CN107240119A - 利用改进模糊聚类算法提取灰度不均匀红外行人的方法 - Google Patents

利用改进模糊聚类算法提取灰度不均匀红外行人的方法 Download PDF

Info

Publication number
CN107240119A
CN107240119A CN201710256035.5A CN201710256035A CN107240119A CN 107240119 A CN107240119 A CN 107240119A CN 201710256035 A CN201710256035 A CN 201710256035A CN 107240119 A CN107240119 A CN 107240119A
Authority
CN
China
Prior art keywords
msub
mrow
pedestrian
munder
image
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.)
Granted
Application number
CN201710256035.5A
Other languages
English (en)
Other versions
CN107240119B (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 CN201710256035.5A priority Critical patent/CN107240119B/zh
Publication of CN107240119A publication Critical patent/CN107240119A/zh
Application granted granted Critical
Publication of CN107240119B publication Critical patent/CN107240119B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明涉及一种利用改进模糊聚类算法提取灰度不均匀红外行人的方法，步骤一：确定行人大致区域；步骤二：采用改进的模糊聚类算法对红外图像进行聚类分割；改进的模糊聚类算法目标函数如下：步骤三：为了提取红外行人目标，需要对聚类结果进行后续处理：剔除非行人目标区域；聚类结果为二值图像，计算二值图像中每个连通域的长宽比，剔除长宽比不符合行人长宽比范围的连通域。本发明从在目标函数中加入正则项以考虑像素点和邻域的相似性和像素点和聚类中心的相似性；对于邻域窗口尺寸进行了扩展，考虑更多邻域信息；能够较好地分割灰度不均匀红外行人目标；具有广阔的市场前景与应用价值。

