CN108198193A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108198193A CN108198193A CN201810038201.9A CN201810038201A CN108198193A CN 108198193 A CN108198193 A CN 108198193A CN 201810038201 A CN201810038201 A CN 201810038201A CN 108198193 A CN108198193 A CN 108198193A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- degree
- neighborhood
- variance
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000011218 segmentation Effects 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 238000003709 image segmentation Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 206010016322 Feeling abnormal Diseases 0.000 claims description 4
- 238000003706 image smoothing Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- NTHGWXIWFHGPLK-UHFFFAOYSA-N 2-dimethoxyphosphinothioylsulfanyl-1-morpholin-4-ylethanone Chemical compound COP(=S)(OC)SCC(=O)N1CCOCC1 NTHGWXIWFHGPLK-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 206010068052 Mosaicism Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000007519 figuring Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 210000003765 sex chromosome Anatomy 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明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，首先利用图像方差矩阵和切比雪夫不等式得出的阈值确定舰船的可能区域，以可能区域的中心作为预设舰船中心。再使用改进直觉模糊聚类算法分割红外舰船图像的方法。本发明提出的方法考虑了舰船中心位置，利用其构造像素到不同类聚类中心的距离度量；同时通过区域方差构造的正则项将邻域信息引入目标函数中。改进算法中充分考虑了舰船中心位置对于数据分类的影响，同时更加合理地利用了邻域信息，因此红外舰船图像分割，其分割结果取得了明显的改善。具有广阔的市场前景与应用价值。
Description
【技术领域】
本发明涉及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，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】
图像分割是根据图像的特征信息(如灰度、形状和梯度等)将图像分为若干具有独特性质的区域的图像处理技术。图像分割为具有共同视觉特性的像素添加相同标签，一定程度上简化了图像的表示形式，有利于对图像的理解和分析。通常图像分割是计算机视觉领域和图像识别中一种非常重要的预处理技术。因此，快速、准确并且具有一定普适性的图像分割算法具有重要的应用意义。传统的图像分割方法有如下几类：基于阈值的分割方法、基于区域的分割方法和基于边缘的分割方法等。此外，根据建模方法的不同，图像分割技术可分为局部模型和全局模型、监督模型和非监督模型等。同时根据图像的不同性质，也出现了许多与特定理论结合的图像分割方法，如聚类分析、基因编码和小波变换等。
模糊聚类算法是当前应用最广泛的图像分割算法之一。而模糊C均值算法是模糊聚类算法的代表之一。模糊C均值(FCM)算法(参见文献：邓恩.一种和迭代自组织分析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.))最早由邓恩提出，后经贝兹德克加以推广。该算法通过拉格朗日乘数法不断迭代优化目标函数，最终得到所有像素点的隶属度和聚类中心。但该算法未考虑图像的空间信息和纹理信息，导致分割结果对噪声和异常值较为敏感。基于模糊C均值算法的上述不足之处，诸多学者提出将局部空间信息引入其目标函数中。艾哈迈德等人将空间邻域信息项加入模糊C均值的目标函数中，提出了FCM_S算法(参见文献：艾哈迈德,亚马尼,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.美国电子电器工程师协会医学影像学.卷21,193–199,2002.(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.))；为了降低FCM_S算法的计算复杂度，陈松灿和张道强通过均值滤波和中值滤波的方式将邻域信息引入到算法中，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.