.控制论学报，1973,3(3):32-57.(J.C.Dunn.A Fuzzy Relative of the ISODATA Process and Its Use in DetectingCompact Well-Separated Clusters[J].Journal of Cybernetics,1973,3(3):32-57.))由J.C.Dunn提出并经Bezdek推广，是一种基于目标函数优化的聚类算法。但模糊C均值算法收敛速度慢，且认为像素点都是孤立的，算法并未考虑任何空间信息，导致该算法对噪声敏感。在此基础上，很多人对FCM算法进行了研究，提出了许多改进的算法，例如Ahmed等人提出了加入空间信息的改进算法FCM_S算法(参见文献：穆罕默德·N·艾哈迈德，萨迈赫·亚马尼，内文·穆罕默德等人.一种用于偏置场估计得改进模糊C均值算法和其应用于MRI图像分割.IEEE医学影像学.21卷.193-199,2002.(M.Ahmed,S.Yamany,N.Mohamed,A.Farag,and T.Moriarty,“A modified fuzzy C-means algorithm for bias field estimationand segmentation of MRI data,”IEEE Trans.Med.Imag.,vol.21,pp.193–199,2002.))，在此基础上Chen和Zhang提出了FCM_S的两种变种算法FCM_S1和FCM_S2(参见文献：陈松灿，张道强.一种稳定的基于核函数的结合空间信息模糊C均值图像分割算法.IEEE系统控制处理汇刊.34卷.1907-1916，2004.(S.Chen and D.Zhang,“Robust image segmentationusing FCM with spatial constraints based on new kernel-induced distancemeasure,”IEEE Trans.Syst.,Man,Cybern.,vol.34,pp.1907–1916,2004.))，针对FCM算法迭代速度慢的问题，Szilagyi等人提出了能够加快迭代速度的EnFCM算法(参见文献：西拉吉，贝尼奥等人.一种改进的模糊C均值算法及其用于核磁共振脑部图像分割.第25届IEEE医学生物工程年度国际会议，2003，17-21.(L.Szilagyi,Z.Benyo,S.Szilagyii,andH.Adam,“MR brain image segmentation using an enhanced fuzzy C-meansalgorithm,”in Proc.25th Annu.Int.Conf.IEEE EMBS,2003,pp.17–21.))，SteliosKrinidis和Vassilios Chatzis提出的加入了局部空间信息和灰度信息的FLICM算法(参见文献：斯泰利奥斯，瓦西利斯.一种结合局部空间信息的稳定的改进模糊C均值算法.美国电气电子工程师学会图像处理汇刊.19，1328-1337，2010年5月.(S.Krinidis andV.Chatzis,A robust fuzzy local information c-means clustering algorithm,IEEETrans.Imag.Process.),vol.19,no.5,pp.1328–1337,May 2010.)等等。
在提出的算法中，各算法都有各自的优点，也都有各自的不足，但抗噪性和分割结果方面都有了明显的改善。在红外图像中，行人目标的轮廓特征和几何对称性特征十分明显，在此基础上为了能够有效地提取出行人目标，本发明提出了一种使用改进的模糊聚类算法提取红外图像中行人目标的方法。
【发明内容】
1、目的：模糊聚类技术以一种有效的图像分割技术，但传统的模糊C均值算法并未考虑任何空间信息，导致该算法对噪声敏感。并且该算法中仅仅以图像的灰度特征为分类依据，有时候并不能理想地完成分割任务。
