專利名稱：基于免疫克隆和投影尋蹤的sar圖像分割系統(tǒng)及分割方法
技術領域：
本發(fā)明屬于圖像處理技術領域，涉及SAR圖像分割，可用于軍事偵察手段以及民 用和工業(yè)領域。
背景技術：
SAR作為一種不可或缺的軍事偵察手段，在民用和工業(yè)上也有廣泛的用途。隨著 SAR成像技術的日益發(fā)展，所獲得的SAR圖像數(shù)據(jù)越來越多，機器解譯已經(jīng)逐步代 替了人工解譯，從而SAR圖像處理也成為研究熱點。SAR圖像分割作為SAR圖像處 理的基本問題之一，它在對SAR圖像的研究和應用中，通過圖像分割可以發(fā)現(xiàn)感興 趣的目標區(qū)域，從而為SAR圖像后期的分類和識別奠定基礎，而且目標識別的準確 性很大程度上依賴于圖像分割的質量。為了辨識和分析SAR圖像中的目標，需要將 它們從圖像中分離提取出來，在此基礎上才有可能進一步對目標進行測量和對SAR 圖像進行利用。對于SAR圖像來講，由于斑點噪聲的影響同類地物場景的非平穩(wěn)程 度較強，很難有效地選取有代表性的樣本用于參數(shù)訓練，聚類算法作為無監(jiān)督的學習 方法，其自適應和實用性的優(yōu)點，使其成為圖像分割的研究熱點?，F(xiàn)階段基于聚類算 法的SAR圖像分割方法主要有K均值聚類算法以及譜聚類算法，其中K均值聚類SAR 圖像分割方法結果不穩(wěn)定且分割精度不高，基于譜聚類的SAR圖像分割方法不能有 效處理大規(guī)模圖像分割問題。

發(fā)明內容
本發(fā)明目的在于克服上述已有技術的缺點，提出了一種基于免疫克隆和投影尋蹤 的SAR圖像分割系統(tǒng)及分割方法，以實現(xiàn)直接對圖像特征進行操作，提高圖像分割 精度。
為實現(xiàn)上述目的，本發(fā)明的SAR圖像分割系統(tǒng)包括
圖像特征提取模塊，對輸入的圖像完成灰度共生矩陣、小波、brushlet和contourlet 特征提取，并將其提取結果傳送至投影尋蹤聚類模塊；
投影尋蹤聚類模塊，對輸入的圖像特征采用免疫克隆算法進行自適應投影尋蹤聚類，將聚類標簽與圖像像素對應，獲得圖像分割結果。 所述的投影尋蹤聚類模塊包括-
初始標簽選擇子模塊，用于對所提圖像特征，進行聚類獲得初始的標簽，并將標 簽傳輸給投影方向選擇子模塊；
投影方向選擇子模塊，根據(jù)輸入標簽計算投影尋蹤算法中的線性判別分析投影指 標，并通過免疫克隆算法優(yōu)化該投影指標，獲得最優(yōu)的投影方向傳至子空間聚類子模 塊；
子空間聚類子模塊，將圖像特征映射到最優(yōu)投影方向，獲得最優(yōu)子空間，對最優(yōu) 子空間進行聚類，獲得聚類標簽，將聚類標簽返回至初始標簽選擇子模塊，迭代數(shù)次， 獲得最終的聚類標簽，將最終聚類標簽與圖像像素對應，獲得最終圖像分割結果。
為實現(xiàn)上述目的，本發(fā)明的SAR圖像分割方法，包括如下步驟
(1) 對輸入的圖像提取灰度共生矩陣、小波、brushlet和contourlet特征，將提 取的圖像特征定義為J^，其中，凍示樣本的個數(shù)，在圖像中表示為第/個像素點，_/ 表示樣本的維數(shù)，在圖像中表示為像素點的第/維特征；
(2) 對提取的圖像特征J^進行歸一化，設定標簽迭代次數(shù)g;
(3) 將歸一化后的圖像特征Xg，隨機投影到一個低維子空間t/,并對該子空間 C/進行K均值聚類，獲得一個初始標簽i/;
(4) 根據(jù)獲得的初始標簽F，計算投影尋蹤的線性判別分析投影指標，并通過 免疫克隆算法優(yōu)化該投影指標，獲得最優(yōu)的投影方向；
(5) 將歸一化后的圖像特征Z"，投影到最優(yōu)投影方向，獲得最優(yōu)的子空間f/;