美国电子电器工程师协会系统控制处理汇刊.卷34,1907–1916,2004.(S.Chen and D.Zhang,“Robust Image Segmentation UsingFCM with Spatial Constraints Based on New Kernel-induced Distance Measure,”IEEE Trans.Syst.,Man,Cybern.,vol.34,pp.1907–1916,2004.))；为了使图像分割的过程更加迅速，斯拉奇等人利用邻域均值信息和原像素值对图像进行了线性加权重构，提出了EnFCM算法(参见文献：斯拉奇,班扬,亚当.利用强化模糊C均值算法分割脑部核磁共振图像.美国电子电器工程师协会国际神经工程会议.17–21,2004.(L.Szilagyi,Z.Benyo,S.Szilagyii,and H.Adam,“MR Brain ImageSegmentation Using An Enhanced Fuzzy C-means Algorithm,”in Proc.25th Annu.Int.Conf.IEEE EMBS,Nov.2003,pp.17–21))；蔡维玲等人引入结合空间信息和灰度信息构造的局部相似性度量，提出了快速生成FCM算法(参见文献：蔡维玲,陈松灿,张道强.一种用于图像分割的引入局部信息的快速鲁棒的模糊C均值聚类算法.模式识别.卷40,825–838,2007.(W.Cai,S.Chen,and D.Zhang,“Fast andRobust Fuzzy C-meansClustering Algorithms Incorporating Local Information forImage Segmentation,”Pattern Recognit.,vol.40,no.3,pp.825–838,Mar.2007.))。上述基于模糊C均值算法的改进存在参数选择的问题，针对此问题，克利尼迪斯和夏齐斯将一种更加稳定的局部信息正则项加入目标函数中，提出了FLICM算法(参见文献：克利尼迪斯,夏齐斯.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.卷19,1328–1337,2010.(S.Krinidis and V.Chatzis,“A Robust Fuzzy LocalInformation C-means Clustering Algorithm,”IEEE Trans.Imag.Process.,vol.19,no.5,pp.1328–1337,May2010.))；公茂果等人利用局部系数的变分替代欧式距离作为相似性度量，提出了RFLICM算法(参见文献：公茂果,周志强，马晶晶.基于图像融合和模糊聚类的合成孔径雷达图像变化检测.美国电气电子工程师学会图像处理汇刊.卷21,2141–2151,2012.(M.Gong,Z.Zhou,and J.Ma,“Change Detection in SyntheticAperture RadarImages Based on Image Fusion and Fuzzy Clustering,”IEEE Trans.Image Process.,vol.21,no.4,pp.2141–2151,Apr.2012.))等等。另外，为了解决待分割目标边缘的不确定性问题，阿塔纳索夫提出了直觉模糊集理论(参见文献：阿塔纳索夫.直觉模糊集.模糊集系统.87–96,1986.(K.T.Atanassov,“Intuitionistic Fuzzy Sets,”Fuzzy Sets Syst.20(1)(1986)87–96.))；佩雷吉斯等人进一步探索了直觉模糊集理论的优势所在，提出了基于模糊数据的模糊聚类方法(参见文献：佩雷吉斯,亚科维迪斯,科兹法考斯,科帕纳基斯.基于模糊数据的模糊聚类.商务智能与数据挖掘国际期刊.45–65,2008.(N.Pelekis,D.K.Iakovidis,E.E.Kotsifakos,I.Kopanakis,“Fuzzy Clustering of IntuitionisticFuzzy Data,”Int.J.Bus.Intell.Data Min.3(1)(2008)45–65.))；徐泽水等人将直觉模糊集概念引入模糊C均值算法中，提出直觉模糊C均值(参见文献：徐泽水,吴俊杰.直觉模糊C均值聚类算法.系统工程与电子技术.580–590,2010.(Z.Xu,J.Wu,“Intuitionistic FuzzyC-means Clustering Algorithms,”J.Syst.Eng.Electron.21(4)(2010)580–590.))；在此基础上，韦尔马等人进一步将将局部空间信息引入直觉模糊C均值算法中(参见文献：韦尔马,阿格拉沃尔,沙兰.针对脑部图像分割的结合局部空间信息的改进直觉模糊C均值算法.应用软计算.543–557,2016.(H.Verma,R.K.Agrawal,A.Sharan,“An ImprovedIntuitionistic Fuzzy C-means Clustering Algorithm Incorporating LocalInformation for Brain Image Segmentation,”Appl.Soft Comput.,543–557,2016))。