Description

利用改进模糊聚类算法提取灰度不均匀红外行人的方法
【技术领域】
本发明涉及利用改进模糊聚类算法提取灰度不均匀红外行人的方法，模糊聚类技术和图像分割技术在图像应用领域具有广泛的应用，隶属于数字图像处理领域。
【背景技术】
图像分割是指根据图像的灰度、纹理、颜色等特征将原始图像划分为互不重叠的区域。并且同一区域内具有相似的性质，不同区域之间则具有明显的差异。图像分割往往被作为图像处理和分析的预处理。没有正确的分割就不可能有正确的识别。准确的检测和识别需要以准确有效的分割为基础。因此，快速、有效且准确的图像分割算法将会有重要的应用意义。图像分割方法根据原理不同大致可分为以下几类：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。
红外图像能够近似反映出图像中目标和背景的温度差异，由于其可全天候工作且能够克服视觉障碍而探测目标的优点，红外图像在图像处理领域得到了广泛应用。但红外图像往往缺乏较好的对比度和分辨率，图像边缘较为模糊，过渡性较强，目标与背景之间界限不明显。同时由于遮挡和散热不均等原因，灰度不均匀也是红外图像中常见的现象，这对于红外行人分割具有极大的影响。模糊聚类是一种基于目标函数优化的数据聚类方法，在图像分割领域得到了广泛应用。在模糊聚类方法中，数据点并不是硬性的划分到某一类，而是以不同的程度属于多类。因此，针对红外图像中过渡明显和不确定性高的特点，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。
模糊聚类算法在图像分割领域已经得到了广泛的应用。其中最经典的算法是模糊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.AFuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters[J].Journal of Cybernetics,1973,3(3):32-57.))由J.C.邓恩最先提出并经贝兹德克推广，是一种基于目标函数优化的数据聚类算法。但该算法中并未考虑空间信息，因此对噪声敏感，对于含噪图像不能够取得很好的分割结果。针对此问题，研究者提出了许多引入了空间信息的改进模糊聚类算法。例如艾哈迈德等人通过引入正则项来考虑邻域信息提出的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,andT.Moriarty,“A modified fuzzy C-means algorithm for bias field estimation andsegmentation of MRI data,”IEEE Trans.Med.Imag.,vol.21,pp.193–199,2002.))；在FCM_S的基础上，陈松灿和张道强将均值滤波和中值滤波方法引入到算法中进一步提出了FCM_S1和FCM_S2算法(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 andD.Zhang,“Robust image segmentation using FCM with spatial constraints basedon new kernel-induced distance measure,”IEEE Trans.Syst.,Man,Cybern.,vol.34,pp.1907–1916,2004.))；斯泰里奥斯和瓦西利斯提出了FLICM算法，该算法引入了新的邻域信息因子，同时避免了参数选择问题，使算法鲁棒性更好。(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 and V.Chatzis,A robust fuzzy localinformation c-means clustering algorithm,IEEE Trans.Imag.Process.,vol.19,no.5,pp.1328–1337,May 2010.))；除此之外，刘国英等人将区域信息引入到FCM算法来改善FCM算法的分割结果(参见文献：刘国英，张云，王爱民.一种结合区域空间信息的改进模糊聚类算法用于图像分割.美国电气电子工程师学会图像处理汇刊，3990-4000,2015年11月.(Guoying Liu,Yun Zhang,and Aimin Wang,Incorporating Adaptive LocalInformation Into Fuzzy Clustering for Image Segmentation,IEEETrans.Imag.Process.,vol.24,no.11,pp.3990-4000,Novermber 2015))，等等。
上述改进算法在抗噪性和分割结果方面都取得了一定的改善，但也存在一定的问题。由于遮挡或散热不均等原因，灰度不均匀是红外图像中的常见的缺陷，会严重影响红外行人目标的分割效果。针对此问题，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模糊聚类算法提取灰度不均匀红外行人的方法。
【发明内容】
