基于图划分粒子群优化的SAR图像自动分割方法技术

本发明专利技术公开了一种基于图划分粒子群优化的SAR图像自动分割方法，主要解决现有技术对图像分割效果差的问题。实现步骤是：1.输入原始待分割图像，读取其灰度信息；2.对待分割图像进行滤波，得到梯度图像；3.将梯度图像划分成互不重叠的区域；4.求出梯度图像的最大类别数，作为图像最大灰度级；5.将所分割区域映射为无向加权图，并构建无向加权图的能量函数；6.对能量函数进行迭代求解，得到类别中心和类别数；7.判断迭代次数是否小于20，如果是则继续更新粒子，否则输出最优类别数和分割后的图像。本发明专利技术运行速度快，分割效果好，可用于医学影像、卫星图像定位、人脸识别、指纹识别、交通控制系统及机器视觉。

【技术实现步骤摘要】
基于图划分粒子群优化的SAR图像自动分割方法
本专利技术属于图像处理
，特别涉及一种SAR图像自动分割方法，可用于医学影像、卫星图像定位、人脸识别、指纹识别及交通控制系统。
技术介绍
随着科技的不断进步，图像处理技术越来越广泛的应用于我们的生产生活中，而作为图像处理领域的一个重要的分支，图像分割技术也越来越受到人们的重视。图像分割是图像解译过程中的一个关键步骤，图像分割技术是指对图像中有意义的特征部分进行提取的技术。常见的应用如：医学影像、卫星图像定位、人脸识别、指纹识别、交通控制系统、机器视觉等都是应用分割技术的例子，可见分割技术与我们的工作和生活息息相关，它能提高我们的工作效率和生活质量，给我们的生活带来极大地便利。合成孔径雷达具有高分辨、全候、强透射等特点，SAR图像的获取比较容易，但是对图像的解译却比较困难；SAR图像分割是图像解译的关键技术，SAR图像的自动分割对雷达遥感的发展具有重要的意义。近年来，基于粒子群优化算法的图像分割方法开始应用于SAR图像的分割，包括人工免疫系统、粒子群优化和多智能体等进化范例，但是由于这种方法对SAR图像所含有的斑点噪声非常敏感，因此分割的结果并不理想。
技术实现思路
本专利技术的目的是针对上述现有技术的不足，提出一种基于图划分粒子群优化的SAR图像自动分割方法，以减小SAR图像的斑点噪声，提高分割的精度和准确率。本专利技术的技术思路是：将图像的灰度直方图信息特征作为聚类对象，利用图划分粒子群优化的方法进行SAR图像的自动分割，其实现步骤包括如下：(1)输入原始待分割的图像I，读取图像的灰度梯度信息；(2)根据实验选择最优的数值，包括邻域窗口半径ds，搜索窗口半径Ds和高斯平滑参数h，并对待分割图像I进行非局部均值滤波去燥处理，得到梯度图像；(3)对梯度图像进行初分割，将其划分成互不重叠N个的区域，N>100；(4)求出梯度图像的最大类别数C，将此作为图像的灰度级；(5)将分割成的N个区域块映射为无向加权图，该无向加权图的顶点由像素点表示，像素点之间的相似性S(m,n)表示无向加权图边的权值：式中，Imy代表像素m的灰度分量，Imcb和Imcr代表像素的色差分量，当输入图像是灰度图像时只有灰度分量；(6)构建无向加权图的能量函数fit(L)：式中，P为像素点的集合，Lp为像素点P所属类的标号集，Np代表P的相邻像素点的集合；等式右边第一项是数据项，表征的是像素与其所属类的符合程度；第二项为约束项，用来估计相邻的像素属于不同标号的惩罚值，其值越大表明相邻像素点越相似；(7)利用粒子群优化算法对图像的标号进行最优化求解，得到类别中心和类别数；(8)判断迭代次数是否小于20，如果是则重复步骤(7)，继续更新粒子的位置和速度，否则，迭代结束输出最优聚类个数和分割后的图像。本专利技术与现有技术相比具有以下优点：1.本专利技术采用非局部均值滤波对原始SAR图像进行平滑处理，能较好的保持图像的边缘信息，有利于后期的分割；专利技术采用的是基于图划分的机制，能够实现对图像的自动分割。2.本专利技术由于采用了粒子群优化算法框架，直接对图像的灰度直方图进行编码而不是图像所有像素点进行编码，减少了算法的复杂度，加速了种群的更新速度，能得到最佳的收敛类别数。