与可见光图像的成像原理不同，红外图像根据物体向外辐射的热量进行成像，反映了目标与背景间的温度差异，隶属于被动成像范畴，因此具备全天候工作的能力。相比于可见光，红外辐射穿过霾、雾以及其他具有一定阻碍作用的干扰因素的能力更强，具有较长的作用距离。但与此同时，由于在空气当中传播存在不同程度的散射现象，红外图像中物体的边缘轮廓往往较为模糊，对比度与分辨率不高，并且目标的纹理信息丢失也较为严重。从原理上而言，模糊聚类算法较为适合分割红外图像中的目标。与一般的硬阈值分割的硬性划分不同，模糊聚类算法中数据点将以不同的隶属度被归于预设的每一类中。因此，模糊聚类算法可以从一定程度上解决红外图像中的高不确定性问题，在红外图像的分割上具有一定的优势。
前述改进的模糊聚类算法在一定程度上优化了在抗噪性能上的表现，取得了较好的分割结果。但在红外舰船图像中，海岸或河岸通常与舰船目标像素值相当，因此一般的模糊聚类算法都会将其误归于目标类中当中。同时，舰船的桅杆或雷达天线部分往往较为细小琐碎，在考虑图像噪声影响时不容易与船身主体归为一类，即丢失部分目标。针对上述问题，为了能够有效地提取出红外舰船目标，本发明提出了利用改进直觉模糊聚类算法分割红外舰船图像的方法。
【发明内容】
1、目的：模糊聚类算法在图像分割领域的应用十分广泛，针对一般图像可以得到较为合理的分割结果。但由于该类算法未妥善考虑像素点在图中的空间信息，因此不能将与舰船目标亮度相当的岸或水面反光部分区分开。同时在考虑图像邻域信息的前提下，多数算法常常会牺牲图像的细节部分，即把部分高亮细节作为噪声去除；若弱化邻域信息作用，则由于船身本身灰度不均的问题导致目标分割出现破孔，所以对于红外舰船图像往往不能得到一个较好的分割结果。
针对红外舰船图像的相应特点，本发明提出了利用改进直觉模糊聚类算法分割红外舰船图像的方法，该方法首先将图像数据模糊化，将原先的灰度值引申为隶属度，非隶属度和犹豫度三项；其次，通过图像方差矩阵确定舰船大致区域，以该区域中心作为舰船中心，并加入到目标函数中，构造像素到不同类聚类中心的距离度量；利用区域方差构造正则项，将邻域信息引入目标函数中。改进算法中充分考虑了舰船中心位置对于数据分类的影响，同时更加合理地利用了邻域信息，因此红外舰船图像分割，其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，首先利用图像方差矩阵和切比雪夫不等式得出的阈值确定舰船的可能区域，以可能区域的中心作为预设舰船中心。再使用改进直觉模糊聚类算法分割红外舰船图像的方法。改进算法中充分考虑了舰船中心位置对于数据分类的影响，同时更加合理地利用了邻域信息，因此分割质量得到了明显提高。
本发明是一种利用改进直觉模糊聚类算法分割红外舰船图像的方法，该方法具体步骤如下：
步骤一：确定舰船中心位置。利用图像方差矩阵和切比雪夫不等式得出的阈值确定舰船的可能区域，以可能区域的中心作为预设舰船中心。
其中，步骤一具体包括如下步骤：
1.1利用高斯滤波器对图像做平滑处理，抑制图像中噪声。高斯滤波器模板尺寸为3×3,标准差设置为0.5。
1.2计算得到图像的方差矩阵，并对方差矩阵作归一化处理：
D(x,y)＝[v(x,y)-Minv]/(Maxv-Minv)
(x,y)为像素点的横纵坐标，v(x,y)为以(x,y)为中心的区域的方差。Maxv为方差矩阵的最大值。Minv为方差矩阵的最小值。Dn为阈值处理后的方差矩阵。利用切比雪夫不等式计算出一个合适的阈值遍历方差矩阵进行舰船区域的初步定位。切比雪夫不等式如下：
v是图像区域方差。Ev是图像方差矩阵的期望。σv是方差矩阵的标准差。k为常量，本方法中设置为10。
1.3根据切比雪夫不等式得到的方差期望和方差矩阵的标准差确定阈值为μ+kσD。其中μ为归一化后的方差矩阵的期望。σD为归一化后的方差矩阵的方差。若Dn大于阈值，则认为该点属于舰船区域。通过此方法确定舰船的大致中心位置。
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，j是类别序数。i是像素序数。c是类别总数。N是像素总数。Wij是第i个像素点对第j类的权重系数。μji是第i个像素点对第j类的隶属度。m是模糊因子。dIFS(·,·)是两点的直觉模糊距离。xi是第i个像素点的像素值。vj是第j类的聚类中心。Ω是邻域信息权重系数，在本方法中设置为2。Ni是第i个像素点的邻域。k是第i个像素点的邻域内的像素序数。βki是像素点k在邻域Ni内的影响因子。xk是邻域Ni内第k个像素点的像素值。
数据模糊化计算过程如下：
πB(x)＝1-μB(x)-vB(x)
其中，μB(x)是像素点x的隶属度。vB(x)是像素点x的非隶属度。πB(x)是像素点x的犹豫度。λ在本方法中设置为4。X是所有像素点的像素值的集合。则有直觉模糊距离计算过程如下(设A和B是图中两像素点)：
dIFS(A,B)＝[(μB(A)-μB(B))2+(vB(A)-vB(B))2+(πB(A)-πB(B))2]
权重系数Wij的计算表达式如下：
其中，σ为预设高斯分布方差，在本方法中设置为3。coord(i)为第i个像素点的坐标。coord(c)为步骤一中得到的舰船中心位置坐标。Φ(i,j)为像素点i对第j类的权重系数指数因子。另外，在本方法中，α设置为0.75×10-3，β设置为3。权重系数指数因子Φ(i,j)的计算表达式如下：
其中，diag是舰船可能区域的半径。γ在本方法中设置为0.1。
像素点k在邻域Ni内的影响因子βki的计算表达式如下：
其中，Var(Ni)表示以第i个像素点为中心的邻域的方差值。μjk表示邻域内第k个像素点对第j类的隶属度。dik表示第i个像素点和其邻域内第k个像素点坐标的欧式距离。
根据拉格朗日乘数法可推导得到隶属度矩阵和聚类中心的迭代公式为：
μji表示隶属度矩阵。μB(vj),vB(vj),πB(vj)分别表示聚类中心的隶属度、非隶属度和犹豫度。m为模糊因子。Wmj第m个像素点对第j类的权重系数。xm第m个像素点的像素值。Nm是第m个像素点的邻域。βkm是像素点k在邻域Nm内的影响因子。μB(xi)和μB(xk)分别表示像素点xi和像素点xk的隶属度信息。vB(xi)和vB(xk)分别表示像素点xi和像素点xk的非隶属度信息。πB(xi)和πB(xk)分别表示像素点xi和像素点xk的犹豫度信息。
