基于免疫克隆和投影寻踪的SAR图像分割系统及分割方法

摘要

本发明公开了一种基于免疫克隆和投影寻踪的SAR图像分割系统及分割方法。该系统包括：图像特征提取模块、初始标签选择子模块、投影方向选择子模块和子空间聚类子模块。图像特征提取模块，提取输入图像的灰度共生矩阵、小波、brushlet和contourlet特征；初始标签选择子模块，对图像特征进行聚类获得初始标签，传输给投影方向选择子模块计算线性判别分析投影指标，并获得最优投影方向；子空间聚类子模块，将图像特征投影到最优投影方向，获得最优子空间，对最优子空间进行聚类，获得聚类标签，并返回至初始标签选择子模块迭代获得最终聚类标签，并与图像像素对应，获得最终图像分割结果。本发明具有分割精度高的优点，可用于军事侦察手段以及民用和工业领域。

权利要求

1.一种基于免疫克隆和投影寻踪的SAR图像分割系统，包括：图像特征提取模块，对输入的图像完成灰度共生矩阵、小波、brushlet和contourlet特征提取，并将其提取结果传至投影寻踪聚类模块；

投影寻踪聚类模块，对输入的图像特征采用免疫克隆算法进行自适应投影寻踪聚类，将聚类标签与图像像素对应，获得图像分割结果；

所述的投影寻踪聚类模块包括：

初始标签选择子模块，用于对所提图像特征，进行聚类获得初始的标签，并将标签传输给投影方向选择子模块；

投影方向选择子模块，根据输入标签计算投影寻踪算法中的线性判别分析投影指标，并通过免疫克隆算法优化该投影指标，获得最优的投影方向传至子空间聚类子模块；

子空间聚类子模块，将图像特征映射到最优投影方向，获得最优子空间，对最优子空间进行聚类，获得聚类标签，将聚类标签返回至初始标签选择子模块，迭代数次，获得最终的聚类标签，将最终聚类标签与图像像素对应，获得最终图像分割结果。

2.一种基于免疫克隆和投影寻踪的SAR图像分割方法，包括如下步骤：(1)对输入的图像提取灰度共生矩阵、小波、brushlet和contourlet特征，将提取的图像特征定义为Xij，其中，i表示样本的个数，在图像中表示为第i个像素点，j表示样本的维数，在图像中表示为像素点的第j维特征；

(2)对提取的图像特征Xij进行归一化，设定标签迭代次数g；

(3)将归一化后的图像特征 随机投影到一个低维子空间U，并对该子空间U进行K均值聚类，获得一个初始标签H；

(4)根据获得的初始标签H，计算投影寻踪的线性判别分析投影指标，并通过免疫克隆算法优化该投影指标，获得最优的投影方向；

(5)将归一化后的图像特征 投影到最优的投影方向，获得最优的子空间U′；

(6)对子空间U′进行K均值聚类，获得新的标签H′；

(7)将新的标签H′作为初始标签H，返回步骤(4)进行迭代，经过数次迭代后，若获得新标签H′在迭代过程中达到收敛，输出收敛的标签H″，若在迭代g次后没有收敛，则输出最后获得的标签H′；

(8)将收敛的标签H″或最后获得的标签H′与输入图像的像素对应，输出图像分割结果。

3.根据权利要求书2所述的SAR图像分割方法，其中步骤(4)所述的通过免疫克隆算法优化该投影指标，按如下过程进行：

4a)设定种群大小N，进化代数gn，克隆规模nc，变异概率pm；

4b)根据种群大小N，随机产生初始种群A；

4c)计算初始种群A的个体适应度；

4d)根据克隆规模nc，对初始种群进行克隆，获得克隆后的种群Ac；

4e)对克隆后种群Ac，根据变异概率pm，进行变异操作，获得变异后的种群Am；

4f)计算克隆变异后的种群Am的适应度函数值，将种群Am中个体适应度与初始种群A中个体适应度进行对比，依次选出适应度较大的个体，获得新的种群A′并输出最大适应度函数值，将新的种群A′作为初始种群A，返回步骤4c)；