1、目的：模糊聚类方法在图像分割领域已得到了广泛应用，但由于该算法未考虑空间信息对噪声敏感的缺点，因此对于含噪图像模糊聚类算法往往不能得到正确的聚类结果。而在红外图像中，灰度不均匀区域从一定程度上来说可视为“噪声”，因此，模糊C均值算法并不能很好地处理灰度不均匀问题。同时，红外图像中灰度不均匀问题导致传统的图像分割算法无法成功提取红外行人目标，对于灰度不均匀红外行人进行分割时易产生“破碎”问题。
针对红外图像中行人灰度不均匀的问题，本发明提出了利用改进模糊聚类算法提取灰度不均匀红外行人的方法，该方法首先以像素点隶属度和图像本身灰度特征两方面为基础，对同一像素点的不同类的隶属度赋予不同的权重；其次，在目标函数中加入正则项以考虑像素点和邻域的相似性和像素点和聚类中心的相似性。同时对于邻域窗口尺寸进行了扩展，以考虑更多邻域信息。改进算法中充分考虑了隶属度信息和邻域信息，因此对于灰度不均匀的红外行人分割，分割结果取得了明显的改善。
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确定红外行人在红外图像中的大致区域。再使用改进的模糊聚类算法对红外行人区域进行聚类分割。最后，通过行人长宽比限制剔除非行人区域。改进算法中充分考虑了隶属度信息和邻域信息，因此分割质量得到了明显提高。
本发明是一种利用改进模糊聚类算法提取灰度不均匀红外行人的方法，该方法具体步骤如下：
步骤一：确定行人大致区域。采用显著性算法得到红外图像的显著图，通过对显著图进行阈值分割得到行人大致位置。
其中，步骤一具体包括如下步骤：
1.1采用侯晓迪和乔纳森·哈雷尔等人提出的基于图像签名的显著性方法产生红外图像的显著图(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.))，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采用大津阈值法对显著图分割，分割结果为二值图像。根据分割结果中不为0的区域
确定红外行人在原图中的大致区域，得到行人区域的图像，即待分割区域。
步骤二：采用改进的模糊聚类算法对红外图像进行聚类分割。改进的模糊聚类算法目标函数如下：
其中目标函数中各参数含义如表1所示：
表1参数定义
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
Wij 权重系数
xj 第j个像素点的像素值
xr 邻域像素点
Nj 当前像素点的邻域
βr 邻域相似系数
fr 空间距离权重系数
权重系数Wij的计算过程如下：
Wij＝(Mij×Gij)/Z
Mij为隶属度约束，Gij为图像灰度特征约束，Z为归一化常数。Mij，Gij及Z的计算过程如下：
Mij＝exp(-(ui1×ui2+ui3×ui4))
Gij＝1-exp(-Ij×gi)1/i
gi＝exp(-ai 2)
ui1
ui3 ui4
ui2
其中，ui1，ui2，ui3和ui4代表4邻域中邻域像素点对于第i类的隶属度，Nj代表当前像素点的邻域，xr为邻域像素点，ai为所有属于第i类的像素点的灰度均值，Z起到归一化作用。
fr和βr的计算过程定义如下：
其中，srj表示邻域像素点xr与中心像素点xj的空间距离，Nr为邻域像素点xr的邻域，xrn为Nr中的像素点。因此，可以推导出，xr与xj的空间距离越小，相似性越大，则fr和βr越大，即邻域像素点对中心像素点的影响越大。
可推导得隶属度矩阵和聚类中心的迭代公式为：
其中vk代表第k类的聚类中心。
改进算法步骤为：
2.1定义c为分类类别数，T为最大迭代次数，ε为迭代停止阈值。
2.2对隶属度U和聚类中心V进行初始化。
2.3根据计算公式更新权重系数Wij的值。
2.4由迭代公式计算聚类中心和隶属度矩阵，计算目标函数J的值。
2.5若|J(t+1)-J(t)|＜ε，则停止迭代，进行步骤2.6；否则继续进行步骤2.4，直至满足迭代停止条件。其中J代表计算得到的目标函数的值，t代表迭代次数。
2.6去模糊化，完成红外图像行人分割。
步骤三：为了提取红外行人目标，需要对聚类结果进行后续处理：剔除非行人目标区域。聚类结果为二值图像，计算二值图像中每个连通域的长宽比，剔除长宽比不符合行人长宽比范围的连通域。行人长宽比范围设定为1～4。
3、优点及功效：模糊C均值算法未考虑空间信息，不能很好地处理含噪图像，对于含噪图像无法得到正确的分割结果。灰度不均匀是红外图像中常见的现象，相对于红外图像中行人的高亮区域，灰度不均匀区域可视为噪声，传统的模糊C均值算法不能够很好地处理该问题，因此，有时不能得到理想的分割结果。本发明提出的改进模糊聚类算法中从隶属度信息和图像本身灰度特征两个方面对像素点的分类进行了约束，在目标函数中加入正则项以考虑像素点和邻域的相似性和像素点和聚类中心的相似性。同时，对于邻域窗口尺寸进行了扩展，以考虑更多邻域信息。改进算法中充分考虑了隶属度信息和邻域信息，因此能够较好地分割灰度不均匀红外行人目标。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灰度不均匀红外行人的方法原理框图。
图2a是本发明确定红外图像中行人大致区域过程的原图。
图2b是本发明确定红外图像中行人大致位置过程中产生的显著图。
图2c是本发明利用显著性确定的行人区域，即待分割区域。
图2d是本发明利用显著性确定的行人区域，即待分割区域。
图3a是本发明应用于红外图像的分割结果的原图。
图3b是本发明应用于红外图像的分割结果的原图。
图3c是本发明应用于红外图像的分割结果的聚类结果图
图3d是本发明应用于红外图像的分割结果的聚类结果图
