一種基于分解進化多目標優(yōu)化和fcm的sar圖像分割方法
【專利摘要】本發(fā)明公開了一種基于分解進化多目標優(yōu)化和FCM的SAR圖像分割方法，主要解決現(xiàn)有圖像分割技術(shù)中圖像分割精度不高、評價指標單一、分割效果不理想的問題。本發(fā)明提取圖像每個像素的Gabor特征和灰度共生特征并利用分水嶺粗分割得到超像素，將超像素特征作為待聚類數(shù)據(jù)，把聚類中心作為種群個體，利用分解進化多目標的方法優(yōu)化種群，將進化之后的種群作為聚類中心來初始化FCM算法，得到新的聚類中心，將此聚類中心作為新的種群參與分解進化多目標算法的下一次進化。該方法交叉運用了分解進化多目標算法和FCM算法來得到較好的聚類中心，克服了FCM初始值敏感和容易陷入局部最優(yōu)解的缺陷，能得到較好的圖像分割結(jié)果。
【專利說明】—種基于分解進化多目標優(yōu)化和FCM的SAR圖像分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于智能圖像處理領(lǐng)域，涉及到遙感圖像分割技術(shù)，具體是一種基于分解進化多目標優(yōu)化和FCM的SAR圖像分割方法，用于對光學遙感圖像和合成孔徑雷達(SAR)圖像的分割以達到目標識別的目的，可用于遙感測繪、導(dǎo)彈末制導(dǎo)、海洋資源監(jiān)測、軍事偵察、地礦物資源勘探、城市規(guī)劃、抗震救災(zāi)等多個領(lǐng)域。
【背景技術(shù)】
[0002]隨著計算機視覺理論的興起，對圖像的分割已成為圖像理解領(lǐng)域關(guān)注的一個熱點，圖像分割作為前沿學科充滿了挑戰(zhàn)，吸引了眾多的學者從事這一領(lǐng)域研究。圖像分割就是根據(jù)圖像的特征，把圖像分割成若干特定的，獨特性質(zhì)的區(qū)域并提取出感興趣的目標的技術(shù)和過程。它的應(yīng)用非常廣泛，幾乎出現(xiàn)在有關(guān)圖像處理的所有領(lǐng)域。
[0003]圖像分割方法按照采用的優(yōu)化目標函數(shù)的個數(shù)可以分為利用單一目標函數(shù)的單目標優(yōu)化算法和利用多目標同時優(yōu)化的多目標優(yōu)化算法，在實際應(yīng)用中，如果知道關(guān)于問題的明確求解目標，可以采用單目標優(yōu)化算法，但是，實際圖像的像素分布往往比較難以估計和建模，較為理想的方式就是從多個方向同時搜索，這就啟發(fā)研究者們采用更為寬泛的多目標優(yōu)化算法來提高求解問題的綜合性能。所以，多目標優(yōu)化問題在實際中的應(yīng)用越來越受到人們的重視，將多目標優(yōu)化算法用于圖像分割領(lǐng)域逐漸成為學者們研究的一個熱點。
[0004]近幾年出現(xiàn)了一些應(yīng)用多目標方法實現(xiàn)的圖像分割技術(shù)，多個互斥并同時互補的目標相結(jié)合，利用更多的圖像信息來達到更好的分割結(jié)果和分割精度，例如“基于免疫多目標聚類的圖像分割算法”，該算法是一種基于免疫多目標聚類的圖像分割算法，提出了一種加入局部搜索極值的免疫方法，并對克隆種群規(guī)模進行自適應(yīng)化然后將其用于圖像分割，雖然該方法在區(qū)域一致性和邊緣保持方面有一定的優(yōu)勢，但是存在的不足是，由于采用了過多的進化技術(shù)，增加了整個分割過程的計算復(fù)雜度，使得分割速度較慢，同時，該方法選用的兩個目標函數(shù)不恰當，一個目標函數(shù)包含另一個目標函數(shù)，這樣就不能體現(xiàn)多目標算法的優(yōu)勢之處，所以導(dǎo)致分割結(jié)果并不理想。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的是:針對上述的單目標優(yōu)化問題評價指標單一導(dǎo)致圖像信息利用較少和一些多目標優(yōu)化算法在計算復(fù)雜度高，圖像細節(jié)保持性能不好等不足，提出了一種基于分解進化多目標優(yōu)化和FCM的SAR圖像分割方法。本發(fā)明中提取融合特征作為帶聚類數(shù)據(jù)，能達到較好的性能互補的特征提取能力，更好的保持圖像細節(jié)；選取兩個互補的目標函數(shù)，就能從多個方向同時搜索優(yōu)化，使得算法可以在更為寬廣的區(qū)域搜索，避免算法陷入局部最優(yōu)解，改善現(xiàn)有的方法中目標函數(shù)單一的缺點；并充分利用了 FCM算法快速收斂的特性，減少了算法的時間復(fù)雜度。
[0006]本發(fā)明的技術(shù)方案是:一種基于分解進化多目標優(yōu)化和FCM的SAR圖像分割方法，其特征在于:包括以下步驟:
[0007]步驟1:輸入待分割遙感圖像；
[0008]步驟2:提取待分割圖像特征:利用Gabor濾波器提取圖像的Gabor特征向量，利用灰度共生矩陣方法提取圖像的灰度共生特征向量，并將這兩個特征向量級聯(lián)作為待分割圖像的每一個像素點的特征向量；
[0009]步驟3:產(chǎn)生待聚類數(shù)據(jù)features:用分水嶺算法對待分割圖像進行分水嶺粗分割，得原圖的超像素；對每一個超像素所包含的所有像素點特征取平均值，來代表初始聚類數(shù)據(jù)的每一個超像素的特征向量，用所有超像素的特征向量的集合作為待聚類數(shù)據(jù)features, features的大小是NfX fl,其中Nf表示粗分割之后的超像素的個數(shù),fI表示每一個超像素的特征向量的維數(shù)；
[0010]步驟4:利用待聚類數(shù)據(jù)初始化大小為N的初始種群X= {Xl, X2,…，xN}，每個個體Xn都代表一個聚類中心，同時也代表了一個分割結(jié)果，n=l, 2，…，N, N為初始種群大??；
[0011]步驟5:分別根據(jù)指標XB和Jm計算每個個體的目標函數(shù)值Fn:把根據(jù)指標XB得出的值作為目標函數(shù)值Fn的第一個目標值，把根據(jù)指標Jm得出的值作為目標函數(shù)值Fn的第二個目標值:
[0012]Fn=[Fl,F2] = [XB, Jm]
[0013]步驟6:初始化理想點t ；
[0014]其中<是第I個目標函數(shù)XB到目前為止找到的最小值，Z;是第2個目標函數(shù)Jm到目前為止找到的最小值；
[0015]步驟7:將多目標問題？(1)=111；[11$1(1)，？2(1))用切比雪夫分解方法分解成N個子問題，具體的每一個子問題的目標函數(shù)如下:
[0016]minimize g'HxW ,ζ*) = ην?χ{λ./.(χ)-ζ?}
[0017]其中，是當前的參考點，即每一個目標當前的最優(yōu)值組成的向量，本發(fā)明中m的值是2 ；表示第j個子問題的目標函數(shù)；Y=(W.)是第j個子
問題的權(quán)值；V= +，^=—x表示一個種群個體，f (X)表示第j個
子問題的個體對應(yīng)的第i個目標函數(shù)的值，本發(fā)明中i的值等于m的值，取值為2 ；
[0018]步驟8:根據(jù)每一個子問題的權(quán)值λ U十算每一個子問題的s_n個鄰
居子問題Nbor (j) = (Nt)Orj1, Nborj2,..., NborJs n), Nborji表示第j個子問題的第i個鄰居子問題的索引，所以Nborji的取值是整數(shù)；取s_n=10 ；i=l, 2，…，s_n ；
[0019]步驟9:將每一個子問題)的個體Pj(t)初始化為X」，Xj e X，其中t為迭代次數(shù)，t=0 ;并計算個體Pj (t)對應(yīng)的目標函數(shù)值Ftj ；
[0020]步驟10:對每一個子問題對應(yīng)的個體匕⑴進行進化操作得到臨時個體 Pj(t+Ι)"
[0021]10.1在第j個子問題的s_n個鄰居子問題Nbor (j)中隨機選擇3個鄰居子問題S，k，I，對第s，k, I個鄰居子問題的個體Ps (t)，Pk (t)，P1⑴進行模擬二進交叉操作，得到一個新的臨時子代個體h(t+iv ；
[0022]10.2對臨時個體h(t+l)'進行多項式變異操作，得到個體h(t+l)"；
[0023]步驟11:對得到的個體h(t+l)"用FCM算法進行一次迭代操作得到新的個體Pj (t+1)；
[0024]步驟12:計算新的臨時個體Pj(t+1)的兩個目標函數(shù)值newFj,并根據(jù)newFj更新理想點t ;通過新的臨時個體Pj (t+Ι)和其目標值IiewFj來更新第j個子問題的所有s_n個鄰居子問題Nbor(j)分別對應(yīng)的個體以及每個個體對應(yīng)的目標函數(shù)值；
[0025]步驟13:判斷當前迭代次數(shù)t是否滿足t〈Tmax，如滿足，則執(zhí)行步驟13 ;否則，令迭代次數(shù)t加一次t=t+l，返回步驟11，其中Tmax為最大迭代次數(shù)，取Tmax=20 ；
[0026]步驟14:從種群中選擇合適的個體作為聚類中心:將每一個子問題的
父代個體P」(t)取出，把每一個個體作為將要聚類的超像素的聚類中心，把這些聚類中心作為最終的輸出解集；并根據(jù)第三方指標PBM從最終的輸出解集中選擇一個個體作為聚類中心；
[0027]步驟15:得到每個像素的類別號:計算每個像素的特征向量與從步驟15中得到的聚類中心的歐式距離，把 該像素歸到距離它的歐氏距離最小的聚類中心的類別中，得到每一個像素的類別；
