專利名稱：基于免疫克隆量子聚類的sar圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及SAR圖像分割，可用于雷達(dá)目標(biāo)檢測(cè)和目標(biāo)識(shí)別。
背景技術(shù)：
聚類是指在沒(méi)有任何關(guān)于樣本的先驗(yàn)知識(shí)情況下，利用數(shù)學(xué)的方法研究和處理特定對(duì)象的分類，把一個(gè)沒(méi)有類別標(biāo)記的樣本按照某種準(zhǔn)則劃分成若干個(gè)子集，使得相似的樣本盡可能被歸為一類，而不相似的樣本盡量被劃分到不同的類別中。聚類分析是多元統(tǒng)計(jì)分析的一種，也是非監(jiān)督模式識(shí)別的一個(gè)重要分支?，F(xiàn)有的聚類算法大致可以分成基于劃分的聚類、基于層次的聚類、基于密度的聚類、基于網(wǎng)格的聚類、基于模型的聚類，以及與模糊理論、圖論、自然計(jì)算相關(guān)領(lǐng)域結(jié)合的聚類技術(shù)。 圖像分割就是根據(jù)某種均勻性或一致性的原則將圖像分成若干個(gè)有意義的部分，把感興趣的目標(biāo)物從十分復(fù)雜的背景中提取出來(lái)，以便進(jìn)一步的分析。因此，可以利用聚類方法將圖像中一個(gè)或多個(gè)特征不連續(xù)的部分單獨(dú)劃分為一個(gè)子區(qū)域，將原始信息轉(zhuǎn)化為更加緊湊的形式，使得更高層次的圖像分析和理解成為可能。其中，隨著合成孔徑雷達(dá)SAR技術(shù)被廣泛應(yīng)用于國(guó)防建設(shè)和民用領(lǐng)域，SAR圖像分割作為SAR圖像處理過(guò)程的關(guān)鍵步驟，近年來(lái)受到了越來(lái)越多的重視。基于聚類技術(shù)的SAR圖像分割方法又包括分層聚類和劃分聚類。 作為一種基于劃分的非參數(shù)聚類技術(shù)的量子聚類，它能夠克服傳統(tǒng)聚類算法對(duì)初始值和噪聲敏感、聚類類別數(shù)要事先給定等缺陷。但是，量子聚類通過(guò)梯度下降的方法進(jìn)行迭代很容易陷入局部極值，同時(shí)，緩慢的迭代速度限制了其在大規(guī)模數(shù)據(jù)集尤其是圖像分割領(lǐng)域的應(yīng)用。盡管也存在一些改進(jìn)技術(shù)，例如，對(duì)距離測(cè)度的改進(jìn)、對(duì)尺度參數(shù)估計(jì)的改進(jìn)等，但都沒(méi)能從根本上解決以上瓶頸問(wèn)題。
發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于免疫克隆量子聚類的圖像分割方法，將免疫克隆選擇理論同量子聚類相結(jié)合，有效地對(duì)包含大規(guī)模數(shù)據(jù)的SAR圖像進(jìn)行分割。 為實(shí)現(xiàn)上述目的，本發(fā)明包括以下步驟 (1)對(duì)待分割的大小為256X256的SAR圖像分別提取其灰度共生矩陣、小波變換和Contourlet變換特征，將提取出的所有N = 35維特征向量按列組合起來(lái)，得到65536X35的輸入數(shù)據(jù)樣本； (2)從以上數(shù)據(jù)樣本中隨機(jī)選取k個(gè)樣本作為初始抗體種群，k為SAR圖像分割的類別數(shù)； (3)對(duì)初始抗體種群進(jìn)行編碼，每個(gè)抗體長(zhǎng)度為NXk，其中，第一個(gè)長(zhǎng)度為N的字段表示第一個(gè)聚類中心，第二個(gè)長(zhǎng)度為N的字段表示第二個(gè)聚類中心，依此類推；
(4)對(duì)編碼后的抗體按照如下步驟計(jì)算親合度值:4a)定義兩個(gè)樣本點(diǎn)Xi和Xj之間的距離函數(shù)D
Xi-x,.l l，求解薛定諤方禾
'王
//v = (-y v2 + = ￡v ，得到勢(shì)能函數(shù)v的計(jì)算公式為 K:
1
:五一_ +
2 2ct