(6) 對子空間t/進行K均值聚類，獲得新的標簽if';
(7) 將新的標簽i/'作為初始標簽H，返回步驟(4)進行迭代，經(jīng)過數(shù)次迭代 后，若獲得新標簽/f'在迭代過程中達到收斂，輸出收斂的標簽/T，若在迭代g次后 沒有收斂，則輸出最后獲得的標簽//';
(8) 將收斂的標簽/T或最后獲得的標簽i/'與輸入圖像的像素對應，輸出圖像分 割結果。
本發(fā)明與現(xiàn)有的技術相比具有以下優(yōu)點-
l.本發(fā)明由于采用免疫克隆算法優(yōu)化投影尋蹤的線性判別分析投影指標，因而可 獲得最優(yōu)的投影方向以及最優(yōu)子空間；
2.本發(fā)明由于采用投影尋蹤的線性判別分析投影指標與K均值聚類算法進行自適
5應的迭代，提高了圖像分割的精度；
仿真結果表明，本發(fā)明較K均值算法精度有一定的提高。


圖1本發(fā)明的SAR圖像分割系統(tǒng)示意圖； 圖2是本發(fā)明的SAR圖像分割方法流程圖； 圖3是本發(fā)明采用的SAR圖像原圖； 圖4是采用K均值聚類算法對圖3進行分割的結果圖； 圖5是采用本發(fā)明對圖3進行分割的結果圖。
具體實施例方式
參照圖1,本發(fā)明基于免疫克隆和投影尋蹤的SAR圖像分割系統(tǒng)包括圖像特征
提取模塊和投影尋蹤聚類模塊。其中投影尋蹤聚類模塊包括初始標簽選擇子模塊、投 影方向選擇子模塊和子空間聚類子模塊。
圖像特征提取模塊，對輸入的圖像完成灰度共生矩陣、小波、brushlet和contourlet 特征提取，并將其提取結果傳至投影尋蹤聚類模塊中的初始標簽選擇子模塊；初始標 簽選擇子模塊，對所提圖像特征，進行簡單聚類獲得初始的標簽，并將標簽傳輸給投 影方向選擇子模塊；投影方向選擇子模塊，根據(jù)輸入標簽計算投影尋蹤算法中的線性 判別分析投影指標，并通過免疫克隆算法優(yōu)化投影指標，獲得最優(yōu)的投影方向，并將 所得投影方向傳至子空間聚類子模塊；子空間聚類子模塊，將圖像特征映射到最優(yōu)投 影方向，獲得最優(yōu)子空間，對最優(yōu)子空間進行聚類，獲得聚類標簽，將聚類標簽返回 至初始標簽選擇子模塊，迭代數(shù)次，獲得最終的聚類標簽，將最終聚類標簽與圖像像 素對應，獲得最終圖像分割結果。
參照圖2，本發(fā)明的基于免疫克隆和投影尋蹤的SAR圖像分割系統(tǒng)及分割方法， 包括如下步驟
步驟l:提取輸入圖像的灰度共生矩陣、小波、brushlet和contourlet特征。
la)輸入原始的SAR圖像，其大小為MxM'，如圖3所示。該輸入圖像為四幅
SAR圖像，其大小分別為256X256;
lb)對輸入的原始SAR圖像提取灰度共生矩陣特征8維、兩層小波特征7維、
兩層brushlet特征8維和三層contourlet特征17維。將提取的圖像特征定義為；，
其中，/表示樣本的個數(shù)，在圖像中表示為第/個像素點，/表示樣本的維數(shù)，在圖像
中表示為像素點的第/維特征。步驟2:對提取的圖像特征^進行歸一化，設定標簽迭代次數(shù)g。
2a)對提取的圖像特征J^采用下式進行歸一化
其中A咖和x—分別為第y維的最大最小值，《為歸一化后的圖像特征；
2b)設定標簽迭代次數(shù)g為10次。
步驟3:將歸一化后的圖像特征J^，隨機投影到一個低維子空間f/，并對該子 空間t/進行K均值聚類，獲得一個初始標簽//。
3a)對歸一化后的圖像特征《采用下式進行隨機投影
其中",是隨機產(chǎn)生的投影方向；
3b)對隨機投影后獲得的低維子空間t/，采用下式進行K均值聚類-
min/,鉤x廣附』2
其中，^是K類隨機投影后獲得的低維子i間C/中像素特征的類內散度，夂是類別 的個數(shù)，、是第A類的像素，附i是第/t類像素的均值，",.每一類中像素的個數(shù)；