4g)在进化gn代中，若每一代输出的最大适应度函数值收敛，则终止迭代。

说明书

基于免疫克隆和投影寻踪的SAR图像分割系统及分割方法

技术领域

[0001] 本发明属于图像处理技术领域，涉及SAR图像分割，可用于军事侦察手段以及民用和工业领域。

背景技术

[0002] SAR作为一种不可或缺的军事侦察手段，在民用和工业上也有广泛的用途。随着SAR成像技术的日益发展，所获得的SAR图像数据越来越多，机器解译已经逐步代替了人工解译，从而SAR图像处理也成为研究热点。SAR图像分割作为SAR图像处理的基本问题之一，它在对SAR图像的研究和应用中，通过图像分割可以发现感兴趣的目标区域，从而为SAR图像后期的分类和识别奠定基础，而且目标识别的准确性很大程度上依赖于图像分割的质量。为了辨识和分析SAR图像中的目标，需要将它们从图像中分离提取出来，在此基础上才有可能进一步对目标进行测量和对SAR图像进行利用。对于SAR图像来讲，由于斑点噪声的影响同类地物场景的非平稳程度较强，很难有效地选取有代表性的样本用于参数训练，聚类算法作为无监督的学习方法，其自适应和实用性的优点，使其成为图像分割的研究热点。现阶段基于聚类算法的SAR图像分割方法主要有K均值聚类算法以及谱聚类算法，其中K均值聚类SAR图像分割方法结果不稳定且分割精度不高，基于谱聚类的SAR图像分割方法不能有效处理大规模图像分割问题。

发明内容

[0003] 本发明目的在于克服上述已有技术的缺点，提出了一种基于免疫克隆和投影寻踪的SAR图像分割系统及分割方法，以实现直接对图像特征进行操作，提高图像分割精度。

[0004] 为实现上述目的，本发明的SAR图像分割系统包括：

[0005] 图像特征提取模块，对输入的图像完成灰度共生矩阵、小波、brushlet和contourlet特征提取，并将其提取结果传送至投影寻踪聚类模块；

[0006] 投影寻踪聚类模块，对输入的图像特征采用免疫克隆算法进行自适应投影寻踪聚类，将聚类标签与图像像素对应，获得图像分割结果。

[0007] 所述的投影寻踪聚类模块包括：

[0008] 初始标签选择子模块，用于对所提图像特征，进行聚类获得初始的标签，并将标签传输给投影方向选择子模块；

[0009] 投影方向选择子模块，根据输入标签计算投影寻踪算法中的线性判别分析投影指标，并通过免疫克隆算法优化该投影指标，获得最优的投影方向传至子空间聚类子模块；

[0010] 子空间聚类子模块，将图像特征映射到最优投影方向，获得最优子空间，对最优子空间进行聚类，获得聚类标签，将聚类标签返回至初始标签选择子模块，迭代数次，获得最终的聚类标签，将最终聚类标签与图像像素对应，获得最终图像分割结果。

[0011] 为实现上述目的，本发明的SAR图像分割方法，包括如下步骤：

[0012] (1)对输入的图像提取灰度共生矩阵、小波、brushlet和contourlet特征，将提取的图像特征定义为Xij，其中，i表示样本的个数，在图像中表示为第i个像素点，j表示样本的维数，在图像中表示为像素点的第j维特征；

[0013] (2)对提取的图像特征Xij进行归一化，设定标签迭代次数g；

[0014] (3)将归一化后的图像特征Xij′，随机投影到一个低维子空间U，并对该子空间U进行K均值聚类，获得一个初始标签H；

[0015] (4)根据获得的初始标签H，计算投影寻踪的线性判别分析投影指标，并通过免疫克隆算法优化该投影指标，获得最优的投影方向；

[0016] (5)将归一化后的图像特征Xij′，投影到最优投影方向，获得最优的子空间U′；

[0017] (6)对子空间U′进行K均值聚类，获得新的标签H′；

[0018] (7)将新的标签H′作为初始标签H，返回步骤(4)进行迭代，经过数次迭代后，若获得新标签H′在迭代过程中达到收敛，输出收敛的标签H″，若在迭代g次后没有收敛，则输出最后获得的标签H′；

[0019] (8)将收敛的标签H″或最后获得的标签H′与输入图像的像素对应，输出图像分割结果。

[0020] 本发明与现有的技术相比具有以下优点：

[0021] 1.本发明由于采用免疫克隆算法优化投影寻踪的线性判别分析投影指标，因而可获得最优的投影方向以及最优子空间；

[0022] 2.本发明由于采用投影寻踪的线性判别分析投影指标与K均值聚类算法进行自适应的迭代，提高了图像分割的精度；

[0023] 仿真结果表明，本发明较K均值算法精度有一定的提高。

附图说明

[0024] 图1本发明的SAR图像分割系统示意图；

[0025] 图2是本发明的SAR图像分割方法流程图；

[0026] 图3是本发明采用的SAR图像原图；

[0027] 图4是采用K均值聚类算法对图3进行分割的结果图；

[0028] 图5是采用本发明对图3进行分割的结果图。

具体实施方式

[0029] 参照图1，本发明基于免疫克隆和投影寻踪的SAR图像分割系统包括：图像特征提取模块和投影寻踪聚类模块。其中投影寻踪聚类模块包括初始标签选择子模块、投影方向选择子模块和子空间聚类子模块。