Z>25
「)
戊
X exp(-~
t特征值，d為數(shù)據(jù)其中，H為哈密頓算子，^W:;e-，E為哈密頓算子的能j集的特征維數(shù)，x為數(shù)據(jù)樣本點(diǎn)，o為尺度參數(shù)，V2為拉普拉斯算子； 4b)根據(jù)計(jì)算出的勢(shì)能函數(shù)值的極小點(diǎn)確定K個(gè)聚類中心{Ci，i = l，...Kh并根據(jù)樣本點(diǎn)與各個(gè)聚類中心歐氏距離最近原則獲得各類的劃分集合Oi，ni為0i中樣本點(diǎn)的個(gè)數(shù)，對(duì)每個(gè)集合0i中的所有樣本點(diǎn)求平均值，得到新的聚類中心為
:丄X xv， i = 1， ， K j = 1， . ， n
根據(jù)計(jì)算出的新的聚類中心，得到親合度函數(shù)的計(jì)算公式為
其中，I I I I為求取歐氏距離的運(yùn)算符；
(5)計(jì)算出抗體種群中所有抗體的親合度值后，將它們由高到低排序，取前面的P M個(gè)抗體作為精英種群，剩余部分作為普通種群，其中，p為設(shè)定的比例值，M為種群大小； (6)對(duì)精英種群按照與親合度值成正比的克隆規(guī)模進(jìn)行克隆操作，對(duì)普通種群按照設(shè)定的克隆規(guī)模進(jìn)行克隆操作； (7)克隆操作后，對(duì)精英種群進(jìn)行基于正態(tài)云模型的自適應(yīng)變異操作，對(duì)普通種群進(jìn)行變異概率為1的滿足均勻分布的隨機(jī)超變異操作； (8)從經(jīng)過(guò)克隆操作和變異操作后的抗體子種群中按照概率選擇優(yōu)秀的抗體形成新的精英種群和普通種群，該新的精英種群的親合度最高值為fbestl，新的普通種群的親合度最高值為fbest2 ; (9)將新的精英種群的親合度最高值與新的普通種群的親合度最高值進(jìn)行比較，如果fbestl > fbest2，就將精英種群的抗體與普通種群親合度最低的p M個(gè)抗體進(jìn)行超立方體交叉；如果fbestl < fbest2，就將普通種群親合度最高的p M個(gè)抗體與精英種群抗體進(jìn)行超立方體交叉； (10)經(jīng)過(guò)交叉操作后，返回步驟(4)重新進(jìn)行迭代優(yōu)化，重復(fù)進(jìn)行Nmax次；
(11)將經(jīng)過(guò)Nmax次迭代最后得到的精英種群的親合度最高值fbestl與普通種群的親合度最高值fbest2再進(jìn)行比較，用比較后的較大值所對(duì)應(yīng)的抗體代表最終的聚類中心，并根據(jù)該聚類中心將SAR圖像的每個(gè)像素點(diǎn)劃分到不同的類別中，得到最終的分割結(jié) 本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)
1)本發(fā)明引入了具有生物學(xué)免疫機(jī)理的克隆選擇優(yōu)化過(guò)程，能夠有效克服量子聚 類迭代過(guò)程中容易陷入局部極值的缺陷； 2)本發(fā)明通過(guò)設(shè)計(jì)新的親合度函數(shù)計(jì)算公式，能夠有效克服已有量子聚類技術(shù)在 處理大規(guī)模數(shù)據(jù)能力上的局限性，能夠直接對(duì)SAR圖像進(jìn)行分割； 3)本發(fā)明相對(duì)已有的量子聚類技術(shù)，通過(guò)提出基于正態(tài)云模型的自適應(yīng)變異操作 和超立方體交叉操作，能夠加快SAR圖像的分割速度，并獲得較好的分割效果；
仿真實(shí)驗(yàn)結(jié)果表明，提出的免疫克隆量子聚類能夠有效地應(yīng)用于SAR圖像分割， 并進(jìn)一步應(yīng)用于雷達(dá)目標(biāo)檢測(cè)和目標(biāo)識(shí)別。
圖1是本發(fā)明的實(shí)現(xiàn)流程圖； 圖2是本發(fā)明的基于正態(tài)云模型的自適應(yīng)變異操作示意圖；