3c)分別計算每個像素到w的歐式距離，在保證《4最小的前提小，將具有最小歐 式距離的類別數(shù)賦予像素的標簽，獲得一個初始標簽^。
步驟4:設定參數(shù)并按照參數(shù)隨機生成種群，將投影方向作為免疫克隆算法優(yōu)化 的目標。 '
4a)設定進化代數(shù)gw為500，種群大小W為10，變異概率;^為0.9，克隆規(guī)模 為2;
4b)根據(jù)種群大小iV，隨機產(chǎn)生初始種群^大小為wxiV，其中m為圖像特征維數(shù)。
步驟5:根據(jù)所獲得初始標簽//，計算初始種群^中的個體適應度。
5a)根據(jù)所獲得初始標簽/f，采用下式計算類間散度&和類內散度^:
<formula>formula see original document page 7</formula>
其中《是第z'類圖像特征x&的均值，即《-iJ^/巧，^是歸一化后的圖像特征;^的總均值，即1=|:￡;^/"，其中"=|>;， w,.為第/類圖像特征《中像素點的個數(shù)， "為歸一化后的圖像特征^;.中總的像素點的個數(shù)，c為類別數(shù)。
5b)根據(jù)獲得的類間散度&和類內散度&，采用下式計算初始種群^中的每
體的適應度
/(")=
1-
0 for
其中&=&+^為總散度，"為初始種群」中任意個體。
步驟6:根據(jù)克隆規(guī)模 ，對初始種群^進行克隆操作，獲得克隆后的種群4。 6a)根據(jù)設定的克隆規(guī)模"e，采用下式對初始種群進行克隆操作
"(a) ="2 ，…,a"c ]
其中，7f表示克隆算子，fl為初始種群J中任意一個個體，a,，《，…，氣分別為
對fl進行規(guī)模為"e的克隆操作后的克隆個體；
6b)對初始種群J中的每個個體進行克隆操作，獲得克隆后的種群4。
步驟7:根據(jù)變異概率，對克隆后種群^進行變異操作，獲得變異后的種群《。
7a)根據(jù)設定的變異概率&，采用下式對克隆后種群4中變異的個體進行變異
操作
]S' = P.邵(t'iV (0,1) + tW (O，l))
"+ y3'iV(0,1)
其中，G表示變異算子，s為概率/^選擇出的變異個體，w為選擇出的變異個體對
應的變異后個體，t和t'分別為(^廣和(V^)—'， )3和)8'為設定參數(shù)，i^0,^是滿 足均值為0,方差為1正態(tài)隨機變量；
7b)對克隆后種群4中所有變異個體完成變異操作，沒有變異的個體保持不變，
獲得變異后的種群4 。
步驟8:計算變異后的種群4的適應度函數(shù)值，將種群4 中個體適應度與初始種
群J中個體適應度進行對比，依次選出適應度較大的個體，獲得新的種群乂。
8a)比較變異后的種群《中個體適應度與初始種群^中對應原始的個體適應度，
8若/(C("))>/(")，則選擇d")為新的種群乂，否則選擇"為新的種群乂，其中， /(口)為適應度函數(shù)，7f表示選擇算子，r,(a)為種群《中個體，a為對應的初始種 群j中個體。
8b)比較種群A與初始種群」中對應所有個體適應度，選出適應度較大的個體為. 新的種群乂。
步驟9:將新的種群乂作為初始種群J，返回步驟5，按照設定的進化代數(shù)gw進 行迭代。
步驟10:在進化代數(shù)^中，若每一代的最大適應度函數(shù)值收斂，則終止迭代，
輸出最大適應度函數(shù)值。
步驟ll:將歸一化后的圖像特征Zy，釆用下式投影到最優(yōu)的投影方向，獲得最 優(yōu)的子空間C/':
其中fl'是通過免疫克隆算法選擇的最優(yōu)的投影方向。
步驟I2:對投影后獲得的低維子空間C/進行K均值聚類，獲得新的標簽H'。
12a)對投影后獲得的低維子空間f/'，采用下式進行K均值聚類