为了解决上述问题并弥补传统方法的不足，本发明提供了一种使用改进的模糊聚类算法提取红外图像中行人目标的方法，该方法首先采用显著性算法和模糊C均值算法确定图像中行人对称轴所在位置，再使用形态学运算对图像进行预处理，然后采用改进的模糊聚类算法对图像进行聚类分割，改进的算法中考虑了图像的空间信息和行人的几何对称性信息，因此抗噪性和分割质量都有了明显的提高。
2、技术方案：为了实现这个目的，本发明的技术方案如下，首先利用显著性算法和模糊C均值算法检测红外图像中行人目标的对称轴位置；然后，通过对原图循环进行闭运算操作来减小红外图像中的灰度不均匀对聚类过程的影响；随后，采用改进的模糊聚类算法对红外图像进行聚类分割，得到聚类结果；最后，对聚类结果进一步处理，剔除小面积区域和非目标区域，同时对聚类结果进行闭运算使得到的结果边缘更为平滑，轮廓更为完整。从而达到提取红外图像中行人目标的目的。
本发明是一种利用改进模糊聚类算法提取红外行人目标的方法，该方法具体步骤如下：
步骤一：检测行人目标对称轴所在位置。首先使用显著性算法得到目标所在的大致区域，然后使用模糊C均值算法对目标所在区域进行初分类，通过对初分类结果图像的每一列求和，得到列求和曲线，然后求该曲线的极值，认为极值所在位置即为行人的对称轴位置。
其中，步骤一还包括如下步骤：
1.1采用Xiaodi Hou和Jonathan Harel提出的基于图像签名的显著性方法，该方法提取显著图的过程中所用的梯度算子为Sobel算子。
1.2对得到的显著图进行阈值分割，阈值分割的方法为大津阈值法，将得到的二值图像与原图相乘，得到只含有行人区域的图像。
1.3对步骤1.2中得到的行人区域图像采用模糊C均值算法进行初始分类。
1.4对步骤1.3中得到的分类结果进行列求和，得到求和曲线，并对该曲线进行平滑处理，得到平滑曲线。
1.5对步骤1.4中得到的平滑曲线寻找其极值所在的位置，极值所在的位置为行人对称轴的位置，同时记录下对称轴在原图中的位置。
步骤二：为了降低红外图像中的灰度不均匀现象对聚类过程的影响，采用形态学闭运算对原始图像进行预处理。
对原始图像预处理的方法如下：
2.1闭运算所用结构元素为矩形结构元素，尺寸为l×2，l为其长度，设定l初始值为1，对原始红外图像进行闭运算操作。
2.2逐渐增大结构元素尺寸，继续进行闭运算操作。
2.3直至结构元素的长度l满足l＞10，停止运算，预处理完成。
步骤三：采用改进的模糊聚类算法对预处理后图像进行聚类分割。改进的模糊聚类算法目标函数如下：
其中Wij为权重系数，αj为对称因子，β为常数，Ns为当前像素点的对称点的邻域，x'r是该邻域中的像素点。目标函数中各参数含义如表1所示：
表1
N 像素点总数
j 像素点位置坐标
c 类别总数
i 类别序数
uij 第j个像素点相对于第i类的隶属度
vi 第i类的聚类中心
m 模糊因子
xj 第j个像素点的像素值
Ns 镜像点的邻域
x′r 镜像点邻域像素值
各参数定义如下：
(1-Pj(i))为拒绝度，(1-Qj(i))是对拒绝度的修正项，开根号是为了保持统一数量级。pj(i)的计算过程如下：
其中，Nj代表当前像素点的邻域，ur,i代表邻域中像素点对于第i类的隶属度，Z1为一常数，定义如下：
Qj(i)的计算过程如下：
Qj(i)＝exp(-Ej(i))/Z
其中Z是一常数，定义如下：
Ej(i)表示一种能量函数，其计算过程如下：
其中x，y表示当前像素点的位置坐标，x'和y'为当前像素点的对称点的位置坐标，ui(x,y)表示坐标为(x,y)的像素点对于第i类的隶属度。
对称因子αj的计算过程如下：
其中和分别代表当前像素点及其对称点在3×3内的邻域计算得到的灰度均值，f为全图的灰度均值，σ为全图灰度标准差。
σfore代表行人目标的方差，Sfore代表行人的面积大小，S为全图面积。
可推导得隶属度矩阵和聚类中心的迭代公式为：
其中k表示类别序数，vk代表第k类的聚类中心。
改进算法步骤为：
3.1设定类别数c，最大迭代次数T和迭代停止阈值ε。