其中，步骤二具体包括如下步骤：
2.1定义c为类别总数，T为最大迭代次数，ε为迭代停止阈值。
2.2对隶属度矩阵μji和聚类中心μB(vj),vB(vj),πB(vj)进行初始化。
2.3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。
2.4若|J(t+1)-J(t)|＜ε，或t≥T，则停止迭代，进行步骤2.5；否则返回步骤2.3，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。
2.5去模糊化，完成红外舰船图像分割。
3、优点及功效：模糊C均值算法未考虑待分割图像中的空间信息，无法区分红外舰船图像中与舰船目标亮度相当的其他干扰项，同时无法在去噪，抑制灰度不均现象和保留舰船细节间取得平衡，所以不能在红外舰船图像分割中取得较好的结果。本发明提出的改进直觉模糊聚类算法分割红外舰船图像的方法考虑了舰船中心位置，利用其构造像素到不同类聚类中心的距离度量；同时通过区域方差构造的正则项将邻域信息引入目标函数中。改进算法中充分考虑了舰船中心位置对于数据分类的影响，同时更加合理地利用了邻域信息，因此红外舰船图像分割，其分割结果取得了明显的改善。具有广阔的市场前景与应用价值。
【附图说明】
图1为本发明使用改进直觉模糊聚类算法分割红外舰船图像的方法原理框图。
图2a是本发明确定红外图像中舰船大致区域过程的原图。
图2b是本发明确定红外图像中舰船大致的区域图像。
图2c是本发明应用于红外图像的分割结果图。
图3a是本发明用于提取红外舰船目标的原图。
图3b是本发明用于提取红外舰船目标的原图。
图3c是本发明用于提取红外舰船目标的原图。
图3d是本发明用于提取红外舰船目标的原图。
图3e是本发明用于提取红外舰船目标的原图。
图3f是本发明用于提取红外舰船目标的原图。
图3g是本发明用于提取红外舰船目标的最终结果。
图3h是本发明用于提取红外舰船目标的最终结果。
图3i是本发明用于提取红外舰船目标的最终结果。
图3j是本发明用于提取红外舰船目标的最终结果。
图3k是本发明用于提取红外舰船目标的最终结果。
图3l是本发明用于提取红外舰船目标的最终结果。
【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：确定舰船中心位置。利用图像方差矩阵和切比雪夫不等式得出的阈值确定舰船的可能区域，以可能区域的中心作为预设舰船中心。
其中，步骤一具体包括如下步骤：
1)利用高斯滤波器对图像平滑处理，抑制图像中噪声。高斯滤波器模板尺寸为3×3,标准差设置为0.5。
2)计算得到图像的方差矩阵，并对方差矩阵作归一化处理
D(x,y)＝[v(x,y)-Minv]/(Maxv-Minv)
(x,y)为像素点的横纵坐标，v(x,y)为以(x,y)为中心的区域的方差。Maxv为方差矩阵的最大值。Minv为方差矩阵的最小值。Dn为阈值处理后的方差矩阵。利用切比雪夫不等式计算出一个合适的阈值遍历方差矩阵进行舰船区域的初步定位。切比雪夫不等式如下：
v是图像区域方差。Ev是图像方差矩阵的期望。σv是方差矩阵的标准差。k为常量，本方法中设置为10。
3)根据切比雪夫不等式得到的方差期望和方差矩阵的标准差确定阈值为μ+kσD。其中μ为归一化后的方差矩阵的期望。σD为归一化后的方差矩阵的方差。若Dn大于阈值，则认为该点属于舰船区域。通过此方法确定舰船的大致中心位置。
图2a为原图，图2b为确定的舰船可能区域图，图2c为利用定位的可能区域中心得到分割结果图。
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，j是类别序数。i是像素序数。c是类别总数。N是像素总数。Wij是第i个像素点对第j类的权重系数。μji是第i个像素点对第j类的隶属度。m是模糊因子。dIFS(·,·)是两点的直觉模糊距离。xi是第i个像素点的像素值。vj是第j类的聚类中心。Ω是邻域信息权重系数，在本方法中设置为2。Ni是第i个像素点的邻域。k是第i个像素点的邻域内的像素序数。βki是像素点k在邻域Ni内的影响因子。xk是邻域Ni内第k个像素点的像素值。
数据模糊化计算过程如下：
πB(x)＝1-μB(x)-vB(x)
其中，μB(x)是像素点x的隶属度。vB(x)是像素点x的非隶属度。πB(x)是像素点x的犹豫度。λ在本方法中设置为4。X是所有像素点的像素值的集合。则有直觉模糊距离计算过程如下(设A和B是图中两像素点)：
dIFS(A,B)＝[(μB(A)-μB(B))2+(vB(A)-vB(B))2+(πB(A)-πB(B))2]
权重系数Wij的计算表达式如下：
其中，σ为预设高斯分布方差，在本方法中设置为3。coord(i)为第i个像素点的坐标。coord(c)为步骤一中得到的舰船中心位置坐标。Φ(i,j)为像素点i对第j类的权重系数指数因子。另外，在本方法中，α设置为0.75×10-3，β设置为3。权重系数指数因子Φ(i,j)的计算表达式如下：
其中，diag是舰船可能区域的半径。γ在本方法中设置为0.1。
像素点k在邻域Ni内的影响因子βki的计算表达式如下：
其中，Var(Ni)表示以第i个像素点为中心的邻域的方差值。μjk表示邻域内第k个像素点对第j类的隶属度。dik表示第i个像素点和其邻域内第k个像素点坐标的欧式距离。
根据拉格朗日乘数法可推导得到隶属度矩阵和聚类中心的迭代公式为：