<formula>formula see original document page 9</formula>
其中，^是尺類低維子空間C/中像素特征的類內散度，《是類別的個數(shù)，x,是第A類 的像素，m,.是第ifc類像素的均值，Wi每一類中像素的個數(shù)；
12b)分別計算每個像素到mi的歐式距離，在保證^最小的前提小，將具有最小 歐式距離的類別數(shù)賦予像素的標簽，獲得新的標簽/Z'。
步驟13:將新的標簽i/'作為初始標簽//，返回步驟5進行迭代，經(jīng)過多次迭代
后，若獲得新標簽i/'在迭代過程中達到收斂，輸出收斂的標簽/T，若在設定的迭代 次數(shù)g后沒有收斂，則輸出最后獲得的標簽W;
步驟14:將收斂的標簽^或最后獲得的標簽//'與輸入圖像的像素對應，輸出圖
像分割結果。
本發(fā)明的效果可以通過以下對SAR圖像分割進一步說明1、 仿真條件
本發(fā)明的仿真在windows XP， SPI， CPU Pentium (R) 4，基本頻率2.4GHZ， 軟件平臺為Matlab7.0.1運行。仿真選用四幅SAR圖像原圖，如圖3，其中圖3(a)是 樹木、橋梁、田野和河流，圖3(b)是陸地和湖泊，圖3(c)是陸地和河流，圖3(d)是樹 木和田野。
2、 仿真內容
(1) 用現(xiàn)有的K均值方法分別對圖3(a)、圖3(b)、圖3(c)和圖3(d)進行圖像分害iJ。 仿真結果如圖4所示。其中，圖4(a)是對圖3(a)的分割結果圖，圖4(b)是對圖3(b)的 分割結果圖，圖4(c)是對圖3(c)的分割結果圖，圖4(d)是對圖3(d)的分割結果(2) 用本發(fā)明的方法分別對圖3(a)、圖3(b)、圖3(c)和圖3(d)進行圖像分害U。仿真 結果如圖5所示其中，圖5(a)是對圖3(a)的分割結果圖，圖5(b)是對圖3(b)的分割結 果圖，圖5(c)是對圖3(c)的分割結果圖，圖5(d)是對圖3(d)的分割結果圖。
.3、仿真結果分析
從圖4(a)與圖5(a)的分割結果圖比較可以看出，圖5(a)能夠分割出橋梁下方樹 木的陰影處，而圖4(a)沒有分割出。
從圖4(b)與圖5(b)的分割結果圖比較可以看出，圖5(b)圖像陸地左下角的錯分 點要少于圖4(b)的分割結果。
從圖4(c)與圖5(c)的分割結果圖比較可以看出，圖5(c)在陸地部分沒有雜點且 河流寬度與原圖相近，而圖4(c)的圖像頂部有少量的雜點且分割結果的河流寬度大于 原始圖3(c)。
從圖4(d)與圖5(d)的分割結果圖比較可以看出，圖5(d)左上角以及右下角田野 處錯分點少于圖4 (d)的分割結果，且圖5 (d)的樹木的下邊緣較圖4 (d)光滑。 由圖4與圖5比較可以看出本發(fā)明具有分割精度高的優(yōu)點。
該實例是在以本發(fā)明技術方案為前提下進行實施的，給出了詳細的實施方式和具 體的操作過程，但本發(fā)明的保護范圍不限于上述實施例。
10
權利要求
1、一種基于免疫克隆和投影尋蹤的SAR圖像分割系統(tǒng)，包括圖像特征提取模塊，對輸入的圖像完成灰度共生矩陣、小波、brushlet和contourlet特征提取，并將其提取結果傳至投影尋蹤聚類模塊；投影尋蹤聚類模塊，對輸入的圖像特征采用免疫克隆算法進行自適應投影尋蹤聚類，將聚類標簽與圖像像素對應，獲得圖像分割結果。
2. 根據(jù)權利要求書1所述的SAR圖像分割系統(tǒng)，其中投影尋蹤聚類模塊包括 初始標簽選擇子模塊，用于對所提圖像特征，進行聚類獲得初始的標簽，并將標簽傳輸給投影方向選擇子模塊；投影方向選擇子模塊，根據(jù)輸入標簽計算投影尋蹤算法中的線性判別分析投影 指標，并通過免疫克隆算法優(yōu)化該投影指標，獲得最優(yōu)的投影方向傳至子空間聚類 子模塊；子空間聚類子模塊，將圖像特征映射到最優(yōu)投影方向，獲得最優(yōu)子空間，對最 優(yōu)子空間進行聚類，獲得聚類標簽，將聚類標簽返回至初始標簽選擇子模塊，迭代 數(shù)次，獲得最終的聚類標簽，將最終聚類標簽與圖像像素對應，獲得最終圖像分割 結果。