图4a是本发明后续处理过程所用的聚类结果图。
图4b是本发明后续处理过程所用的聚类结果图。
图4c是本发明后续处理过程所用的最终分割结果图。
图4d是本发明后续处理过程所用的最终分割结果图。
图5a是本发明用于提取灰度不均匀红外行人的原图。
图5b是本发明用于提取灰度不均匀红外行人的原图。
图5c是本发明用于提取灰度不均匀红外行人的原图。
图5d是本发明用于提取灰度不均匀红外行人的原图。
图5e是本发明用于提取灰度不均匀红外行人的最终结果。
图5f是本发明用于提取灰度不均匀红外行人的最终结果。
图5g是本发明用于提取灰度不均匀红外行人的最终结果。
图5h是本发明用于提取灰度不均匀红外行人的最终结果。
【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：使用显著性检测算法确定红外图像中行人所在区域作为待分割区域，具体步骤如下：
1)本发明采用侯晓迪和乔纳森·哈雷尔等人提出的基于图像签名的显著性方法产生红外图像的显著图(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 salientregions,IEEE Trans.Pattern Anal.Mach.Intell.34(1)(2012)194–201.))，该方法提取显著图的过程中所用的梯度算子为Sobel算子。
2)采用大津阈值法对显著图分割，分割结果为二值图像。根据分割结果中不为0的区域确定红外行人在原图中的大致区域，得到行人区域的图像，即待分割区域。
图2a为原图，图2b为对应的显著图，图2c为得到的行人区域图，即待分割区域。图2d为得到的行人区域图，即待分割区域。
步骤二：采用改进的模糊聚类算法对红外图像进行聚类分割。改进模糊聚类算法目标函数如下：
目标函数中各参数含义如表2所示：
表2参数定义
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
Wij 权重系数
xj 第j个像素点的像素值
xr 邻域像素点
Nj 当前像素点的邻域
βr 邻域相似系数
fr 空间距离权重系数
权重系数Wij的计算过程如下：
Wij＝(Mij×Gij)/Z
Mij为隶属度约束，Gij为图像灰度特征约束，Z为归一化常数。Mij，Gij及Z的计算过程如下：
Mij＝exp(-(ui1×ui2+ui3×ui4))
Gij＝1-exp(-Ij×gi)1/i
gi＝exp(-ai 2)
ui1
ui3 ui4
ui2
其中，ui1，ui2，ui3和ui4代表4邻域中邻域像素点对于第i类的隶属度，Nj代表当前像素点的邻域，xr为邻域像素点，ai为所有属于第i类的像素点的灰度均值，Z起到归一化作用。
fr和βr的计算过程定义如下：
其中，srj表示邻域像素点xr与中心像素点xj的空间距离，Nr为邻域像素点xr的邻域，xrn为Nr中的像素点。因此，可以推导出，xr与xj的空间距离越小，相似性越大，则fr和βr越大，即邻域像素点对中心像素点的影响越大。
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：
2.1定义c为分类类别数，T为最大迭代次数，ε为迭代停止阈值。
2.2对隶属度U和聚类中心V进行初始化。
2.3根据计算公式更新权重系数Wij的值。
2.4由迭代公式计算聚类中心和隶属度矩阵，计算目标函数J的值。
2.5若|J(t+1)-J(t)|＜ε，则停止迭代，进行步骤2.6；否则继续进行步骤2.4，直至满足迭代停止条件。其中J代表计算得到的目标函数的值，t代表迭代次数。
2.6去模糊化，完成红外图像行人分割。
图3给出了原图和聚类结果图。图3a是本发明应用于红外图像的分割的原图。图3b是本发明应用于红外图像的分割的原图。从图2c中可看出，显著性确定的区域并不一定只包含行人，从图3c和图3d可以看出，聚类结果为二值图像，聚类结果中还含有部分非行人连通域，因此需要对聚类结果进行后续处理以提取红外行人目标。
步骤三：为了提取红外行人目标，需要对聚类结果进行进一步处理：剔除非行人目标区域。聚类结果为二值图像，计算二值图像中每个连通域的长宽比，剔除长宽比不符合行人长宽比范围的连通域。行人长宽比范围设定为1～4。
图4给出了后续处理前后的对比图。图4a是后续处理过程所用的聚类结果图。图4b是后续处理过程所用的聚类结果图。图4c是续处理过程的最终分割结果图。图4d是后续处理过程的最终分割结果图。
为了展示本发明的效果，图5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成功地提取出红外行人目标。其中，图5a是本发明用于提取灰度不均匀红外行人的原图。图5b是本发明用于提取灰度不均匀红外行人的原图。图5c是本发明用于提取灰度不均匀红外行人的原图。图5d是本发明用于提取灰度不均匀红外行人的原图。图5e是本发明用于提取灰度不均匀红外行人的最终结果。图5f是本发明用于提取灰度不均匀红外行人的最终结果。图5g是本发明用于提取灰度不均匀红外行人的最终结果。图5h是本发明用于提取灰度不均匀红外行人的最终结果。从图5可看出，选取的图像中红外行人具有明显的灰度不均匀现象，这对于红外行人的分割具有极大影响。传统的模糊C均值算法在分割此种红外行人时易产生“破碎”现象，本发明提出的算法充分考虑了隶属度信息、红外图像本身灰度特征和邻域信息，因此能够很好地抑制灰度不均匀对聚类过程的影响，从而能够取得较好的分割结果。