μji表示隶属度矩阵。μB(vj),vB(vj),πB(vj)分别表示聚类中心的隶属度、非隶属度和犹豫度。m为模糊因子。Wmj第m个像素点对第j类的权重系数。xm第m个像素点的像素值。Nm是第m个像素点的邻域。βkm是像素点k在邻域Nm内的影响因子。μB(xi)和μB(xk)分别表示像素点xi和像素点xk的隶属度信息。vB(xi)和vB(xk)分别表示像素点xi和像素点xk的非隶属度信息。πB(xi)和πB(xk)分别表示像素点xi和像素点xk的犹豫度信息。
其中，步骤二具体包括如下步骤：
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对隶属度矩阵μji和聚类中心μB(vj),vB(vj),πB(vj)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。
为了展示本发明的效果，图3给出了原图和分割结果图。由分割结果可以看出，采用改进的直觉模糊聚类算法得到的分割结果能够成功地提取出红外舰船目标。其中，图3a是本发明用于提取红外舰船目标的原图。图3b是本发明用于提取红外舰船目标的原图。图3c是本发明用于提取红外舰船目标的原图。图3d是本发明用于提取红外舰船目标的原图。图3e是本发明用于提取红外舰船目标的最终结果。图3f是本发明用于提取红外舰船目标的最终结果。图3g是本发明用于提取红外舰船目标的最终结果。图3h是本发明用于提取红外舰船目标的最终结果。从图3可看出，选取的图像中红外舰船包含了较多的桅杆细节，同时包含了岸边高亮景象、水面反光、海面雾气等等干扰因素，传统的模糊C均值算法在分割图像时通常不能得到较好的分割结果。本发明提出的算法引入直觉模糊集的思想，考虑了舰船位置信息和邻域信息并考虑区域性方差信息，因此能够很好地抑制噪声并保留目标的细节部分，从而能够取得较好的分割结果。
Claims (7)
1.一种利用改进直觉模糊聚类算法分割红外舰船图像的方法，其特征在于：该方法具体步骤如下：
步骤一：确定舰船中心位置；利用图像方差矩阵和切比雪夫不等式得出的阈值确定舰船的可能区域，以可能区域的中心作为预设舰船中心；具体包括如下步骤：
1.1利用高斯滤波器对图像做平滑处理，抑制图像中噪声；
1.2计算得到图像的方差矩阵，并对方差矩阵作归一化处理：
1.3根据切比雪夫不等式得到的方差期望和方差矩阵的标准差确定阈值为μ+kσD；
其中μ为归一化后的方差矩阵的期望；σD为归一化后的方差矩阵的方差；若Dn大于阈值，则认为该点属于舰船区域；
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；具体包括如下步骤：
2.1定义c为类别总数，T为最大迭代次数，ε为迭代停止阈值；
2.2对隶属度矩阵μji和聚类中心μB(vj),vB(vj),πB(vj)进行初始化；
2.3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；
2.4若|J(t+1)-J(t)|＜ε，或t≥T，则停止迭代，进行步骤2.5；否则返回步骤2.3，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；
2.5去模糊化，完成红外舰船图像分割。
2.根据权利要求1所述的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，其特征在于：步骤一中所用的公式为：
D(x,y)＝[v(x,y)-Minv]/(Maxv-Minv)
(x,y)为像素点的横纵坐标，v(x,y)为以(x,y)为中心的区域的方差；Maxv为方差矩阵的最大值；Minv为方差矩阵的最小值；Dn为阈值处理后的方差矩阵。
3.根据权利要求1所述的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，其特征在于：步骤一中切比雪夫不等式如下：利用切比雪夫不等式计算出一个合适的阈值遍历方差矩阵进行舰船区域的初步定位；
其中，v是图像区域方差；Ev是图像方差矩阵的期望；σv是方差矩阵的标准差；k为常量。
4.根据权利要求3所述的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，其特征在于：k设置为10。
5.根据权利要求1所述的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，其特征在于：高斯滤波器模板尺寸为3×3,标准差设置为0.5。
6.根据权利要求1所述的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，其特征在于：步骤二中，改进的模糊聚类算法目标函数如下：
其中，j是类别序数；i是像素序数；c是类别总数；N是像素总数；Wij是第i个像素点对第j类的权重系数；μji是第i个像素点对第j类的隶属度；m是模糊因子；dIFS(·,·)是两点的直觉模糊距离；xi是第i个像素点的像素值；vj是第j类的聚类中心；Ω是邻域信息权重系数；Ni是第i个像素点的邻域；k是第i个像素点的邻域内的像素序数；βki是像素点k在邻域Ni内的影响因子；xk是邻域Ni内第k个像素点的像素值；
数据模糊化计算过程如下：
πB(x)＝1-μB(x)-vB(x)
其中，μB(x)是像素点x的隶属度；vB(x)是像素点x的非隶属度；πB(x)是像素点x的犹豫度；X是所有像素点的像素值的集合；则有直觉模糊距离计算过程如下：设A和B是图中两像素点；
dIFS(A,B)＝[(μB(A)-μB(B))2+(vB(A)-vB(B))2+(πB(A)-πB(B))2]
权重系数Wij的计算表达式如下：
其中，σ为预设高斯分布方差；coord(i)为第i个像素点的坐标；coord(c)为步骤一中得到的舰船中心位置坐标；Φ(i,j)为像素点i对第j类的权重系数指数因子；权重系数指数因子Φ(i,j)的计算表达式如下：