[0030] 图像特征提取模块，对输入的图像完成灰度共生矩阵、小波、brushlet和contourlet特征提取，并将其提取结果传至投影寻踪聚类模块中的初始标签选择子模块；初始标签选择子模块，对所提图像特征，进行简单聚类获得初始的标签，并将标签传输给投影方向选择子模块；投影方向选择子模块，根据输入标签计算投影寻踪算法中的线性判别分析投影指标，并通过免疫克隆算法优化投影指标，获得最优的投影方向，并将所得投影方向传至子空间聚类子模块；子空间聚类子模块，将图像特征映射到最优投影方向，获得最优子空间，对最优子空间进行聚类，获得聚类标签，将聚类标签返回至初始标签选择子模块，迭代数次，获得最终的聚类标签，将最终聚类标签与图像像素对应，获得最终图像分割结果。

[0031] 参照图2，本发明的基于免疫克隆和投影寻踪的SAR图像分割系统及分割方法，包括如下步骤：

[0032] 步骤1：提取输入图像的灰度共生矩阵、小波、brushlet和contourlet特征。

[0033] 1a)输入原始的SAR图像，其大小为M×M′，如图3所示。该输入图像为四幅SAR图像，其大小分别为256×256；

[0034] 1b)对输入的原始SAR图像提取灰度共生矩阵特征8维、两层小波特征7维、两层brushlet特征8维和三层contourlet特征17维。将提取的图像特征定义为Xij，其中，i表示样本的个数，在图像中表示为第i个像素点，j表示样本的维数，在图像中表示为像素点的第j维特征。

[0035] 步骤2：对提取的图像特征Xij进行归一化，设定标签迭代次数g。

[0036] 2a)对提取的图像特征Xij采用下式进行归一化：

[0037] Xij′＝(Xij-Xjmin)/(Xjmax-Xjmin)其中Xjmax和Xjmin分别为第j维的最大最小值，Xij′为归一化后的图像特征；

[0038] 2b)设定标签迭代次数g为10次。

[0039] 步骤3：将归一化后的图像特征Xij′，随机投影到一个低维子空间U，并对该子空间U进行K均值聚类，获得一个初始标签H。

[0040] 3a)对归一化后的图像特征Xij′采用下式进行随机投影：

[0041] U＝arXij′其中ar是随机产生的投影方向；

[0042] 3b)对随机投影后获得的低维子空间U，采用下式进行K均值聚类：

[0043]

[0044] 其中，JK是K类随机投影后获得的低维子空间U中像素特征的类内散度，K是类别的个数，xj是第k类的像素，mi是第k类像素的均值，ni每一类中像素的个数；

[0045] 3c)分别计算每个像素到mi的欧式距离，在保证JK最小的前提小，将具有最小欧式距离的类别数赋予像素的标签，获得一个初始标签H。

[0046] 步骤4：设定参数并按照参数随机生成种群，将投影方向作为免疫克隆算法优化的目标。

[0047] 4a)设定进化代数gn为500，种群大小N为10，变异概率pm为0.9，克隆规模nc为2；

[0048] 4b)根据种群大小N，随机产生初始种群A大小为m×N，其中m为图像特征维数。

[0049] 步骤5：根据所获得初始标签H，计算初始种群A中的个体适应度。

[0050] 5a)根据所获得初始标签H，采用下式计算类间散度Sb和类内散度Sw：

[0051]

[0052]

[0053] 其中 是第i类图像特征Xij′的均值，即 是归一化后的图像特征Xij′的总均值，即 其中 ni为第i类图像特征Xij′中像素点的个数，
n为归一化后的图像特征Xij′中总的像素点的个数，c为类别数。

[0054] 5b)根据获得的类间散度Sb和类内散度Sw，采用下式计算初始种群A中的每个个体的适应度：

[0055]

[0056] 其中St＝Sb+Sw为总散度，a为初始种群A中任意个体。

[0057] 步骤6：根据克隆规模nc，对初始种群A进行克隆操作，获得克隆后的种群Ac。

[0058] 6a)根据设定的克隆规模nc，采用下式对初始种群进行克隆操作：

[0059]

[0060] 其中，TcC表示克隆算子，a为初始种群A中任意一个个体， 分别为对a进行规模为nc的克隆操作后的克隆个体；

[0061] 6b)对初始种群A中的每个个体进行克隆操作，获得克隆后的种群Ac。

[0062] 步骤7：根据变异概率pm，对克隆后种群Ac进行变异操作，获得变异后的种群Am。

[0063] 7a)根据设定的变异概率pm，采用下式对克隆后种群Ac中变异的个体进行变异操作：

[0064] β′＝β·exp(τ′N(0，1)+τN(0，1))