Claims (2)

1.一种利用改进模糊聚类算法提取灰度不均匀红外行人的方法，特征在于：该方法具体步骤如下：
步骤一：确定行人大致区域；采用显著性算法得到红外图像的显著图，通过对显著图进行阈值分割得到行人大致位置；
1.1采用基于图像签名的显著性方法产生红外图像的显著图，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采用大津阈值法对显著图分割，分割结果为二值图像；根据分割结果中不为0的区域确定红外行人在原图中的大致区域，得到行人区域的图像，即待分割区域；
步骤二：采用改进的模糊聚类算法对红外图像进行聚类分割；改进的模糊聚类算法目标函数如下：
<mrow> <mi>J</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>c</mi> </munderover> <msub> <mi>W</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>n</mi> </msubsup> <mrow> <mo>(</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>|</mo> <mo>|</mo> <mo>+</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mi>j</mi> </msub> </mrow> </munder> <msub> <mi>f</mi> <mi>r</mi> </msub> <msub> <mi>&amp;beta;</mi> <mi>r</mi> </msub> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>r</mi> </msub> <mo>-</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>)</mo> </mrow> </mrow>
其中，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，Wij为权重系数，xj为第j个像素点的像素值，xr为邻域像素点，Nj为当前像素点的邻域，βr为邻域相似系数，fr为空间距离权重系数；
权重系数Wij的计算过程如下：
Wij＝(Mij×Gij)/Z
Mij为隶属度约束，Gij为图像灰度特征约束，Z为归一化常数；其中Mij，Gij及Z的计算过程如下：
Mij＝exp(-(ui1×ui2+ui3×ui4))
Gij＝1-exp(-Ij×gi)1/i
<mrow> <msub> <mi>I</mi> <mi>j</mi> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mi>j</mi> </msub> </mrow> </munder> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <msup> <msub> <mi>x</mi> <mi>r</mi> </msub> <mn>2</mn> </msup> <mo>)</mo> </mrow> </mrow>
gi＝exp(-ai 2)
<mrow> <mi>Z</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>c</mi> </munderover> <msub> <mi>M</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;times;</mo> <msub> <mi>G</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow>
其中，ui1和ui2代表4邻域中竖直方向邻域像素点对于第i类的隶属度，ui3和ui4代表4邻域中水平方向邻域像素点对于第i类的隶属度，Nj代表当前像素点的邻域，xr为邻域像素点，ai为所有属于第i类的像素点的灰度均值，Z起到归一化作用；
fr和βr的计算过程定义如下：
<mrow> <msub> <mi>D</mi> <mi>r</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <msub> <mi>s</mi> <mrow> <mi>r</mi> <mi>j</mi> </mrow> </msub> </mrow> </mfrac> </mrow>
<mrow> <msub> <mi>f</mi> <mi>r</mi> </msub> <mo>=</mo> <mfrac> <msub> <mi>D</mi> <mi>r</mi> </msub> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mi>j</mi> </msub> </mrow> </munder> <msub> <mi>D</mi> <mi>r</mi> </msub> </mrow> </mfrac> </mrow>
<mrow> <msub> <mi>&amp;beta;</mi> <mi>r</mi> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mi>r</mi> </msub> </mrow> </munder> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mrow> <mi>r</mi> <mi>n</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>x</mi> <mi>r</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>)</mo> </mrow> </mrow>