圖3是本發(fā)明的超立方體交叉操作示意圖； 圖4是本發(fā)明與現(xiàn)有FCM聚類算法應(yīng)用于SAR圖像分割的對(duì)比實(shí)驗(yàn)結(jié)果。
具體實(shí)施例方式參照?qǐng)Dl，本發(fā)明的具體實(shí)施過(guò)程如下
步驟l.提取待分割的SAR圖像特征。 SAR圖像不僅數(shù)據(jù)量大，在成像過(guò)程中不同的地物有不同的后向發(fā)射和散射特性， 從而具有豐富的紋理信息。并且，圖像固有的相干斑噪聲對(duì)于分割性能直接產(chǎn)生影響。因 此，有必要在圖像分割前對(duì)SAR圖像進(jìn)行紋理分析，提取有效的紋理特征進(jìn)行聚類。常用的 SAR圖像紋理特征提取方法包括提取圖像的灰度共生矩陣和小波特征等。研究表明，多尺度
幾何分析理論能夠有效彌補(bǔ)小波分析的缺陷，在紋理特征提取中能夠充分挖掘圖像內(nèi)部信 息。例如，Contourlet變換能夠有效提取圖像中豐富的輪廓和紋理信息。因此，我們嘗試 將這些特征提取方向進(jìn)行融合，以獲得更好的分割結(jié)果。 在以上分析基礎(chǔ)上，先對(duì)待分割的SAR圖像分別提取其灰度共生矩陣、小波變換 和Contourlet變換特征，然后進(jìn)行特征融合。其中，對(duì)于灰度共生矩陣提取其4個(gè)方向 的角二階距和同質(zhì)區(qū)共8維特征，滑動(dòng)窗口大小為17X17 ;對(duì)于小波變換和Contourlet 變換，分別提取3層小波分解10維特征和2層Contourlet分解17維特征，滑動(dòng)窗口大 小為16X16。將這些特征向量按列組合起來(lái)，對(duì)于大小為256X256的SAR圖像，就構(gòu)成 65536X35的數(shù)據(jù)集用于免疫克隆量子聚類的輸入數(shù)據(jù)。
步驟2.分別進(jìn)行抗體種群初始化和抗體編碼。 (2. 1)從輸入數(shù)據(jù)集中隨機(jī)選取k個(gè)樣本點(diǎn)作為初始抗體種群，k為SAR圖像分割 的類別數(shù)； (2.2)對(duì)抗體進(jìn)行編碼，每個(gè)抗體是一串實(shí)數(shù)，對(duì)于N維空間，k個(gè)聚類中心，抗 體長(zhǎng)度為NXk。其中，第一個(gè)長(zhǎng)度為N的字段表示第一個(gè)聚類中心，第二個(gè)字段表示第二 個(gè)聚類中心，依此類推。比方說(shuō)，考慮一個(gè)具有3個(gè)聚類中心的2維數(shù)據(jù)集，抗體的長(zhǎng)度就 是2X3，隨機(jī)選取3個(gè)樣本點(diǎn)作為初始中心，例如，(1，3)、 (2，4)和(5，6)，抗體就編碼成 1-3-2-4-5-6，每一組各代表一個(gè)初始聚類中心。
步驟3.計(jì)算抗體親合度。
(3. 1)定義兩個(gè)樣本點(diǎn)Xi和x,.之間的距離函數(shù)Di
，求解薛定諤方禾
'王
(7
//V/ s (—V2 + r(x))(// = ￡^ ，得到勢(shì)能函數(shù)V的計(jì)算公式為
2 F
戊
五-、 2 2ct
1 其中，H為哈密頓算子，V^)-;,-，E為哈密頓算子的能量特征值，d為數(shù)
據(jù)集的特征維數(shù)，x為數(shù)據(jù)樣本點(diǎn)，o為尺度參數(shù)，V2為拉普拉斯算子；
(3.2)根據(jù)計(jì)算出的勢(shì)能函數(shù)值的極小點(diǎn)確定K個(gè)聚類中心{Ci，i = l，...Kh并 根據(jù)樣本點(diǎn)與各個(gè)聚類中心歐氏距離最近原則獲得各類的劃分集合Oi，ni為0i中樣本點(diǎn)的 個(gè)數(shù)，對(duì)每個(gè)集合0i中的所有樣本點(diǎn)求平均值，得到新的聚類中心為
c,* =丄Z勺，
1，
，K j = l， 根據(jù)計(jì)算出的新的聚類中心，得到親合度函數(shù)的計(jì)算公式為