其中，diag是舰船可能区域的半径；
像素点k在邻域Ni内的影响因子βki的计算表达式如下：
其中，Var(Ni)表示以第i个像素点为中心的邻域的方差值；μjk表示邻域内第k个像素点对第j类的隶属度；dik表示第i个像素点和其邻域内第k个像素点坐标的欧式距离；
根据拉格朗日乘数法可推导得到隶属度矩阵和聚类中心的迭代公式为：
μji表示隶属度矩阵；μB(vj),vB(vj),πB(vj)分别表示聚类中心的隶属度、非隶属度和犹豫度；m为模糊因子；Wmj第m个像素点对第j类的权重系数；xm第m个像素点的像素值；Nm是第m个像素点的邻域；βkm是像素点k在邻域Nm内的影响因子；μB(xi)和μB(xk)分别表示像素点xi和像素点xk的隶属度信息；vB(xi)和vB(xk)分别表示像素点xi和像素点xk的非隶属度信息；πB(xi)和πB(xk)分别表示像素点xi和像素点xk的犹豫度信息。
7.根据权利要求6所述的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，其特征在于：Ω设置为2；α设置为0.75×10-3；σ设置为3；γ设置为0.1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810038201.9A CN108198193B (zh) | 2018-01-16 | 2018-01-16 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810038201.9A CN108198193B (zh) | 2018-01-16 | 2018-01-16 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108198193A true CN108198193A (zh) | 2018-06-22 |
| CN108198193B CN108198193B (zh) | 2021-09-03 |
Family
ID=62589688
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810038201.9A Active CN108198193B (zh) | 2018-01-16 | 2018-01-16 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108198193B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145921A (zh) * | 2018-08-29 | 2019-01-04 | 江南大学 | 一种基于改进的直觉模糊c均值聚类的图像分割方法 |
| CN109559286A (zh) * | 2018-11-19 | 2019-04-02 | 电子科技大学 | 一种方差梯度约束法红外图像边缘保持去噪方法 |
| CN110147795A (zh) * | 2019-05-24 | 2019-08-20 | 电子科技大学 | 一种自适应非局部模糊c均值聚类sar图像分割算法 |
| CN110634141A (zh) * | 2019-09-19 | 2019-12-31 | 南京邮电大学 | 基于改进直觉模糊c均值聚类的图像分割方法及存储介质 |
| CN110853054A (zh) * | 2019-10-29 | 2020-02-28 | 北京航空航天大学 | 一种利用位置信息改进直觉模糊聚类提取红外舰船的方法 |
| CN111402272A (zh) * | 2020-03-19 | 2020-07-10 | 西安石油大学 | 一种邻域加权模糊聚类图像分割方法 |
| CN111754598A (zh) * | 2020-06-27 | 2020-10-09 | 昆明理工大学 | 基于变换学习的局部空间邻域并行磁共振成像重构方法 |
| CN111811933A (zh) * | 2020-07-31 | 2020-10-23 | 中国矿业大学 | 一种承载煤岩损伤破裂过程中的红外辐射信息去噪方法 |
| CN112052870A (zh) * | 2020-07-20 | 2020-12-08 | 武汉罗布科技有限公司 | 一种基于离散Fréchet距离的舰船磁场分类方法 |
| CN112733825A (zh) * | 2020-12-18 | 2021-04-30 | 北京城市排水集团有限责任公司 | 一种摆臂雷达管道图像病害空间提取方法 |
| CN117260100A (zh) * | 2023-11-23 | 2023-12-22 | 江苏恒康电力科技有限公司 | 一种变电站电力设备铁附件智能定位焊接系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6654728B1 (en) * | 2000-07-25 | 2003-11-25 | Deus Technologies, Llc | Fuzzy logic based classification (FLBC) method for automated identification of nodules in radiological images |
| 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 |
| CN107240119A (zh) * | 2017-04-19 | 2017-10-10 | 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 |