3. —種基于免疫克隆和投影尋蹤的SAR圖像分割方法，包括如下步驟(1) 對輸入的圖像提取灰度共生矩陣、小波、brushlet和contourlet特征，將提 取的圖像特征定義為J^，其中，！'表示樣本的個數(shù)，在圖像中表示為第/個像素點， y表示樣本的維數(shù)，在圖像中表示為像素點的第y維特征；(2) 對提取的圖像特征J^進行歸一化，設定標簽迭代次數(shù)g;(3) 將歸一化后的圖像特征《.，隨機投影到一個低維子空間f/，并對該子空 間t/進行K均值聚類，獲得一個初始標簽/^(4) 根據(jù)獲得的初始標簽/f，計算投影尋蹤的線性判別分析投影指標，并通過 免疫克隆算法優(yōu)化該投影指標，獲得最優(yōu)的投影方向；(5) 將歸一化后的圖像特征《，投影到最優(yōu)的投影方向，獲得最優(yōu)的子空間(6) 對子空間i/'進行K均值聚類，獲得新的標簽H';(7) 將新的標簽/f'作為初始標簽//,返回步驟(4)進行迭代，經(jīng)過數(shù)次迭代 后，若獲得新標簽/f'在迭代過程中達到收斂，輸出收斂的標簽i/'，若在迭代g次后 沒有收斂，則輸出最后獲得的標簽//';(8) 將收斂的標簽i/'或最后獲得的標簽/Z'與輸入圖像的像素對應，輸出圖像 分割結果。
4.根據(jù)權利要求書3所述的SAR圖像分割方法，其中步驟(4)所述的通過免疫克 隆算法優(yōu)化該投影指標，按如下過程進行4a)設定種群大小W，進化代數(shù)w,克隆規(guī)模 ，變異概率;^; 4b)根據(jù)種群大小iV,隨機產(chǎn)生初始種群J; 4c)計算初始種群^的個體適應度；4d)根據(jù)克隆規(guī)模 ，對初始種群進行克隆，獲得克隆后的種群^;4e)對克隆后種群4，根據(jù)變異概率&，進行變異操作，獲得變異后的種群4f)計算克隆變異后的種群4的適應度函數(shù)值，將種群4中個體適應度與初始 種群4中個體適應度進行對比，依次選出適應度較大的個體，獲得新的種群J'并輸出最大適應度函數(shù)值，將新的種群乂作為初始種群」，返回步驟4c);4g)在進化gw代中，若每一代輸出的最大適應度函數(shù)值收斂，則終止迭代。
全文摘要
本發(fā)明公開了一種基于免疫克隆和投影尋蹤的SAR圖像分割系統(tǒng)及分割方法。該系統(tǒng)包括圖像特征提取模塊、初始標簽選擇子模塊、投影方向選擇子模塊和子空間聚類子模塊。圖像特征提取模塊，提取輸入圖像的灰度共生矩陣、小波、brushlet和contourlet特征；初始標簽選擇子模塊，對圖像特征進行聚類獲得初始標簽，傳輸給投影方向選擇子模塊計算線性判別分析投影指標，并獲得最優(yōu)投影方向；子空間聚類子模塊，將圖像特征投影到最優(yōu)投影方向，獲得最優(yōu)子空間，對最優(yōu)子空間進行聚類，獲得聚類標簽，并返回至初始標簽選擇子模塊迭代獲得最終聚類標簽，并與圖像像素對應，獲得最終圖像分割結果。本發(fā)明具有分割精度高的優(yōu)點，可用于軍事偵察手段以及民用和工業(yè)領域。
文檔編號G06T7/00GK101667292SQ20091002405
公開日2010年3月10日 申請日期2009年9月25日 優(yōu)先權日2009年9月25日
發(fā)明者靜 馮, 吳建設, 慕彩紅, 朱虎明, 楊淑媛, 焦李成, 王宇琴, 緱水平, 樺 鐘 申請人:西安電子科技大學