[0065] s′＝s+β′N(0，1)其中，TmC表示变异算子，s为概率pm选择出的变异个体，s′为选择出的变异个体对应的变异后个体，τ和τ′分别为 和 β和β′为设定参数，N(0，1)是满足均值为0，方差为1正态随机变量；

[0066] 7b)对克隆后种群Ac中所有变异个体完成变异操作，没有变异的个体保持不变，获得变异后的种群Am。

[0067] 步骤8：计算变异后的种群Am的适应度函数值，将种群Am中个体适应度与初始种群A中个体适应度进行对比，依次选出适应度较大的个体，获得新的种群A′。

[0068] 8a)比较变异后的种群Am中个体适应度与初始种群A中对应原始的个体适应度，c若 则选择Tm(a)为新的种群A′，否则选择a为新的种群A′，其中，f(□)
C c
为适应度函数，Ts 表示选择算子，Tm(a)为种群Am中个体，a为对应的初始种群A中个体。

[0069] 8b)比较种群Am与初始种群A中对应所有个体适应度，选出适应度较大的个体为新的种群A′。

[0070] 步骤9：将新的种群A′作为初始种群A，返回步骤5，按照设定的进化代数gn进行迭代。

[0071] 步骤10：在进化代数gn中，若每一代的最大适应度函数值收敛，则终止迭代，输出最大适应度函数值。

[0072] 步骤11：将归一化后的图像特征Xij′，采用下式投影到最优的投影方向，获得最优的子空间U′：

[0073] U′＝a′Xij′

[0074] 其中a′是通过免疫克隆算法选择的最优的投影方向。

[0075] 步骤12：对投影后获得的低维子空间U′进行K均值聚类，获得新的标签H′。

[0076] 12a)对投影后获得的低维子空间U′，采用下式进行K均值聚类：

[0077]

[0078] 其中，JK是K类低维子空间U′中像素特征的类内散度，K是类别的个数，xj是第k类的像素，mi是第k类像素的均值，ni每一类中像素的个数；

[0079] 12b)分别计算每个像素到mi的欧式距离，在保证JK最小的前提小，将具有最小欧式距离的类别数赋予像素的标签，获得新的标签H′。

[0080] 步骤13：将新的标签H′作为初始标签H，返回步骤5进行迭代，经过多次迭代后，若获得新标签H′在迭代过程中达到收敛，输出收敛的标签H″，若在设定的迭代次数g后没有收敛，则输出最后获得的标签H′；

[0081] 步骤14：将收敛的标签H″或最后获得的标签H′与输入图像的像素对应，输出图像分割结果。

[0082] 本发明的效果可以通过以下对SAR图像分割进一步说明：

[0083] 1、仿真条件

[0084] 本发明的仿真在windows XP，SPI，CPU Pentium(R)4，基本频率2.4GHZ，软件平台为Matlab7.0.1运行。仿真选用四幅SAR图像原图，如图3，其中图3(a)是树木、桥梁、田野和河流，图3(b)是陆地和湖泊，图3(c)是陆地和河流，图3(d)是树木和田野。

[0085] 2、仿真内容

[0086] (1)用现有的K均值方法分别对图3(a)、图3(b)、图3(c)和图3(d)进行图像分割。仿真结果如图4所示。其中，图4(a)是对图3(a)的分割结果图，图4(b)是对图3(b)的分割结果图，图4(c)是对图3(c)的分割结果图，图4(d)是对图3(d)的分割结果图；

[0087] (2)用本发明的方法分别对图3(a)、图3(b)、图3(c)和图3(d)进行图像分割。仿真结果如图5所示其中，图5(a)是对图3(a)的分割结果图，图5(b)是对图3(b)的分割结果图，图5(c)是对图3(c)的分割结果图，图5(d)是对图3(d)的分割结果图。

[0088] 3、仿真结果分析

[0089] 从图4(a)与图5(a)的分割结果图比较可以看出，图5(a)能够分割出桥梁下方树木的阴影处，而图4(a)没有分割出。

[0090] 从图4(b)与图5(b)的分割结果图比较可以看出，图5(b)图像陆地左下角的错分点要少于图4(b)的分割结果。

[0091] 从图4(c)与图5(c)的分割结果图比较可以看出，图5(c)在陆地部分没有杂点且河流宽度与原图相近，而图4(c)的图像顶部有少量的杂点且分割结果的河流宽度大于原始图3(c)。

[0092] 从图4(d)与图5(d)的分割结果图比较可以看出，图5(d)左上角以及右下角田野处错分点少于图4(d)的分割结果，且图5(d)的树木的下边缘较图4(d)光滑。

[0093] 由图4与图5比较可以看出本发明具有分割精度高的优点。

[0094] 该实例是在以本发明技术方案为前提下进行实施的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于上述实施例。