3.2初始化隶属度矩阵和聚类中心。
3.3计算对称因子α。
3.4计算权重系数Wij。
3.5根据聚类中心和隶属度矩阵的计算公式更新聚类中心和隶属度矩阵，根据目标函数计算公式计算目标函数J的值。
3.6若|J(t+1)-J(t)|＜ε，则停止迭代；否则继续进行步骤3.5。其中J代表计算得到的目标函数的值，t代表迭代次数。
3.7根据隶属度最大原则进行逆模糊化，完成图像分割。
步骤四：为了得到轮廓完整且具有平滑边缘的分割结果，需要对聚类结果进行后续处理：剔除非行人目标区域和小面积区域，并平滑边缘。本方法中采用形态学运算来完成后续处理工作。
后续处理包括四个方面的内容：
4.1将分割结果中的非闭合区域剔除。
4.2将连通域面积小于某个值的区域剔除，面积阈值设为10。
4.3对4.2所得结果进行闭运算，闭运算结构元素为正方形，大小为4。
4.4根据之前记录下的对称轴的位置，将处理后的图像放回到原图中的位置。
3、优点及功效：传统的模糊C均值算法认为像素点是孤立的，且并未考虑任何空间信息，导致传统模糊C均值算法容易受到噪声影响，不能够得到理想的分割效果。本发明提出的改进模糊聚类算法中引入了图像的空间信息及几何对称信息，提高了算法的抗噪性能，改善了分割结果。引入对称性信息可有效运用红外行人的特征，因此针对红外行人目标的提取可以得到更好的分割结果，具有广阔的市场前景与应用价值。
【附图说明】
图1为本发明使用改进的模糊聚类算法提取红外图像中行人目标的方法的原理框图。
图2a是本发明检测红外图像行人对称轴位置的过程的原图。
图2b是本发明检测红外图像行人对称轴位置的过程的显著图。
图2c是本发明检测红外图像行人对称轴位置的过程的列求和曲线。
图2d是本发明检测红外图像行人对称轴位置的过程的对称轴检测结果。
图3a是本发明采用形态学运算对图像进行预处理过程的原图。
图3b是本发明采用形态学运算对图像进行预处理过程的预处理结果图。
图4a是本发明应用于红外图像的分割结果的原图。
图4b是本发明应用于红外图像的分割结果的原图。
图4c是本发明应用于红外图像的分割结果的聚类结果图。
图4d是本发明应用于红外图像的分割结果的聚类结果图。
图5a是本发明后续处理过程的聚类结果图。
图5b是本发明后续处理过程的聚类结果图。
图5c是本发明后续处理过程的最终分割结果图。
图5d是本发明后续处理过程的最终分割结果图。
图5e是本发明后续处理过程的聚类结果图。
图5f是本发明后续处理过程的聚类结果图。
图5g是本发明后续处理过程的最终分割结果图。
图5h是本发明后续处理过程的最终分割结果图。
图6a是本发明分割结果和原图的对比图的原图。
图6b是本发明分割结果和原图的对比图的分割结果。
图6c是本发明分割结果和原图的对比图的原图。
图6d是本发明分割结果和原图的对比图的分割结果。
图6e是本发明分割结果和原图的对比图的原图。
图6f是本发明分割结果和原图的对比图的分割结果。
【具体实施方式】
为了更好地理解本发明的技术方案，以下结合附图对本发明的实施方式作进一步描述。
本发明的原理框图如图1所示，本发明的具体实施步骤如下：
步骤一：由于改进算法中需用到行人对称性，因此检测红外图像中行人目标对称轴的位置是首先要进行的工作。行人对称轴的检测方法如下：
1)首先使用显著性方法确定行人大致位置，本发明采用Xiaodi Hou和JonathanHarel等人(参见文献：侯晓迪，乔纳森·哈雷尔，克里斯托弗·科赫.图像签名:突出稀疏显著区域.美国电气电子工程师学会模式分析与机器智能汇刊.34(1)2012,194-201.(X.D.Hou,J.Harel,C.Koch,Image signature:highlighting sparse salient regions,IEEE Trans.Pattern Anal.Mach.Intell.34(1)(2012)194–201.))提出的基于图像签名的显著性方法，该方法提取显著图的过程中所用的梯度算子为Sobel算子。
