一種基于粒子群優(yōu)化的sar圖像分割方法
【專利說明】—種基于粒子群優(yōu)化的SAR圖像分割方法
[0001]
技術領域
[0002]本發(fā)明屬于計算機算法領域，更具體地說，本發(fā)明涉及一種基于粒子群優(yōu)化的SAR圖像分割方法。
【背景技術】
[0003]圖像分割是圖像處理的關鍵技術之一。圖像分割的結(jié)果就是將圖像分成若干個部分，每部分代表圖像中不一樣的特征，并把同一部分像素標記為同一個值，圖像分割方法主要有基于區(qū)域的方法，基于邊緣檢測的方法，基于聚類分析的方法等，提出了一種基于粒子群優(yōu)化的SAR圖像分割方法，該方法是針對傳統(tǒng)單目標聚類圖像分割算法存在局部錯分，區(qū)域不一致的問題提出的。該聚類圖像分割算法首先通過分水嶺變換將圖像分割成不規(guī)則的互不重疊的區(qū)域，產(chǎn)生過分割，將過分割轉(zhuǎn)化為一個聚類優(yōu)化過程，本方法不僅考慮區(qū)域的紋理特征，還考慮了區(qū)域的空間特征，保證了圖像分割信息的完整性，從而保持了分割后的區(qū)域一致性，提高了圖像分割的質(zhì)量。

【發(fā)明內(nèi)容】

[0004]本發(fā)明所要解決的問題是提供一種分割后的區(qū)域一致性高，圖像分割質(zhì)量好的一種基于粒子群優(yōu)化的SAR圖像分割方法。
[0005]為了實現(xiàn)上述目的，本發(fā)明采取的技術方案為:
一種基于粒子群優(yōu)化的SAR圖像分割方法，包括如下步驟:
(1)輸入待分割圖像，提取該待分割圖像中每個像素點的特征；
(2)計算待分割圖像的梯度；
(3)對形態(tài)梯度圖像進行分水嶺分割，得到N個互不重疊的區(qū)域，N>1000；
(4)在N個互不重疊的區(qū)域中，分別對每兩個區(qū)域進行膨脹擴充，膨脹擴充后，獲得每個區(qū)域與其他各區(qū)域的鄰接關系；
(5)對每個區(qū)域中所有像素點的特征進行平均值的計算，獲得每個區(qū)域的特征向量，得到初始聚類數(shù)據(jù)點的集合-Z=Iz1, Z2,..ZnI ;
(6)利用初始聚類數(shù)據(jù)點集合Z，隨機初始化大小為M的種群；
(7)將各粒子的當前位置作為各粒子的最優(yōu)位置P=[pJ，r=l，2，M，再從所有粒子的最優(yōu)位置P中隨機選擇一個位置作為種群的全局最優(yōu)位置pg，并初始化各粒子最優(yōu)位置的適應度值[pbest] =Pbestr;
(8)計算第j個聚類點到聚類中心i的距離du;
(9)計算種群中的各粒子的適應度值；
(10)根據(jù)各粒子的目標函數(shù)值，升級每個粒子的最優(yōu)位置和種群全局最優(yōu)位置；
(11)根據(jù)各粒子最優(yōu)位置P和全局最優(yōu)位置Pg，更新各粒子的速度和位置； (12)更新迭代次數(shù)t，直到迭代次數(shù)達到預先設定的最大值
max gen=100，輸出最佳隸屬度矩陣，執(zhí)行步驟十三，否則返回到步驟八進行下一代迭代；
(13)根據(jù)最佳隸屬度矩陣計算各個區(qū)域的鄰域?qū)儆诓煌惖母怕?，按照最大概率原則依次對每個區(qū)域進行標記，得到了最終的圖像分割結(jié)果。
[0006]優(yōu)選的，所述步驟(I)進一步包括如下步驟:
a.對于任意像素點i，利用小波分解，提取圖像的10維小波特征向量；
b.對于任意像素點i，計算0°，45°，90°，135°四個方向上的灰度共生矩陣，得到四個共生矩陣，在這四個共生矩陣上選取三個統(tǒng)計量，分別為對比度、同質(zhì)性和角二階，這樣就得到了像素點i的12維紋理特征向量；
c.將上述10維小波特征向量和12維紋理特征向量合并成22維特征向量，作為第i個像素點的紋理特征；