3.本专利技术采用的分割算法相比其它分割算法能够更准确地对SAR图像进行分割，同时对图像的边缘保持较好，具有较强的鲁棒性。附图说明图1是本专利技术的实现流程图；图2是用本专利技术对四类纹理图像的预处理结果图；图3是用本专利技术对八类纹理图像的预处理结果图；图4是用本专利技术对四类纹理图像的分水岭分割后的结果图；图5是用本专利技术对八类纹理图像的分水岭分割后的结果图；图6用本专利技术对类别数为4的含噪纹理图像text1的分割结果图；图7用本专利技术对类别数为8的含噪纹理图像text2的分割结果图；图8用本专利技术对类别数为2的SAR1图像的分割结果图；图9用本专利技术对类别数为3的SAR2的分割结果图；图10用本专利技术对类别数为4的SAR3的分割结果图。具体实施方式下面结合附图对本专利技术的实施和效果做进一步详细说明：参照图1，本专利技术的实施步骤如下：步骤1.输入原始待分割图像I，读取图像的灰度梯度信息。步骤2.根据实验选择最优的数值，包括邻域窗口半径ds，搜索窗口半径Ds和高斯平滑参数h，并对待分割图像I进行非局部均值滤波去燥处理，得到梯度图像。本步骤的具体实现如下：2a)本实例设邻域窗口半径但不限于ds＝2，搜索窗口半径Ds＝5；2b)本实例的高斯函数平滑参数取但不限于h＝10，控制着指数函数的衰减程度；2c)计算原始待分割图像I中所有像素的加权平均：NL(i)＝∑j∈Iω(i,j)υ(j)其中i为图像像素点的灰度级，取值为0～255,υ(j)为离散噪声图像；ω(i,j)为权重，其由第i个像素和第j个像素的相似性决定：其满足∑jω(i,j)＝1，其中0≤ω(i,j)≤1；Z(i)是归一化常数，式中h过滤参数，它决定着滤波函数变化的快慢，为高斯核二范数，表示相似性，υ(Ni)表示第Ni个像素点的灰度值，a＞0表示是高斯核的标准偏差；2d)将i个像素点灰度的加权平均值作为其新的灰度值，得到滤波后的图像。步骤3.对梯度图像进行初分割，将其划分成互不重叠的N个区域，N>100。本步骤的具体实现如下：3a)利用soble算子提取梯度图像的边界信息；3b)获取所提取图像的水平和垂直边界；3c)对边界图像进行形态学运算，包括图像的膨胀运算和腐蚀运算；3d)对形态学运算后的图像进行开运算和闭运算；3e)对开闭运算后的图像进行分水岭变换，得到图像的分水岭脊线，输出初分割后的SAR图像。步骤4.求出梯度图像的最大类别数C，将此作为图像的灰度级。本步骤的具体实现如下：4a)根据初分割后的图像，建立其灰度直方图；4b)对灰度直方图进行局部平滑运算；4c)求出平滑后直方图的所有峰值，并计算其斜率均值；4d)对平滑后直图像进行开闭运算，并将其开闭运算的结果M与设定的阈值T＝0.01进行比较：若M＜T，则图像的灰度级C＝C+1；否则重复步骤4b)和4c)。步骤5.将分割成的区域映射为无向加权图，以此构建能量函数。本步骤的具体实现如下：5a)对所分割成的N个进行区域映射，得到无向加权图，该无向加权图的顶点由像素点表示，像素点之间的相似性S(m,n)：式中，Imy代表像素m的灰度分量，Imcb和Imcr代表像素的色差分量，当输入图像是灰度图像时只有灰度分量；5b)根据像素点相似性建立能量函数的标号集Lp。5c)设P为像素点的集合，Lp为像素点P所属类的标号集，Np为P的相邻像素点的集合，构建无向加权图的能量函数fit(L)，：其中：数据项表示像素m和n所属类的复合程度；约束项Vpq(Lp,Lq)＝-lnS(Lp,Lq)表示Lp,Lq之间的惩罚程度，其值越大表明相邻像素点越相似；λ是数据项和约束项之间的重要因子。步骤6.利用粒子群优化算法对所构建的能量函数进行最优化求解，得到类别中心和类别数。本步骤的具体实现如下：6a)初始化粒子群的个体：设粒子数为np，随机初始化粒子速度v0k和位置x0k，随机初始化每个粒子的局部最优值pbestk，最大迭代数Nc＝20，其中，1＜k＜np；6b)初始粒子的位置xk和速度vk，本文档来自技高网...