/ =1 / (1 + Z Z Ik - c'* I) 其中，I I I I為求取歐氏距離的運(yùn)算符。上述親合度函數(shù)計(jì)算公式只需要在樣本 點(diǎn)間的距離矩陣基礎(chǔ)上進(jìn)行計(jì)算，從而能夠有效克服已有量子聚類技術(shù)在處理大規(guī)模數(shù)據(jù) 能力上的局限性，并具有較好的穩(wěn)定性，能夠直接用于SAR圖像分割；
步驟4.設(shè)計(jì)免疫克隆優(yōu)化的操作算子。
(4. 1)克隆操作 計(jì)算出抗體種群中所有抗體的親合度值并由高到低排序，排序后親合度值較高的 P,個(gè)抗體作為精英種群，剩余部分作為普通種群，其中，p為設(shè)定的比例值，M為種群大小， 對(duì)于精英種群，單個(gè)抗體ai的克隆規(guī)模根據(jù)親合度值f(ai)計(jì)算如下《,-=Int
1，2，
行克隆
下所示
乂=1 ,
其中，n。為總的克隆規(guī)模，Int(
)表示取整操作，然后按照計(jì)算出的克隆規(guī)模進(jìn)
對(duì)于普通種群，直接對(duì)多個(gè)優(yōu)秀抗體按照設(shè)定克隆規(guī)模N。進(jìn)行克隆。 (4. 2)變異操作
對(duì)精英種群采用基于正態(tài)云模型的自適應(yīng)變異，自適應(yīng)變異概率Pm的計(jì)算公式如 《=exp(—"0
<formula>formula see original document page 8</formula> 其中，n為與求解精度有關(guān)的常數(shù)，t為迭代次數(shù)，f 、 fMX和fave分別是每次迭代
的親合度值、親合度最大值和親合度均值，P^和Pmin為預(yù)設(shè)變異概率上下限，A和B為權(quán)重 系數(shù)取為A = B = 0. 5。 遞減的變異概率同時(shí)考慮了進(jìn)化代數(shù)和抗體親合度，在進(jìn)化初期所有抗體都保持 一個(gè)相對(duì)較大的變異概率，有利于保持種群多樣性。隨著種群不斷進(jìn)化，在進(jìn)化代數(shù)和抗體 親合度所占比例的均衡調(diào)控下變異概率逐漸減小，能夠確保算法深入到局部極值點(diǎn)周圍， 以較高的精度逼近最優(yōu)解，從而獲得較好的SAR圖像分割效果。 云模型是用自然語(yǔ)言表示的定性概念與其定量表示之間的不確定性轉(zhuǎn)換模型，主 要反映客觀世界或人類認(rèn)知中概念的模糊性和隨機(jī)性。其中，正態(tài)云模型是具有隨機(jī)性和 穩(wěn)定傾向性的，用期望值Ex、熵En和超熵He來(lái)表征的遵循正態(tài)隨機(jī)分布規(guī)律的云模型。將 其應(yīng)用到變異操作中，使得云變異的隨機(jī)性可以保持種群多樣性避免搜索陷入局部極值， 穩(wěn)定傾向性則較好地保護(hù)了優(yōu)良個(gè)體并進(jìn)行全局定位。如圖2所示，對(duì)于一維正態(tài)云模型 C(0，En，He)，在期望值為0的坐標(biāo)原點(diǎn)附近，圖2(a)為C(0，0.5，0. 1)時(shí)的正態(tài)云模型，圖 2(b)為C(0，0.5，0. 2)時(shí)的正態(tài)云模型，圖2(c)為C(O，l，O. 1)時(shí)的正態(tài)云模型，圖2 (d)為 C(O，l，O. 2)時(shí)的正態(tài)云模型?？梢?jiàn)，En越大云滴覆蓋范圍越大，He越大云滴離散程度越大。 期望值體現(xiàn)了變異的穩(wěn)定性，熵體現(xiàn)了變異的廣度，超熵體現(xiàn)了變異的精度。