| CN107403438A (zh) * | 2017-08-07 | 2017-11-28 | 河海大学常州校区 | 改进模糊聚类算法的超声图像病灶区分割方法 |
-
2018
- 2018-01-16 CN CN201810038201.9A patent/CN108198193B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6654728B1 (en) * | 2000-07-25 | 2003-11-25 | Deus Technologies, Llc | Fuzzy logic based classification (FLBC) method for automated identification of nodules in radiological images |
| 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 |
| CN107240119A (zh) * | 2017-04-19 | 2017-10-10 | 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 |
| CN107403438A (zh) * | 2017-08-07 | 2017-11-28 | 河海大学常州校区 | 改进模糊聚类算法的超声图像病灶区分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张鹏辉 等: ""基于视觉认知的红外目标分割算法"", 《应用光学》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145921B (zh) * | 2018-08-29 | 2021-04-09 | 江南大学 | 一种基于改进的直觉模糊c均值聚类的图像分割方法 |
| CN109145921A (zh) * | 2018-08-29 | 2019-01-04 | 江南大学 | 一种基于改进的直觉模糊c均值聚类的图像分割方法 |
| CN109559286A (zh) * | 2018-11-19 | 2019-04-02 | 电子科技大学 | 一种方差梯度约束法红外图像边缘保持去噪方法 |
| CN109559286B (zh) * | 2018-11-19 | 2022-12-06 | 电子科技大学 | 一种方差梯度约束法红外图像边缘保持去噪方法 |
| CN110147795A (zh) * | 2019-05-24 | 2019-08-20 | 电子科技大学 | 一种自适应非局部模糊c均值聚类sar图像分割算法 |
| CN110634141A (zh) * | 2019-09-19 | 2019-12-31 | 南京邮电大学 | 基于改进直觉模糊c均值聚类的图像分割方法及存储介质 |
| CN110634141B (zh) * | 2019-09-19 | 2022-02-11 | 南京邮电大学 | 基于改进直觉模糊c均值聚类的图像分割方法及存储介质 |
| CN110853054A (zh) * | 2019-10-29 | 2020-02-28 | 北京航空航天大学 | 一种利用位置信息改进直觉模糊聚类提取红外舰船的方法 |
| CN110853054B (zh) * | 2019-10-29 | 2022-08-16 | 北京航空航天大学 | 一种利用位置信息改进直觉模糊聚类提取红外舰船的方法 |
| CN111402272A (zh) * | 2020-03-19 | 2020-07-10 | 西安石油大学 | 一种邻域加权模糊聚类图像分割方法 |
| CN111402272B (zh) * | 2020-03-19 | 2023-09-29 | 西安石油大学 | 一种邻域加权模糊聚类图像分割方法 |
| CN111754598B (zh) * | 2020-06-27 | 2022-02-25 | 昆明理工大学 | 基于变换学习的局部空间邻域并行磁共振成像重构方法 |
| CN111754598A (zh) * | 2020-06-27 | 2020-10-09 | 昆明理工大学 | 基于变换学习的局部空间邻域并行磁共振成像重构方法 |
| CN112052870A (zh) * | 2020-07-20 | 2020-12-08 | 武汉罗布科技有限公司 | 一种基于离散Fréchet距离的舰船磁场分类方法 |
| CN112052870B (zh) * | 2020-07-20 | 2024-04-16 | 武汉罗布科技有限公司 | 一种基于离散Fréchet距离的舰船磁场分类方法 |
| CN111811933B (zh) * | 2020-07-31 | 2022-03-11 | 中国矿业大学 | 一种承载煤岩损伤破裂过程中的红外辐射信息去噪方法 |
| CN111811933A (zh) * | 2020-07-31 | 2020-10-23 | 中国矿业大学 | 一种承载煤岩损伤破裂过程中的红外辐射信息去噪方法 |
| CN112733825A (zh) * | 2020-12-18 | 2021-04-30 | 北京城市排水集团有限责任公司 | 一种摆臂雷达管道图像病害空间提取方法 |
| CN117260100A (zh) * | 2023-11-23 | 2023-12-22 | 江苏恒康电力科技有限公司 | 一种变电站电力设备铁附件智能定位焊接系统 |