2)对得到的显著图进行阈值分割，阈值分割的方法为大津阈值法，将得到的二值图像与原图相乘，得到只含有行人区域的图像。
3)对步骤2)中得到的行人区域图像采用模糊C均值进行初始分类。
4)对步骤3)中得到的分类结果进行列求和，得到求和曲线，并对该曲线进行平滑处理，得到平滑曲线。
5)对步骤4)中得到的平滑曲线寻找其极值所在的位置，认为是行人对称轴的位置，同时记录下对称轴在原图中的位置。
图2a为原图，图2b为对应的显著图，图2c为得到的列求和曲线，图2d为对称轴检测结果。
步骤二：红外图像中的行人目标并不全是高亮区域，目标灰度不均匀，这会对后面的聚类过程产生影响，因此需要对图像进行预处理来减小该影响。
在本发明中对图像预处理的方法如下：
1)闭运算所用结构元素为矩形结构元素，尺寸为l×2，l为其长度，设定l初始值为1，对原始红外图像进行闭运算操作。
2)逐渐增大结构元素尺寸，继续进行闭运算操作。
3)直至结构元素的长度l满足l＞10，停止运算，预处理完成。
在预处理过程中本发明采用矩形结构元素，尺寸大小为l×2，其中l为整数，且满足l≤10。
图3a和图3b中给出了预处理前后的对比图。
步骤三：采用改进的模糊聚类算法对预处理后的图像进行聚类分割。改进模糊聚类算法目标函数如下：
其中Wij为权重系数，αj为对称因子，β为常数，Ns为当前像素点的对称点的邻域，x'r是该邻域中的像素点，目标函数中各参数含义如表2所示：
表2
N 像素点总数
j 像素点位置坐标
c 类别总数
i 类别序数
uij 第j个像素点相对于第i类的隶属度
vi 第i类的聚类中心
m 模糊因子
xj 第j个像素点的像素值
Ns 镜像点的邻域
x′r 镜像点邻域像素值
各参数定义如下：
(1-Pj(i))为拒绝度，(1-Qj(i))是对拒绝度的修正项，开根号是为了保持统一数量级。pj(i)的计算过程如下：
其中，Nj代表当前像素点的邻域，ur,i代表邻域中像素点对于第i类的隶属度，Z1为一常数，定义如下：
Qj(i)的计算过程如下：
Qj(i)＝exp(-Ej(i))/Z
其中Z是一常数，定义如下：
Ej(i)表示一种能量函数，其计算过程如下：
其中x，y表示当前像素点的位置坐标，x'和y'为当前像素点的对称点的位置坐标，ui(x,y)表示坐标为(x,y)的像素点对于第i类的隶属度。
对称因子αj的计算过程如下：
其中和分别代表当前像素点及其对称点在3×3内的邻域计算得到的灰度均值，f为全图的灰度均值，σ为全图灰度标准差。
其中σfore代表行人目标的方差，Sfore代表行人的面积大小，S为全图面积。
可推导得隶属度矩阵和聚类中心的迭代公式为：
其中k表示类别序数，vk代表第k类的聚类中心。
改进算法步骤为：
1)设定类别数c，最大迭代次数和迭代停止阈值ε。
2)初始化隶属度矩阵和聚类中心。
3)计算对称因子α。
4)计算权重系数Wij。
5)根据聚类中心和隶属度矩阵的计算公式更新聚类中心和隶属度矩阵，根据目标函数计算公式计算目标函数的值。
6)若|J(t+1)-J(t)|＜ε，则停止迭代；否则继续进行步骤5)。其中J代表计算得到的目标函数的值，t代表迭代次数。
7)根据隶属度最大原则进行逆模糊化，完成图像分割。
图4a、图4b、图4c和图4d给出了原图和聚类结果图。
步骤四：聚类结果的后续处理。后续处理包括四个方面的内容：
1)将分割结果中的非闭合区域剔除。
2)将连通域面积小于某个值的区域剔除，面积阈值设为10
3)对2)所得结果进行闭运算，闭运算结构元素为正方形，大小为4。
4)根据之前记录下的对称轴的位置，将处理后的图像放回到原图中的位置。
图5a、图5b、图5c、图5d、图5e、图5f、图5g和图5h给出了后续处理前后的对比图。
为了展示本发明的效果，图6a、图6b、图6c、图6d、图6e和图6f给出了原图和分割结果的对比图，由分割结果可以看出，采用改进的模糊聚类算法得到的分割结果能够很好地保持行人目标的完整轮廓，能够取得较好的分割结果，很好地将对称性信息引入到模糊聚类算法中，事实上，对于并不具有严格对称性的行人目标同样能够取得很好地分割效果。

