[發明專利]基于自動差分聚類算法的遙感圖像分割方法

有效

• 申請號: 201210493436.X
• 申請日: 2012-11-27
• 公開（公告）號: CN102945553A
• 公開（公告）日: 2013-02-27
• 發明（設計）人: 李陽陽;焦李成;王爽;武小龍;馬文萍;馬晶晶;李玲玲
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

技術領域

本發明屬于圖像處理技術領域，更進一步涉及遙感圖像分割方法，可用于目標識別。

背景技術

圖像分割就是把圖像分成若干個特定的、具有獨特性質的區域并提出感興趣目標的技術和過程。目前，人們更多采用基于聚類分析的方法來進行圖像分割。用基于聚類分析的方法分割圖像是將圖像空間中的像素用對應的特征空間點表示，根據它們在特征空間的聚集對特征空間進行分割，然后將它們映射回原圖像空間，從而達到圖像分割的目的。

為了更加準確、全面的獲取圖像分割信息，近幾年出現了一些應用自動聚類方法實現圖像分割的技術，可以在圖像分割類別數未知的情況下對圖像進行分割，而且可以達到更好的分割結果和分割精度。

U.Maulik在學術期刊“Automatic?Fuzzy?Clustering?Using?Modified?Differential?Evolution?for?Image?Classification”（IEEE?Trans.Geosci.Remote?Sens.VOL.48,NO.9,Sep.2010）中公開了一種基于改進差分進化的自動模糊聚類的圖像分割方法。該方法首先對傳統的差分進化方法進行了改進，提出了一種加入模糊策略的自動聚類方法，然后將其用于圖像分割，最后通過XB指標獲得最終的圖像分割結果。雖然該方法在區域一致性和邊緣保持方面有一定的改善效果，但是該方法仍然存在的不足是，由于采用了過多的進化技術，增加了整個分割過程的計算復雜度，使得分割速度較慢，同時，該方法選取的聚類指標不恰當，圖像分割結果較差。

發明內容

本發明針對上述現有技術存在的不足，提出了一種新的基于自動差分聚類算法的遙感圖像分割方法。以解決現有圖像分割技術中收斂速度慢、穩定性較差，計算復雜度高、細節保持性能不好的缺點，提高圖像分割的精度。

本發明實現上述目的的思路是：在對輸入的圖像進行特征提取和分水嶺分割獲得聚類數據后，先隨機抽取聚類數據初始化種群，再使用PBM指標評價聚類性能，然后用改進的差分進化方法進化種群，最后對種群進行類別數振蕩操作并用FCM方法更新質心，通過不斷的迭代更新獲得最優個體，最優個體所對應的類別標號作為像素的灰度值，得到圖像分割結果。其實現步驟包括如下：

(1)輸入待分割圖像I，分別提取待分割圖像I的小波特征向量和紋理特征向量，并用小波特征向量和紋理特征向量表示待分割圖像I的每一個像素點v；

(2)產生聚類數據：

用待分割圖像I的膨脹變換減去其腐蝕變換，得到形態梯度圖像I₁，計算形態梯度圖像I₁的灰度值矩陣的平方積，得到反映圖像邊緣的浮點活動圖像I₂，用分水嶺方法初分割浮點活動圖像I₂，得到不同的圖像塊，對每一個圖像塊的所有像素點的特征取平均值，獲得代表初始聚類數據的每一塊的特征值；

(3)隨機抽取聚類數據初始化種群：

種群中每個個體編碼長度為L+L×d，每個個體分為兩個部分，前L位為標簽位，后L×d位為L個待激活的聚類中心，d為聚類數據的維數，隨機初始化每個個體的標簽位，并隨機抽取L個聚類數據作為待激活的聚類中心，令當前迭代次數t=1；

(4)根據每個個體的標簽位激活相應個體的聚類中心；

判斷個體標簽T每一位值的大小是否大于0.5，如果大于0.5，則激活相應的聚類數據點，否則不予激活；所有被激活的聚類數據點組合成為該個體的聚類中心；

(5)根據激活的聚類中心，采用PBM有效性指標公式計算每個個體適應度值；

(6)用改進的差分進化方法對種群進行變異和交叉，并利用個體適應度值進行種群更新；

(7)對更新后的種群進行類別數振蕩操作：

7a)對種群中的每個個體依照振蕩規則進行類別數振蕩操作，每個個體獲得新的類別數；

7b)計算每個個體中L個數據點的密度，并依照密度大小進行排序；

7c)將新的類別數與舊的類別數進行比較，如果小于，則依照密度排名從該個體中選擇密度較大的聚類數據點加入聚類中心，否則，從已有聚類中心中淘汰密度排名較小的聚類數據點。

(8)利用FCM方法對振蕩操作后的聚類中心進行更新；

(9)判斷種群迭代的次數是否達到使用者設定的最大進化代數T=100，或者相鄰兩代最優個體的適應度差值是否小于規定數值E=10^-4，如果是，則保存最優個體并執行步驟(10)，否則，返回步驟(4)；