| CN117260100B (zh) * | 2023-11-23 | 2024-03-08 | 江苏恒康电力科技有限公司 | 一种变电站电力设备铁附件智能定位焊接系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108198193B (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108198193A (zh) | 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 | |
| CN106408569B (zh) | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 | |
| Amer et al. | Edge detection methods | |
| Liew et al. | Image segmentation based on adaptive cluster prototype estimation | |
| CN107403134B (zh) | 基于局部梯度三边的图域多尺度红外弱小目标检测方法 | |
| Ahmmed et al. | Tumor detection in brain MRI image using template based K-means and Fuzzy C-means clustering algorithm | |
| CN108062757B (zh) | 一种利用改进直觉模糊聚类算法提取红外目标的方法 | |
| Beevi et al. | A robust segmentation approach for noisy medical images using fuzzy clustering with spatial probability | |
| Nilakant et al. | A survey on advanced segmentation techniques for brain MRI image segmentation | |
| CN110853054B (zh) | 一种利用位置信息改进直觉模糊聚类提取红外舰船的方法 | |
| Zhao et al. | A novel Neutrosophic image segmentation based on improved fuzzy C-means algorithm (NIS-IFCM) | |
| CN106056627B (zh) | 一种基于局部鉴别性稀疏表示的鲁棒目标跟踪方法 | |
| Tong et al. | Segmentation of brain MR images via sparse patch representation | |
| Song et al. | Brain tissue segmentation and bias field correction of MR image based on spatially coherent FCM with nonlocal constraints | |
| Li et al. | Infrared pedestrian segmentation through background likelihood and object-biased saliency | |
| CN107564008B (zh) | 基于关键像素模糊聚类的快速sar图像分割方法 | |
| Fengping et al. | Road extraction using modified dark channel prior and neighborhood FCM in foggy aerial images | |
| Wang et al. | Image haze removal using a hybrid of fuzzy inference system and weighted estimation | |
| Liu et al. | A Generative Adversarial Network for infrared and visible image fusion using adaptive dense generator and Markovian discriminator | |
| Zhou et al. | New two-dimensional fuzzy C-means clustering algorithm for image segmentation | |
| Rudra et al. | 3D Graph cut with new edge weights for cerebral white matter segmentation | |
| Qiao et al. | Research on standardized feature positioning technology of motion amplitude based on intelligent vision | |
| Harikumar et al. | Performance analysis of medical image segmentation and edge detection using MEM and PSO algorithms | |
| CN111861960A (zh) | 一种红外和可见光图像融合方法 | |
| Dan et al. | Multi-scale adaptive level set segmentation method based on saliency |
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 |