Claims (7)

1.一种利用改进模糊聚类算法提取红外行人目标的方法，其特征在于，该方法具体步骤如下：
步骤一：检测行人目标对称轴所在位置；首先使用显著性算法得到目标所在的区域，然后使用模糊C均值算法对目标所在区域进行初分类，通过对初分类结果图像的每一列求和，得到列求和曲线，然后求该曲线的极值，认为极值所在位置即为行人的对称轴位置；
步骤二：为了降低红外图像中的灰度不均匀现象对聚类过程的影响，采用形态学闭运算对原始图像进行预处理；
步骤三：采用改进的模糊聚类算法对预处理后图像进行聚类分割；
步骤四：为了得到轮廓完整且具有平滑边缘的分割结果，需要对聚类结果进行后续处理：剔除非行人目标区域和小面积区域，并平滑边缘；
其中，步骤三中，改进的模糊聚类算法目标函数如下：
其中Wij为权重系数，αj为对称因子，β为常数，Ns为当前像素点的对称点的邻域，x'r是该邻域中的像素点；N为像素点总数；j为像素点位置坐标；c为类别总数；i为类别序数；uij为第j个像素点相对于第i类的隶属度；vi为第i类的聚类中心；m为模糊因子；xj为第j个像素点的像素值；
其中：
(1-Pj(i))为拒绝度，(1-Qj(i))是对拒绝度的修正项，开根号是为了保持统一数量级；
Pj(i)的计算过程如下：
其中，Nj代表当前像素点的邻域，ur,i代表邻域中像素点对于第i类的隶属度，Z1为一常数，定义如下：
Qj(i)的计算过程如下：
Qj(i)＝exp(-Ej(i))/Z
其中Z是一常数，定义如下：
Ej(i)表示一种能量函数，其计算过程如下：
其中x，y表示当前像素点的位置坐标，x'和y'为当前像素点的对称点的位置坐标，ui(x,y)表示坐标为(x,y)的像素点对于第i类的隶属度；
对称因子αj的计算过程如下：
其中和分别代表当前像素点及其对称点在3×3内的邻域计算得到的灰度均值，f为全图的灰度均值，σ为全图灰度标准差；
σfore代表行人目标的方差，Sfore代表行人的面积大小，S为全图面积；
得到隶属度矩阵和聚类中心的迭代公式为：
其中k表示类别序数，vk代表第k类的聚类中心；
改进算法步骤为：
3.1设定类别数c，最大迭代次数T和迭代停止阈值ε；
3.2初始化隶属度矩阵和聚类中心；
3.3计算对称因子αj；
3.4计算权重系数Wij；
3.5根据聚类中心和隶属度矩阵的计算公式更新聚类中心和隶属度矩阵，根据目标函数计算公式计算目标函数J的值；
3.6若|J(t+1)-J(t)|＜ε，则停止迭代；否则继续进行步骤3.5；其中J代表计算得到的目标函数的值，t代表迭代次数；
3.7根据隶属度最大原则进行逆模糊化，完成图像分割。
2.根据权利要求1所述的一种利用改进模糊聚类算法提取红外行人目标的方法，其特征在于：步骤一还包括如下步骤：