[0028]步驟16:輸出分割圖像。
[0029]上述步驟2中所述的提取待分割圖像特征的過程包括如下:
[0030]2.1利用Gabor濾波器提取圖像的中低頻紋理特征向量的過程包括有:兩維的Gabor核函數(shù)可以定義為:
【權(quán)利要求】
1.一種基于分解進化多目標優(yōu)化和FCM的SAR圖像分割方法，其特征在于:包括以下步驟: 步驟1:輸入待分割遙感圖像； 步驟2:提取待分割圖像特征:利用Gabor濾波器提取圖像的Gabor特征向量，利用灰度共生矩陣方法提取圖像的灰度共生特征向量，并將兩種特征向量級聯(lián)之后的特征向量作為待分割圖像的每一個像素點的特征向量； 步驟3:產(chǎn)生待聚類數(shù)據(jù)features:用分水嶺算法對待分割圖像進行分水嶺粗分割，得原圖的超像素；對每一個超像素所包含的所有像素點特征取平均值，來代表初始聚類數(shù)據(jù)的每一個超像素的特征向量，用所有超像素的特征向量的集合作為待聚類數(shù)據(jù)features，features的大小是NfXf 1，其中Nf表示粗分割之后的超像素的個數(shù)，fl表示每一個超像素的特征向量的維數(shù)； 步驟4:利用待聚類數(shù)據(jù)初始化大小為N的初始種群X= Ix1, X2,…，，每個個體Xn都代表一個聚類中心，同時也代表了一個分割結(jié)果，n=l, 2，…，N, N為初始種群大??； 步驟5:分別根據(jù)指標XB和Jm計算每個個體的目標函數(shù)值Fn:把根據(jù)指標XB得出的值作為目標函數(shù)值Fn的第一個目標值，把根據(jù)指標Jm得出的值作為目標函數(shù)值Fn的第二個目標值:

2.根據(jù)權(quán)利要求1所述的一種基于分解進化多目標優(yōu)化和FCM的SAR圖像分割方法，其特征在于:步驟2中所述的提取待分割圖像特征的過程包括如下: . 2.1利用Gabor濾波器提取圖像的中低頻紋理特征向量的過程包括有:兩維的Gabor核函數(shù)可以定義為:
3.根據(jù)權(quán)利要求1所述的一種基于分解進化多目標優(yōu)化和FCM的SAR圖像分割方法，其特征在于:步驟5所述計算每個個體的目標函數(shù)值的計算過程包括有: . 5.1分別根據(jù)XB指標和Jm指標得到的目標函數(shù)值Fl和F2的公式如下:
4.根據(jù)權(quán)利要求1所述的一種基于分解進化多目標優(yōu)化和FCM的SAR圖像分割方法，其特征在于:步驟11中對得到的個體h(t+l)"用FCM算法進行一次迭代操作得到新的個體h(t+l)所述的含義如下: . 11.1把個體Pj(t+1)"作為聚類中心C，根據(jù)這個聚類中心c到待聚類數(shù)據(jù)features的歐氏距離得到該聚類中心的模糊隸屬矩陣uu，Uij的計算如下:
5.根據(jù)權(quán)利要求1所述的一種基于分解進化多目標優(yōu)化和FCM的SAR圖像分割方法，其特征在于:步驟12理想點t的更新過程和更新鄰居子問題的父代個體及其對應(yīng)的目標值的過程包括如下: .12.1理想點t的更新過程包括有:如果狀v%,< Zf，Z；=ncwFn.，否則不變；如果Hen-Fj, < Z:，Z2 = newFr，否則不變； . 12.2更新鄰居子問題的所有個體及其對應(yīng)的目標值的過程包括有:對于新的臨時個體Pj (t+Ι)的每一個鄰居子問題,Nborji e Nbor (j), i=l, 2，…，s_n,其中s_n是鄰居子問題的個數(shù)，如果對于所有的Nborjl都有g(shù)!L,', (P,(t+ DI嚴,^)< g'L,、(P, (O I嚴"，ζ.>，則用新的臨時個體h(t+l)替代第j個子問題的第i個鄰居子問題對應(yīng)的個體匕W,,(O，并用IiewFj替代第j個子問題的第i個鄰居子問題對應(yīng)的目標函數(shù)值(O;否則，不變。
6.根據(jù)權(quán)利要求1所述的一種基于分解進化多目標優(yōu)化和FCM的SAR圖像分割方法，其特征在于:步驟14所述的根據(jù)第三方指標PBM選擇產(chǎn)生最優(yōu)分割結(jié)果的過程如下: . 14.1首先得到每個聚類中心的根據(jù)第三方指標PBM得到的值:
【文檔編號】G06K9/46GK103839261SQ201410055002
【公開日】2014年6月4日 申請日期:2014年2月18日 優(yōu)先權(quán)日:2014年2月18日
【發(fā)明者】戚玉濤, 劉芳, 楊鴿, 李玲玲, 焦李成, 郝紅俠, 李婉, 尚榮華, 馬晶晶, 馬文萍 申請人:西安電子科技大學