其中，srj表示邻域像素点xr与中心像素点xj的空间距离，Nr为邻域像素点xr的邻域，xrn为Nr中的像素点；因此，可以推导出，xr与xj的空间距离越小，相似性越大，则fr和βr越大，即邻域像素点对中心像素点的影响越大；
可推导得隶属度矩阵和聚类中心的迭代公式为：
<mrow> <msub> <mi>u</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mfrac> <mn>1</mn> <mrow> <msub> <mi>W</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>+</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mi>j</mi> </msub> </mrow> </munder> <msub> <mi>f</mi> <mi>r</mi> </msub> <msub> <mi>&amp;beta;</mi> <mi>r</mi> </msub> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>r</mi> </msub> <mo>-</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>)</mo> </mrow> </mrow> </mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>c</mi> </munderover> <mfrac> <mn>1</mn> <mrow> <msub> <mi>W</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>v</mi> <mi>k</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>+</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mi>j</mi> </msub> </mrow> </munder> <msub> <mi>f</mi> <mi>r</mi> </msub> <msub> <mi>&amp;beta;</mi> <mi>r</mi> </msub> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>r</mi> </msub> <mo>-</mo> <msub> <mi>v</mi> <mi>k</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow> </mfrac> </mrow>
<mrow> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>W</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>m</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>+</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mi>j</mi> </msub> </mrow> </munder> <msub> <mi>f</mi> <mi>r</mi> </msub> <msub> <mi>&amp;beta;</mi> <mi>r</mi> </msub> <msub> <mi>x</mi> <mi>r</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>W</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>m</mi> </msubsup> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mi>j</mi> </msub> </mrow> </munder> <msub> <mi>f</mi> <mi>r</mi> </msub> <msub> <mi>&amp;beta;</mi> <mi>r</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>
其中vk代表第k类的聚类中心；
则，改进算法步骤为：
2.1定义c为分类类别数，T为最大迭代次数，ε为迭代停止阈值；
2.2对隶属度U和聚类中心V进行初始化；
2.3根据计算公式更新权重系数Wij的值；
2.4由迭代公式计算聚类中心和隶属度矩阵，计算目标函数J的值；
2.5若|J(t+1)-J(t)|＜ε，则停止迭代，进行步骤2.6；否则继续进行步骤2.4，直至满足迭代停止条件；其中J代表计算得到的目标函数的值，t代表迭代次数；
2.6去模糊化，完成红外图像行人分割；
步骤三：为了提取红外行人目标，需要对聚类结果进行后续处理：剔除非行人目标区域；聚类结果为二值图像，计算二值图像中每个连通域的长宽比，剔除长宽比不符合行人长宽比范围的连通域。
2.根据权利要求1所述的利用改进模糊聚类算法提取灰度不均匀红外行人的方法，特征在于：所述的行人长宽比范围设定为1～4。
CN201710256035.5A 2017-04-19 2017-04-19 利用改进模糊聚类算法提取灰度不均匀红外行人的方法 Active CN107240119B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710256035.5A CN107240119B (zh) 2017-04-19 2017-04-19 利用改进模糊聚类算法提取灰度不均匀红外行人的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710256035.5A CN107240119B (zh) 2017-04-19 2017-04-19 利用改进模糊聚类算法提取灰度不均匀红外行人的方法