基于正態(tài)云模型的自適應(yīng)變異算子描述如下 1)根據(jù)親合度值計(jì)算初始確定度y = P x-(Pmax-Pmin) (f隨-f) / (f隨+U ， 其中，fmin為每次迭代的親合度最小值； 2)令Ex取變異前抗體，En = 0. 1 o ( o為各維數(shù)據(jù)變量的標(biāo)準(zhǔn)差)，He = 0. 1En ; 3)產(chǎn)生期望為En，方差為He的正態(tài)分布隨機(jī)數(shù)En' = En+He randn ; 4)在(0， 1)之間產(chǎn)生一個(gè)隨機(jī)數(shù)r，如果滿足r < Pm，則變異后的抗體為 4 (" = & ± ￡" V_2 ; 對(duì)于普通種群，采用變異概率為1的滿足均勻分布的隨機(jī)變異。在(O，l)之間產(chǎn) 生一個(gè)隨機(jī)數(shù)S ，則相應(yīng)的基因位A變異成A+2S-1。采用均勻隨機(jī)變異不具有方向性， 能夠產(chǎn)生遠(yuǎn)離初始抗體的變異。從而，在保持種群多樣性的同時(shí)，使普通種群具備超變異概 率下的全局搜索能力，改善SAR圖像的分割效果。 [OO73] (4. 3)克隆選擇操作 從經(jīng)過(guò)克隆操作和變異操作后的抗體子種群中選擇優(yōu)秀的抗體形成新種群。對(duì)于 每個(gè)子種群中的最優(yōu)抗體bi(k) = {aij(k) lf(aij(k)) =maXf(Am(k))， j = 1， 2， ， qj ， bi (k)取代初始抗體& (k)的概率為
/(柳</(柳)
《=j exp(-
/(4仰-/(柳)
) /(42/(&,.("),其中，不是目前最優(yōu).
/(4(A:》2 /(6,("),其中，4鄰是目前最優(yōu). 其中，|3 > 0是一個(gè)與抗體種群多樣性有關(guān)的參數(shù)，值越大，多樣性越好。 [OO77] (4. 4)超立方體交叉操作 經(jīng)過(guò)克隆選擇操作后，精英種群和普通種群親合度最高值分別為fbestl和 fbest2，當(dāng)fbestl > fbest2時(shí)，將精英種群抗體同普通種群親合度最低的p M個(gè)抗體進(jìn) 行超立方體交叉；當(dāng)fbestl < fbest2時(shí)，將普通種群親合度最高的p M個(gè)抗體與精英種 群抗體進(jìn)行超立方體交叉。如圖3(a)所示，一維情況下，超立方體交叉的搜索空間將線段 AB向外擴(kuò)展成線段CD ;如圖3(b)所示，二維情況下，搜索空間是對(duì)平面的擴(kuò)展；如圖3(c) 所示，三維情況下，搜索空間由內(nèi)部長(zhǎng)方體和外部的延拓空間共同構(gòu)成；三維以上情況，搜 索空間則是對(duì)超立方體按照對(duì)應(yīng)維數(shù)的延拓。 對(duì)于交叉父代抗體xk和yk，令lmin = min (xk， yk) ， l隨=max (xk， yk) ， S = lmax_lmin， 則經(jīng)過(guò)超立方體交叉操作后的子代抗體為xk+1和y^，其中 其中，r為隨機(jī)數(shù)，P。為交叉概率，皿ifrnd(0為在一定范圍內(nèi)隨機(jī)均勻取值，a =0. 2為超立方體的空間延拓系數(shù)。 經(jīng)過(guò)交叉操作后，返回克隆操作重新進(jìn)行迭代優(yōu)化，重復(fù)進(jìn)行Nmax次；
步驟5.輸出分割結(jié)果。 將經(jīng)過(guò)Nmax次迭代最后得到的精英種群親合度最高值fbestl和普通種群親合度 最高值fbest2進(jìn)行比較，用比較后的較大值所對(duì)應(yīng)的抗體代表最終的聚類中心，然后根據(jù) 聚類中心將SAR圖像的每個(gè)像素點(diǎn)劃分到不同的類別中，得到最終的分割結(jié)果。
本發(fā)明的效果可以通過(guò)如下仿真實(shí)驗(yàn)圖進(jìn)行驗(yàn)證 圖4(a) —幅是美國(guó)新墨西哥州Albuquerque地區(qū)附近的格蘭德河的Ku波段SAR
