[發(fā)明專利]一種利用位置信息改進(jìn)直覺模糊聚類提取紅外艦船的方法

有效

• 申請?zhí)枺?/td>: 201911035552.5
• 申請日: 2019-10-29
• 公開（公告）號: CN110853054B
• 公開（公告）日: 2022-08-16
• 發(fā)明（設(shè)計(jì)）人: 白相志;楊帆
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/136;G06T7/187;G06K9/62;G06V10/762;G06T5/30
• 代理公司: 北京慧泉知識產(chǎn)權(quán)代理有限公司 11232
• 代理人: 李娜;王順榮

本發(fā)明公開一種利用位置信息改進(jìn)直覺模糊聚類提取紅外艦船的方法，包括：步驟一：采用形態(tài)學(xué)運(yùn)算頂帽濾波對原始圖像預(yù)處理，降低紅外艦船圖像中灰度不均對聚類分割結(jié)果的影響。步驟二：采用改進(jìn)的直覺模糊聚類算法對紅外圖像進(jìn)行聚類分割。步驟三：對步驟二所獲得聚類分割圖像進(jìn)行后續(xù)處理。本發(fā)明提出的改進(jìn)直覺模糊聚類算法加入了利用迭代算法獲得的分割目標(biāo)位置信息，改善了直覺模糊C均值的效果。同時(shí)在目標(biāo)函數(shù)中加入了評價(jià)區(qū)域相似系數(shù)的正則項(xiàng)，充分考慮了局部空間信息。改進(jìn)算法能夠?qū)t外艦船圖像進(jìn)行較好的分割，具有廣闊的市場前景與應(yīng)用價(jià)值。

【技術(shù)領(lǐng)域】

本發(fā)明涉及一種利用位置信息改進(jìn)直覺模糊聚類提取紅外艦船的方法，尤其是一種利用位置信息改進(jìn)直覺模糊聚類提取灰度不均紅外艦船的方法，模糊聚類算法在圖像領(lǐng)域具有廣泛的應(yīng)用，隸屬于數(shù)字圖像處理領(lǐng)域。

【背景技術(shù)】

圖像分割是根據(jù)圖像不同區(qū)域灰度、輪廓、紋理、顏色等特征的差異，將原始圖像劃分為若干個(gè)連續(xù)的、互不重疊的、有特定意義的區(qū)域。圖像分割作為圖像處理和計(jì)算機(jī)視覺領(lǐng)域的關(guān)鍵技術(shù)，具有極其廣泛的應(yīng)用，比如醫(yī)學(xué)組織測量、行人檢測、車輛追蹤等。好的圖像分割結(jié)果既保留了圖像中的重要信息，又有效的減少了圖像中的無用數(shù)據(jù)，具有十分重要的意義。目前的主流圖像分割方法主要分為以下四類：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法。

紅外圖像反應(yīng)了目標(biāo)與背景之間的溫度差異，具有全天候工作、能夠克服視覺障礙探測目標(biāo)、作用距離較遠(yuǎn)、抗干擾能力強(qiáng)等優(yōu)點(diǎn)，在軍事和民用領(lǐng)域都得到廣泛應(yīng)用。但是，紅外圖像中存在像素分辨率較低、對比度差、過度性強(qiáng)、圖像邊緣模糊等現(xiàn)象，對紅外圖像的分割造成極大影響，一般的圖像分割算法難以獲得較好的分割結(jié)果。

針對紅外圖像不確定性高、過度性強(qiáng)等特點(diǎn)，可以采用模糊聚類算法進(jìn)行圖像分割。在模糊聚類算法中，數(shù)據(jù)點(diǎn)以不同的隸屬度隸屬于多類，保留了更多的數(shù)據(jù)信息。最經(jīng)典的模糊聚類算法是模糊C均值算法(FCM)，模糊C均值算法(參見文獻(xiàn)：J.C.鄧恩.一種和ISODATA算法相關(guān)的模糊圖像處理方法及其應(yīng)用于檢測緊湊易分離聚類.控制論學(xué)報(bào)，1973,3(3):32-57.(J.C.Dunn.A Fuzzy Relative of the ISODATA Process and Its Usein Detecting Compact Well-Separated Clusters[J].Journal of Cybernetics,1973,3(3):32-57.))由J.C.鄧恩提出，是一種基于目標(biāo)函數(shù)優(yōu)化的數(shù)據(jù)聚類算法。但傳統(tǒng)的模糊C均值算法中并未考慮空間信息，對含噪圖像不能進(jìn)行很好的分割。針對此問題，許多研究者引入空間信息對模糊C均值算法進(jìn)行改進(jìn)。艾哈邁德等人通過引入正則項(xiàng)來考慮鄰域信息提出了FCM_S算法(參見文獻(xiàn)：穆罕默德·N·艾哈邁德，薩邁赫·亞馬尼，內(nèi)文·穆罕默德等人.一種用于偏置場估計(jì)得改進(jìn)模糊C均值算法和其應(yīng)用于MRI圖像分割.IEEE醫(yī)學(xué)影像學(xué).21卷.193-199,2002.(M.Ahmed,S.Yamany,N.Mohamed,A.Farag,and T.Moriarty,“Amodified fuzzy C-means algorithm for bias field estimation and segmentationof MRI data,”IEEE Trans.Med.Imag.,vol.21,pp.193–199,2002.))；在FCM_S的基礎(chǔ)上，陳松燦和張道強(qiáng)將均值濾波和中值濾波思想引入到算法中，提出了FCM_S1和FCM_S2算法，改善了傳統(tǒng)模糊C均值的抗噪性能(參見文獻(xiàn)：陳松燦，張道強(qiáng).一種穩(wěn)定的基于核函數(shù)的結(jié)合空間信息模糊C均值圖像分割算法.IEEE系統(tǒng)控制處理匯刊.34卷.1907-1916，2004.(S.Chen and D.Zhang,“Robust image segmentation using FCM with spatialconstraints based on new kernel-induced distance measure,”IEEE Trans.Syst.,Man,Cybern.,vol.34,pp.1907–1916,2004.))；斯泰里奧斯和瓦西利斯提出了FLICM算法，該算法引入了自適應(yīng)的鄰域影響因子，避免了參數(shù)選擇問題，算法魯棒性更好(參見文獻(xiàn)：斯泰利奧斯，瓦西利斯.一種結(jié)合局部空間信息的穩(wěn)定的改進(jìn)模糊C均值算法.美國電氣電子工程師學(xué)會圖像處理匯刊.19，1328-1337，2010年5月.(S.Krinidis and V.Chatzis,Arobust fuzzy local information c-means clustering algorithm,IEEETrans.Imag.Process.,vol.19,no.5,pp.1328–1337,May2010.))；徐澤水等人將直覺模糊集理論結(jié)合到FCM算法中提出了直覺模糊C均值，保留了更多的圖像信息，取得了良好的效果(參見文獻(xiàn)：徐澤水，吳俊杰.直覺模糊C均值算法.系統(tǒng)工程與電子技術(shù)，21卷，580-590，2010年8月.(Zeshui Xu,Junjie Wu.Intuitionistic fuzzy C-means clusteringalgorithms,J.Syst.Eng.Electron,vol.21,pp.580-590,Aug 2010))等等。