Publications (2)

Publication Number Publication Date
CN107240119A true CN107240119A (zh) 2017-10-10
CN107240119B CN107240119B (zh) 2019-11-08

Family

ID=59983796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710256035.5A Active CN107240119B (zh) 2017-04-19 2017-04-19 利用改进模糊聚类算法提取灰度不均匀红外行人的方法

Country Status (1)

Country Link
CN (1) CN107240119B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062757A (zh) * 2018-01-05 2018-05-22 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
CN108198193A (zh) * 2018-01-16 2018-06-22 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
CN108510453A (zh) * 2018-03-07 2018-09-07 西安工程大学 基于视觉注意机制的智能交通监控图像去模糊方法
CN109886977A (zh) * 2019-02-19 2019-06-14 闽南师范大学 一种带有邻域约束的图像分割方法、终端设备及存储介质
CN110766152A (zh) * 2018-07-27 2020-02-07 富士通株式会社 用于训练深度神经网络的方法和装置
CN108665443B (zh) * 2018-04-11 2021-02-05 中国石油大学(北京) 一种机械设备故障的红外图像敏感区域提取方法及装置
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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101211356A (zh) * 2006-12-30 2008-07-02 中国科学院计算技术研究所 一种基于显著区域的图像查询方法
US20090248372A1 (en) * 2008-03-25 2009-10-01 Electronics And Telecommunications Research Institute Method of modeling composite emotion in multidimensional vector space
CN103020978A (zh) * 2012-12-14 2013-04-03 西安电子科技大学 结合多阈值分割与模糊聚类的sar图像变化检测方法
CN103048273A (zh) * 2012-11-09 2013-04-17 江苏大学 基于模糊聚类的水果近红外光谱分类方法
CN103729859A (zh) * 2013-12-30 2014-04-16 西北工业大学 一种基于模糊聚类的概率最近邻域多目标跟踪方法
CN106056581A (zh) * 2016-05-23 2016-10-26 北京航空航天大学 一种利用改进模糊聚类算法提取红外行人目标的方法
CN106447662A (zh) * 2016-09-30 2017-02-22 陕西科技大学 一种基于组合距离的fcm图像分割算法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101211356A (zh) * 2006-12-30 2008-07-02 中国科学院计算技术研究所 一种基于显著区域的图像查询方法
US20090248372A1 (en) * 2008-03-25 2009-10-01 Electronics And Telecommunications Research Institute Method of modeling composite emotion in multidimensional vector space
CN103048273A (zh) * 2012-11-09 2013-04-17 江苏大学 基于模糊聚类的水果近红外光谱分类方法
CN103020978A (zh) * 2012-12-14 2013-04-03 西安电子科技大学 结合多阈值分割与模糊聚类的sar图像变化检测方法
CN103729859A (zh) * 2013-12-30 2014-04-16 西北工业大学 一种基于模糊聚类的概率最近邻域多目标跟踪方法
CN106056581A (zh) * 2016-05-23 2016-10-26 北京航空航天大学 一种利用改进模糊聚类算法提取红外行人目标的方法
CN106447662A (zh) * 2016-09-30 2017-02-22 陕西科技大学 一种基于组合距离的fcm图像分割算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIANGZHI BAI ET AL.: "Feature based fuzzy inference system for segmentation of low-constrat infrared ship images", 《APPLIED SOFT COMPUTING》 *
纪则轩: "基于模糊聚类的脑磁共振图像分割技术研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062757A (zh) * 2018-01-05 2018-05-22 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
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
CN108198193A (zh) * 2018-01-16 2018-06-22 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
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
CN108510453A (zh) * 2018-03-07 2018-09-07 西安工程大学 基于视觉注意机制的智能交通监控图像去模糊方法
CN108510453B (zh) * 2018-03-07 2021-06-29 西安工程大学 基于视觉注意机制的智能交通监控图像去模糊方法
CN108665443B (zh) * 2018-04-11 2021-02-05 中国石油大学(北京) 一种机械设备故障的红外图像敏感区域提取方法及装置
CN110766152A (zh) * 2018-07-27 2020-02-07 富士通株式会社 用于训练深度神经网络的方法和装置
CN110766152B (zh) * 2018-07-27 2023-08-04 富士通株式会社 用于训练深度神经网络的方法和装置
CN109886977A (zh) * 2019-02-19 2019-06-14 闽南师范大学 一种带有邻域约束的图像分割方法、终端设备及存储介质
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

Also Published As

Publication number Publication date
CN107240119B (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
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
Yao et al. An improved K-means clustering algorithm for fish image segmentation
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
CN101520894B (zh) 基于区域显著性的显著对象提取方法
CN101893704B (zh) 一种基于粗糙集的雷达辐射源信号识别方法
Seff et al. 2D view aggregation for lymph node detection using a shallow hierarchy of linear classifiers
CN102982338B (zh) 基于谱聚类的极化sar图像分类方法
CN108985345B (zh) 一种基于肺部医学图像融合分类的检测装置
CN108062757A (zh) 一种利用改进直觉模糊聚类算法提取红外目标的方法
CN108537102A (zh) 基于稀疏特征与条件随机场的高分辨sar图像分类方法
CN103745216B (zh) 一种基于空域特性的雷达图像杂波抑制方法
CN103048329A (zh) 一种基于主动轮廓模型的路面裂缝检测方法
CN103426158A (zh) 两时相遥感图像变化检测的方法
CN102135606A (zh) 一种基于knn分类算法的mr图像灰度不均匀性校正分割方法
Zhou et al. Pulse-coupled neural network and its optimization for segmentation of electrical faults with infrared thermography
CN111815640B (zh) 一种基于忆阻器的rbf神经网络医学图像分割算法
CN107564008B (zh) 基于关键像素模糊聚类的快速sar图像分割方法
CN106447686A (zh) 一种基于快速有限剪切波变换的图像边缘检测方法
CN104933719B (zh) 一种积分图块间距离检测图像边缘方法
Maksoud et al. MRI brain tumor segmentation system based on hybrid clustering techniques
CN113537236B (zh) 用于航天器损伤红外检测的热扩散效应缺陷定量识别方法
CN102496154B (zh) 一种基于马尔科夫随机场的多时相遥感图像变化检测方法
CN103955943A (zh) 基于融合变化检测算子与尺度驱动的无监督变化检测方法
Kaur et al. A survey on techniques for brain tumor segmentation from MRI
Li et al. An improved fuzzy c-means algorithm for brain MRI image segmentation

Legal Events

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