圖像，大小為256X256，我們希望將其劃分成三類，即農(nóng)田、植被以及河流。 圖4 (b)是一幅ERS-SAR圖像，它包括兩類地物，即莊稼和森林。 圖4 (c)是對(duì)圖4 (a)應(yīng)用FCM聚類進(jìn)行分割的結(jié)果。 圖4 (d)是對(duì)圖4 (b)應(yīng)用FCM聚類進(jìn)行分割的結(jié)果。 圖4(e)是對(duì)圖4(a)應(yīng)用本發(fā)明進(jìn)行分割的結(jié)果。 圖4(f)是對(duì)圖4(b)應(yīng)用本發(fā)明進(jìn)行分割的結(jié)果。 從圖4(c)的方框內(nèi)部區(qū)域可以發(fā)現(xiàn)，F(xiàn)CM聚類的分割結(jié)果中橋梁目標(biāo)是斷開(kāi)的， 而圖4(e)所示本發(fā)明的分割結(jié)果能夠有效地檢測(cè)到完整的橋梁目標(biāo)。
從圖4(d)的橢圓區(qū)域內(nèi)部可以發(fā)現(xiàn)，F(xiàn)CM聚類的分割結(jié)果含有較多的斑點(diǎn)，而圖 4(f)所示本發(fā)明的分割結(jié)果獲得了較好的區(qū)域一致性，所含的斑點(diǎn)較少。
權(quán)利要求
一種基于免疫克隆量子聚類的SAR圖像分割方法，包括以下步驟(1)對(duì)待分割的大小為256×256的SAR圖像分別提取其灰度共生矩陣、小波變換和Contourlet變換特征，將提取出的所有N＝35維特征向量按列組合起來(lái)，得到65536×35的輸入數(shù)據(jù)樣本；(2)從輸入數(shù)據(jù)樣本中隨機(jī)選取k個(gè)樣本作為初始抗體種群，k為SAR圖像分割的類別數(shù)；(3)對(duì)初始抗體種群進(jìn)行編碼，每個(gè)抗體長(zhǎng)度為N×k，其中，第一個(gè)長(zhǎng)度為N的字段表示第一個(gè)聚類中心，第二個(gè)長(zhǎng)度為N的字段表示第二個(gè)聚類中心，依此類推；(4)對(duì)編碼后的抗體按照如下步驟計(jì)算親合度值4a)定義兩個(gè)樣本點(diǎn)xi和xj之間的距離函數(shù)Dij＝||xi-xj||，求解薛定諤方程得到勢(shì)能函數(shù)V的計(jì)算公式為 <mrow><mi>V</mi><mo>=</mo><mi>E</mi><mo>-</mo><mfrac> <mi>d</mi> <mn>2</mn></mfrac><mo>+</mo><mfrac> <mn>1</mn> <mrow><mn>2</mn><msup> <mi>σ</mi> <mn>2</mn></msup> </mrow></mfrac><mfrac> <mrow><msub> <mi>Σ</mi> <mi>j</mi></msub><msubsup> <mi>D</mi> <mi>ij</mi> <mn>2</mn></msubsup><mi>exp</mi><mrow> <mo>(</mo> <mo>-</mo> <mfrac><msubsup> <mi>D</mi> <mi>ij</mi> <mn>2</mn></msubsup><msup> <mrow><mn>2</mn><mi>σ</mi> </mrow> <mn>2</mn></msup> </mfrac> <mo>)</mo></mrow> </mrow> <mrow><msub> <mi>Σ</mi> <mi>j</mi></msub><mi>exp</mi><mrow> <mo>(</mo> <mo>-</mo> <mfrac><msubsup> <mi>D</mi> <mi>ij</mi> <mn>2</mn></msubsup><msup> <mrow><mn>2</mn><mi>σ</mi> </mrow> <mn>2</mn></msup> </mfrac> <mo>)</mo></mrow> </mrow></mfrac> </mrow>其中，H為哈密頓算子，E為哈密頓算子的能量特征值，d為數(shù)據(jù)集的特征維數(shù)，x為數(shù)據(jù)樣本點(diǎn)，σ為尺度參數(shù)，為拉普拉斯算子；4b)根據(jù)計(jì)算出的勢(shì)能函數(shù)值的極小點(diǎn)確定K個(gè)聚類中心{ci，i＝1，...K}，并根據(jù)樣本點(diǎn)與各個(gè)聚類中心歐氏距離最近原則獲得各類的劃分集合Oi，ni為Oi中樣本點(diǎn)的個(gè)數(shù)，對(duì)每個(gè)集合Oi中的所有樣本點(diǎn)求平均值，得到新的聚類中心為 <mrow><msubsup> <mi>c</mi> <mi>i</mi> <mo>*</mo></msubsup><mo>=</mo><mfrac> <mn>1</mn> <msub><mi>n</mi><mi>i</mi> </msub></mfrac><munder> <mi>Σ</mi> <mrow><msub> <mi>x</mi> <mi>j</mi></msub><mo>∈</mo><msub> <mi>O</mi> <mi>i</mi></msub> </mrow></munder><msub> <mi>x</mi> <mi>j</mi></msub><mo>,</mo> </mrow>i＝1，...，K j＝1，...，n根據(jù)計(jì)算出的新的聚類中心ci*，得到親合度函數(shù)計(jì)算公式為 <mrow><mi>f</mi><mo>=</mo><mn>1</mn><mo>/</mo><mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <munderover><mi>Σ</mi><mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn></mrow><mi>K</mi> </munderover> <munder><mi>Σ</mi><mrow> <msub><mi>x</mi><mi>j</mi> </msub> <mo>∈</mo> <msub><mi>O</mi><mi>i</mi> </msub></mrow> </munder> <mo>|</mo> <mo>|</mo> <msub><mi>x</mi><mi>j</mi> </msub> <mo>-</mo> <msubsup><mi>c</mi><mi>i</mi><mo>*</mo> </msubsup> <mo>|</mo> <mo>|</mo> <mo>)</mo></mrow> </mrow>其中，||·||為求取歐氏距離的運(yùn)算符；(5)計(jì)算出抗體種群中所有抗體的親合度值后，將它們由高到低排序，取前面的p·M個(gè)抗體作為精英種群，剩余部分作為普通種群，其中，p為設(shè)定的比例值，M為種群大?。?6)對(duì)精英種群按照與親合度值成正比的克隆規(guī)模進(jìn)行克隆操作，對(duì)普通種群按照設(shè)定的克隆規(guī)模進(jìn)行克隆操作；(7)克隆操作后，對(duì)精英種群進(jìn)行基于正態(tài)云模型的自適應(yīng)變異操作，對(duì)普通種群進(jìn)行變異概率為1的滿足均勻分布的隨機(jī)超變異操作；(8)從經(jīng)過(guò)克隆操作和變異操作后的抗體子種群中按照概率選擇優(yōu)秀的抗體形成新的精英種群和普通種群，該新的精英種群的親合度最高值為fbest1，新的普通種群的親合度最高值為fbest2；(9)將新的精英種群的親合度最高值與新的普通種群的親合度最高值進(jìn)行比較，如果fbest1≥fbest2，就將精英種群的抗體與普通種群親合度最低的p·M個(gè)抗體進(jìn)行超立方體交叉；如果fbest1＜fbest2，就將普通種群親合度最高的p·M個(gè)抗體與精英種群抗體進(jìn)行超立方體交叉；(10)經(jīng)過(guò)交叉操作后，返回步驟(4)重新進(jìn)行迭代優(yōu)化，重復(fù)進(jìn)行Nmax次；(11)將經(jīng)過(guò)Nmax次迭代最后得到的精英種群的親合度最高值fbest1與普通種群的親合度最高值fbest2再進(jìn)行比較，用比較后的較大值所對(duì)應(yīng)的抗體代表最終的聚類中心，并根據(jù)該聚類中心將SAR圖像的每個(gè)像素點(diǎn)劃分到不同的類別中，得到最終的分割結(jié)果。F2009102186555C0000011.tif,F2009102186555C0000013.tif,F2009102186555C0000014.tif