d.對圖像中的所有像素點重復步驟(a)_(c)，得到原始圖像所有像素點的特征。
[0007]優(yōu)選的，所述步驟(4)中鄰接關系為:若兩個區(qū)域相交，則將它們的鄰接關系記為1，否則，將鄰接關系記為O。
[0008]優(yōu)選的，所述步驟(6)進一步包括如下步驟:
a.從數(shù)據(jù)點集合Z中隨機選取c個數(shù)據(jù)點作為種群中當前粒子的位置，這c個數(shù)據(jù)點中的每個數(shù)據(jù)點代表一個聚類中心，由此得到種群中各粒子的當前位置X=Ix1, X2-..%，}，其中c為聚類類別數(shù)目；
b.隨機初始化種群中速度V=Iv1,V2..vM}和隸屬度矩陣U=[u ij]，
i=l, 2，..c，j=l, 2，..N，Uij表示第j個聚類點隸屬于第i類的隸屬度，c為聚類類別數(shù)目。
[0009]優(yōu)選的，所述步驟(10)進一步包括如下步驟:
a.將各粒子的目標函數(shù)值Fitness與各自粒子最優(yōu)位置的目標函數(shù)值Pbest比較；
b.將各粒子最優(yōu)位置的目標函數(shù)值Pbest與全局最優(yōu)位置的目標函數(shù)值gbest比較。
[0010]優(yōu)選的，所述步驟b中如果粒子r最優(yōu)位置的目標函數(shù)值
pbest/j、于全局最優(yōu)位置的目標函數(shù)值gbest，則用該粒子最優(yōu)位置p 1?代替全局最優(yōu)位置Pg，否則全局最優(yōu)位置Pg不變。
[0011]有益效果:本發(fā)明提供了一種基于粒子群優(yōu)化的SAR圖像分割方法，該方法是針對傳統(tǒng)單目標聚類圖像分割算法存在局部錯分，區(qū)域不一致的問題提出的，該聚類圖像分割算法首先通過分水嶺變換將圖像分割成不規(guī)則的互不重疊的區(qū)域，產(chǎn)生過分割，將過分割轉(zhuǎn)化為一個聚類優(yōu)化過程，本方法不僅考慮區(qū)域的紋理特征，還考慮了區(qū)域的空間特征，保證了圖像分割信息的完整性，從而保持了分割后的區(qū)域一致性，提高了圖像分割的質(zhì)量。
【附圖說明】
[0012]圖1為本發(fā)明一種基于粒子群優(yōu)化的SAR圖像分割方法的流程圖。
【具體實施方式】
[0013]一種基于粒子群優(yōu)化的SAR圖像分割方法，包括如下步驟: (1)輸入待分割圖像，提取該待分割圖像中每個像素點的特征，進一步包括如下步驟:
a.對于任意像素點i，利用小波分解，提取圖像的10維小波特征向量；
b.對于任意像素點i，計算0°，45°，90°，135°四個方向上的灰度共生矩陣，得到四個共生矩陣，在這四個共生矩陣上選取三個統(tǒng)計量，分別為對比度、同質(zhì)性和角二階，這樣就得到了像素點i的12維紋理特征向量；
c.將上述10維小波特征向量和12維紋理特征向量合并成22維特征向量，作為第i個像素點的紋理特征；
(2)計算待分割圖像的梯度；
(3)對形態(tài)梯度圖像進行分水嶺分割，得到N個互不重疊的區(qū)域，N>1000；
(4)在N個互不重疊的區(qū)域中，分別對每兩個區(qū)域進行膨脹擴充，膨脹擴充后，獲得每個區(qū)域與其他各區(qū)域的鄰接關系，若兩個區(qū)域相交，則將它們的鄰接關系記為1，否則，將鄰接關系記為O ;
(5)對每個區(qū)域中所有像素點的特征進行平均值的計算，獲得每個區(qū)域的特征向量，得到初始聚類數(shù)據(jù)點的集合-Z=Iz1, Z2,..ZnI ;
(6)利用初始聚類數(shù)據(jù)點集合Z，隨機初始化大小為M的種群，進一步包括如下步驟:
a.從數(shù)據(jù)點集合Z中隨機選取c個數(shù)據(jù)點作為種群中當前粒子的位置，這c個數(shù)據(jù)點中的每個數(shù)據(jù)點代表一