1.1采用Xiaodi Hou和Jonathan Harel提出的基于图像签名的显著性方法，该方法提取显著图的过程中所用的梯度算子为Sobel算子；
1.2对得到的显著图进行阈值分割，将得到的二值图像与原图相乘，得到只含有行人区域的图像；
1.3对步骤1.2中得到的行人区域图像采用模糊C均值算法进行初始分类；
1.4对步骤1.3中得到的分类结果进行列求和，得到求和曲线，并对该曲线进行平滑处理，得到平滑曲线；
1.5对步骤1.4中得到的平滑曲线寻找其极值所在的位置，极值所在的位置为行人对称轴的位置，同时记录下对称轴在原图中的位置。
3.根据权利要求1所述的一种利用改进模糊聚类算法提取红外行人目标的方法，其特征在于：步骤二中，对原始图像预处理的方法如下：
2.1形态学闭运算所用结构元素为矩形结构元素，尺寸为l×2，l为其长度，设定l初始值为1，对原始红外图像进行闭运算操作；
2.2逐渐增大结构元素尺寸，继续进行闭运算操作；
2.3直至结构元素的长度l满足l＞10，停止运算，预处理完成。
4.根据权利要求1所述的一种利用改进模糊聚类算法提取红外行人目标的方法，其特征在于：步骤四中，采用形态学运算来完成后续处理工作；
4.1将分割结果中的非闭合区域剔除；
4.2将连通域面积小于某个值的区域剔除；
4.3对步骤4.2所得结果进行闭运算；
4.4根据记录下的对称轴的位置，将处理后的图像放回到原图中的位置。
5.根据权利要求2所述的一种利用改进模糊聚类算法提取红外行人目标的方法，其特征在于：阈值分割的方法为大津阈值法。
6.根据权利要求4所述的一种利用改进模糊聚类算法提取红外行人目标的方法，其特征在于：步骤4.2中连通域面积的面积阈值设为10。
7.根据权利要求4所述的一种利用改进模糊聚类算法提取红外行人目标的方法，其特征在于：步骤4.3中进行闭运算得到的闭运算结构元素为正方形，大小为4。
CN201610343256.1A 2016-05-23 2016-05-23 一种利用改进模糊聚类算法提取红外行人目标的方法 Active CN106056581B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610343256.1A CN106056581B (zh) 2016-05-23 2016-05-23 一种利用改进模糊聚类算法提取红外行人目标的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610343256.1A CN106056581B (zh) 2016-05-23 2016-05-23 一种利用改进模糊聚类算法提取红外行人目标的方法