2.根據(jù)權(quán)利要求書(shū)1所述的方法，其中步驟(7)所述的基于正態(tài)云模型的自適應(yīng)變異操作，按照以下步驟進(jìn)行2a)根據(jù)以下公式計(jì)算自適應(yīng)變異概率Pm :<formula>formula see original document page 3</formula>其中，n為與求解精度有關(guān)的常數(shù)，t為迭代次數(shù)，P^和P^分別為預(yù)設(shè)變異概率的上限和下限，f 、 fmax和fare分別是每次迭代的親合度值、親合度最大值和親合度均值，A和B為權(quán)重系數(shù)，取為A二B二O. 5;2b)隨機(jī)產(chǎn)生 一 個(gè)(0， 1)之間的數(shù)r，如果滿足r < Pm，則變異后的抗體為<formula>formula see original document page 3</formula>其中，Ex為變異前抗體，En ' = En+He randn， En = 0. 1 o ，o為各維數(shù)據(jù)變量的標(biāo)準(zhǔn)差，He = 0. 1En， randn表示滿足標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)，<formula>formula see original document page 3</formula>， f min為每次迭代的親合度最小值。
3.根據(jù)權(quán)利要求書(shū)l所述的方法，其中步驟(9)所述的超立方體交叉操作，按照以下步驟進(jìn)行對(duì)于進(jìn)行交叉的兩個(gè)父代抗體xk和yk，令<formula>formula see original document page 3</formula>，則經(jīng)過(guò)超立方體交叉操作后的子代抗體為Xk+1和yw，其中<formula>formula see original document page 3</formula>其中，r為(O，l)之間的隨機(jī)數(shù)，P。為交叉概率，unifrnd(均勻取值，a = 0. 2為超立方體的空間延拓系數(shù)。)表示在一定范圍內(nèi)隨機(jī)
全文摘要
本發(fā)明公開(kāi)了一種基于免疫克隆量子聚類的SAR圖像分割方法，它涉及圖像處理技術(shù)領(lǐng)域，主要解決已有量子聚類技術(shù)在大規(guī)模數(shù)據(jù)集上應(yīng)用的局限性問(wèn)題。其實(shí)現(xiàn)過(guò)程是1)對(duì)待分割的SAR圖像提取特征；2)進(jìn)行抗體種群初始化和抗體編碼；3)根據(jù)量子力學(xué)特性計(jì)算抗體親合度，并劃分抗體種群為精英種群和普通種群；4)對(duì)精英種群和普通種群分別設(shè)計(jì)不同的免疫克隆優(yōu)化操作算子，依次進(jìn)行克隆操作、基于正態(tài)云模型的自適應(yīng)變異操作、均勻超變異操作、克隆選擇操作和超立方體交叉操作；5)輸出SAR圖像分割結(jié)果。本發(fā)明迭代優(yōu)化速度快、穩(wěn)定性高，能夠有效地對(duì)包含大規(guī)模數(shù)據(jù)量的SAR圖像進(jìn)行分割，適用于SAR圖像目標(biāo)檢測(cè)和目標(biāo)識(shí)別。
文檔編號(hào)G06T7/00GK101699514SQ20091021865
公開(kāi)日2010年4月28日 申請(qǐng)日期2009年10月30日 優(yōu)先權(quán)日2009年10月30日
發(fā)明者公茂果, 劉若辰, 莊雄, 張佳, 朱虎明, 李陽(yáng)陽(yáng), 毛莎莎, 焦李成, 緱水平 申請(qǐng)人:西安電子科技大學(xué)