【技术保护点】
一种基于图划分粒子群优化的SAR图像自动分割方法，其特征在于，包括：(1)输入原始待分割的图像I，读取图像的灰度梯度信息；(2)根据实验选择最优的数值，包括邻域窗口半径ds，搜索窗口半径Ds和高斯平滑参数h，并对待分割图像I进行非局部均值滤波去燥处理，得到梯度图像；(3)对梯度图像进行初分割，将其划分成互不重叠N个的区域，N>100；(4)求出梯度图像的最大类别数C，将此作为图像的灰度级；(5)将分割成的N个区域块映射为无向加权图，该无向加权图的顶点由像素点表示，像素点之间的相似性S(m,n)表示无向加权图边的权值：

【技术特征摘要】
1.一种基于图划分粒子群优化的SAR图像自动分割方法，其特征在于，包括：(1)输入原始待分割的图像I，读取图像的灰度梯度信息；(2)根据实验选择最优的数值，包括邻域窗口半径ds，搜索窗口半径Ds和高斯平滑参数h，并对待分割图像I进行非局部均值滤波去燥处理，得到梯度图像；(3)对梯度图像进行初分割，将其划分成互不重叠N个的区域，N>100；(4)求出梯度图像的最大类别数C，将此作为图像的灰度级；(5)将分割成的N个区域块映射为无向加权图，该无向加权图的顶点由像素点表示，像素点之间的相似性S(m,n)表示无向加权图边的权值：式中，Imy代表像素m的灰度分量，Imcb和Imcr代表像素的色差分量，当输入图像是灰度图像时只有灰度分量；(6)构建无向加权图的能量函数fit(L)：式中，P为像素点的集合，Lp为像素点P所属类的标号集，Np代表P的相邻像素点的集合；等式右边第一项是数据项，表征的是像素与其所属类的符合程度；第二项为约束项，用来估计相邻的像素属于不同标号的惩罚值，其值越大表明相邻像素点越相似；(7)利用粒子群优化算法对图像的标号进行最优化求解，得到类别中心和类别数；(8)判断迭代次数是否小于20，如果是则重复步骤(7)，继续更新粒子的位置和速度，否则，迭代结束输出最优聚类个数和分割后的图像。2.根据权利要求1所述的方法，其特征在于，其中步骤(2)中对原始SAR图像进行非局部均值滤波处理，按如下步骤进行：(2.1)设置领域搜索窗口半径ds＝2，全局搜索窗口半径Ds＝10；(2.2)设高斯函数平滑参数h＝10，其值决定指数函数的衰减程度；(2.3)计算输入图像所有像素点的加权平均值：NL[υ](i)＝∑j∈Iω(i,j)υ(j)式中，i为图像像素点的灰度级，取值为0～255,υ(j)为离散噪声图像；ω(i,j)为权重，其由第i个像素和第j个像素的相似性决定：其满足∑jω...

【专利技术属性】
技术研发人员：刘若辰，焦李成，卢成林，夏冠，张丹，李阳阳，刘静，王爽，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61