Publications (2)

Publication Number Publication Date
CN106056581A CN106056581A (zh) 2016-10-26
CN106056581B true CN106056581B (zh) 2018-07-27

Family

ID=57176501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610343256.1A Active CN106056581B (zh) 2016-05-23 2016-05-23 一种利用改进模糊聚类算法提取红外行人目标的方法

Country Status (1)

Country Link
CN (1) CN106056581B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106952279A (zh) * 2017-03-31 2017-07-14 福州大学 一种超声心动图分割算法
CN107240119B (zh) * 2017-04-19 2019-11-08 北京航空航天大学 利用改进模糊聚类算法提取灰度不均匀红外行人的方法
CN108062757B (zh) * 2018-01-05 2021-04-30 北京航空航天大学 一种利用改进直觉模糊聚类算法提取红外目标的方法
CN108198193B (zh) * 2018-01-16 2021-09-03 北京航空航天大学 一种利用改进直觉模糊聚类算法分割红外舰船图像的方法
CN109886336A (zh) * 2019-02-21 2019-06-14 山东超越数控电子股份有限公司 一种基于舰基图像的目标检测方法及系统
CN110969112B (zh) * 2019-11-28 2022-08-16 福州大学 跨摄像头场景下行人身份对齐方法
CN113469976A (zh) * 2021-07-06 2021-10-01 浙江大华技术股份有限公司 一种对象检测的方法、装置及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559482A (zh) * 2013-11-05 2014-02-05 无锡慧眼电子科技有限公司 基于边缘对称性的行人检测方法
CN104537673A (zh) * 2015-01-09 2015-04-22 西安电子科技大学 基于多阈值和自适应模糊聚类的红外图像分割方法
CN104616308A (zh) * 2015-02-12 2015-05-13 大连民族学院 一种基于核模糊聚类的多尺度水平集图像分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559482A (zh) * 2013-11-05 2014-02-05 无锡慧眼电子科技有限公司 基于边缘对称性的行人检测方法
CN104537673A (zh) * 2015-01-09 2015-04-22 西安电子科技大学 基于多阈值和自适应模糊聚类的红外图像分割方法
CN104616308A (zh) * 2015-02-12 2015-05-13 大连民族学院 一种基于核模糊聚类的多尺度水平集图像分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Spatial information based FCM for infrared ship target segmentation;Xiangzhi Bai et al.;《2014 IEEE International Conference on Image Processing (ICIP)》;20141030;第5127-5131页 *
Symmetry incorporated Fuzzy C-means Method for Image Segmentation;Surani Anuradha Jayasuriya et al.;《IEEE International Conference on Fuzzy Systems》;20131231;第1-7页 *
视频图像中行人识别技术研究;慧云;《中国优秀硕士学位论文全文数据库（电子期刊）-信息科技辑》;20160415(第4期);第二-三章 *

Also Published As

Publication number Publication date
CN106056581A (zh) 2016-10-26

Similar Documents

Publication Publication Date Title
CN106056581B (zh) 一种利用改进模糊聚类算法提取红外行人目标的方法
CN110334706B (zh) 一种图像目标识别方法及装置
Kang et al. The comparative research on image segmentation algorithms
Ahmmed et al. Classification of tumors and it stages in brain MRI using support vector machine and artificial neural network
CN107240119B (zh) 利用改进模糊聚类算法提取灰度不均匀红外行人的方法
CN101893704B (zh) 一种基于粗糙集的雷达辐射源信号识别方法
CN103886589B (zh) 面向目标的自动化高精度边缘提取方法
CN108537751B (zh) 一种基于径向基神经网络的甲状腺超声图像自动分割方法
CN108830856B (zh) 一种基于时间序列sd-oct视网膜图像的ga自动分割方法
Bhagya et al. Analysis of image segmentation algorithms for the effective detection of leukemic cells
Ahmadi et al. Iris recognition system based on canny and LoG edge detection methods
CN113077452B (zh) 基于dnn网络和斑点检测算法的苹果树病虫害检测方法
CN109460768B (zh) 一种用于组织病理学显微图像的文本检测与去除方法
Murali et al. Brain tumor detection from MRI using adaptive thresholding and histogram based techniques
Lin et al. Image segmentation based on edge detection and region growing for thinprep-cervical smear
Kaur et al. A survey on techniques for brain tumor segmentation from MRI
CN109255794A (zh) 一种标准件深度全卷积特征边缘检测方法
Angayarkanni et al. Dynamic graph cut based segmentation of mammogram
Rajkumar et al. Cell-Edge detection using canny algorithm and mathematical morphology
Angel Viji et al. Modified lbp based region growing segmentation of mr brain images
Yu et al. Hölder exponent and multifractal spectrum analysis in the pathological changes recognition of medical CT image
Verma et al. A comparative study of image segmentation techniques in digital image processing
Jayanthi et al. Survey on agriculture image segmentation techniques
Jena et al. Detection of brinjal leaf diseases based on superpixel approach using slic clustering
Zhu et al. Stacked Particle Size Measurement Method Based on Data Processing

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant