專利名稱：基于全局流形原型聚類算法與分水嶺算法的圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及圖像分割，可用于圖像增強、模式識別、目標
跟蹤等技術(shù)領(lǐng)域中。
背景技術(shù)：
圖像分割是圖像處理過程中的一個重要步驟。圖像分割的任務是將輸入圖像分割 為一些獨立的區(qū)域，使同一區(qū)域具有相同的屬性，而使不同的區(qū)域具有不同的屬性。對于圖 像分割問題，研究者已經(jīng)提出了很多方法，但是鑒于圖像種類多、數(shù)據(jù)量大、變化多端的特 點，迄今為止還沒有一種圖像分割的方法適合于所有的情況。數(shù)據(jù)聚類作為一種圖像分割 的手段，得到了廣泛的應用。 聚類作為一種重要的數(shù)據(jù)分析方法已在許多領(lǐng)域被廣泛關(guān)注，它是按照一定的 要求和規(guī)律對數(shù)據(jù)進行區(qū)分和分類的過程。目前的聚類算法多采取歐式距離作為相似性 度量，并以隨機選取的方法對聚類中心進行初始化，這就導致了兩個限制其性能的主要缺 點 其一是歐氏距離只對空間分布為球形或超球體的數(shù)據(jù)具有較好的性能，而對空 間分布復雜的數(shù)據(jù)聚類效果很差，這是基于歐氏距離的相似性度量的缺陷導致的必然結(jié) 果。然而，現(xiàn)實世界中的聚類問題，數(shù)據(jù)的分布往往具有歐式距離無法反映的復雜結(jié)構(gòu)。一 些研究者將流形距離引入聚類來解決這個問題，比如Maoguo Gong等人提出了一種密度 敏感的流形距離作為聚類的相似性度量，參見Maoguo Gong， Licheng Jiao， Ling Wang， Liefeng Bo，"Density-Sensitive Evolutionary Clustering, ，， In-Proceedings of the 11th Pacific-Asia Conference on Knowledge Discovery and DataMining， PAKDD07. Springer-Verlag, Lecture Notes in Computer Science, LNAI 4426， pp. 507-514，2007。 然而，要用圖論中的最短路徑來計算流形距離，其計算復雜度要明顯高于歐式距離的計算 復雜度。隨著數(shù)據(jù)集規(guī)模的增加，這個弊端尤為明顯，便更無法應用于諸如圖像處理等大規(guī) 模聚類問題。 其二是在傳統(tǒng)聚類方法中，如果初始化的時候多采用隨機選取的方式確定初始 聚類中心，就很有可能對聚類結(jié)果的準確性造成較大的影響。為了降低聚類算法對于初 始聚類中心的敏感性，Sheikh， R.H.等人將進化算法加入到聚類過程中，參見Sheikh， R. H. ， Raghuwanshi， M. M. ， Jaiswal， A.N. ， "Genetic Algorithm Based Clustering : A Survey， ，， Emerging Trends in Engineering and Technology, ICETET ' 08. Firstlnternational Conference on 16-18 July 2008， pp.314-319，2008。 進化算 法是一種并行的搜索技術(shù)，可以解決傳統(tǒng)聚類方法對初始聚類中心敏感的缺點，并且提 高其收斂到全局最優(yōu)解的概率。也有一部分學者對于聚類算法初始值選取作了研究， 參 見Zhang， Chen， Xia， Shixiong，"K-means Clustering Algorithm with Improved InitialCenter， ，， IEEE Knowledge Discovery and Data Mining, Second International Workshopon 23-25 Jan. 2009 pp. 790-792， 2009。但是，進化算法作為一種搜索算法，在對解進行優(yōu)化的過程中容易受到局部最優(yōu)解的干擾而出錯。 由于上述傳統(tǒng)聚類算法存在的缺點對聚類性能有很大的影B向，限制了聚類算法在 圖像分割方面的應用，因此，研究一種行之有效的圖像分割方法是本技術(shù)領(lǐng)域科技人員的 當務之急。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于全局流形原型聚類算 法與分水嶺算法的圖像分割方法，以實現(xiàn)在圖像分割中既能得到良好的結(jié)果，又能降低傳 統(tǒng)聚類分割方法對初始聚類中心的敏感度，使得圖像聚類分割結(jié)果更穩(wěn)定、邊緣更平滑、區(qū) 域一致性更好。 本發(fā)明的技術(shù)方案是將流形距離引入聚類算法中以達到更好的聚類性能，并針對 圖像處理此類大規(guī)模問題設(shè)計了先粗分，再細分的分割方法，提出了基于原型的聚類方法 解決流形距離計算復雜度高的問題，以圖像的離散小波變換子帶能量為聚類數(shù)據(jù)，得到新 的圖像分割方法。其具體實現(xiàn)過程如下 (1)設(shè)定聚類終止條件e為10—^給定分水嶺標記閾值T、流形距離伸縮因子P運 行參數(shù)； (2)輸入待分割圖像，使用標記分水嶺算法對其進行粗分割； (3)提取待分割圖像離散小波三層變換的子帶能量，作為待分割圖像的特征向量，
并將粗分割圖像中每個圖像小塊內(nèi)點的小波特征中值作為該圖像塊的特征； (4)以圖像塊的特征為待處理數(shù)據(jù)，依次選取令聚類誤差最小的K個待處理數(shù)據(jù)
點作為初始聚類中心，K為聚類類數(shù)； (5)計算任意兩個待處理數(shù)據(jù)點間的流形距離； (6)以待處理數(shù)據(jù)間的流形距離作為相似性度量對待處理數(shù)據(jù)進行聚類； (7)將每類中的所有待處理數(shù)據(jù)點分別作為該類的聚類中心，計算類內(nèi)距離和，選
取使類內(nèi)距離和最小的待處理數(shù)據(jù)點，作為該類新的聚類中心； (8)將當前新的聚類與上次聚類相比，求取聚類誤差的變化率，若該變化率未達到 聚類終止條件e，返回步驟(6)，否則，將當前次聚類結(jié)果作為最終聚類結(jié)果，進行步驟(9);
(9)由待處理數(shù)據(jù)的最終聚類結(jié)果得到待分割圖像的分割結(jié)果，并將分割結(jié)果圖 輸出。 本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點 1、本發(fā)明由于采用分水嶺算法對圖像進行粗分割，再使用聚類算法細分割，降低 了計算量； 2、本發(fā)明由于采用以圖像塊的特征為待處理數(shù)據(jù)，依次選取令聚類誤差最小的K
個待處理數(shù)據(jù)點作為初始聚類中心，由此選出的初始聚類中心具有全局特性，因而克服了
傳統(tǒng)聚類算法的初始化敏感問題，提升了聚類算法的穩(wěn)定性和聚類性能； 3、本發(fā)明由于引入流形距離作為聚類算法的相似性度量，更準確的反映出數(shù)據(jù)的
分布特點，并設(shè)計了相應的聚類中心更新規(guī)則，縮減了計算量。


圖1是本發(fā)明實現(xiàn)步驟的流程框圖； 圖2是本發(fā)明更新聚類中心的子流程框圖； 圖3是流形距離與歐式距離的示意圖； 圖4是350 X 350的待分割SAR圖像； 圖5是用本發(fā)明方法對圖4進行圖像分割得到的仿真實驗結(jié)果圖； 圖6是用現(xiàn)有遺傳聚類算法對圖4進行圖像分割得到的仿真實驗結(jié)果圖； 圖7是用現(xiàn)有K均值算法對圖4進行圖像分割得到的仿真實驗結(jié)果圖。
具體實施例方式參照圖l，本發(fā)明的具體實現(xiàn)步驟如下
步驟1、給定運行參數(shù)，設(shè)定算法終止條件。 所述的運行參數(shù)包括聚類類數(shù)K、聚類終止條件e、分水嶺標記閾值T和流形距離 伸縮因子P 。其中 聚類類數(shù)K需要依據(jù)具體處理的圖像而定，參考待分割圖像的特點，期望將其分 割為多少類，K便設(shè)為多少。 聚類終止條件e采用在連續(xù)兩次迭代中聚類誤差都沒有明顯改善時終止的方法， e設(shè)為10—1Q。 分水嶺標記閾值T決定了分水嶺變換后的粗分割圖像塊個數(shù)，太小會導致過分 割，太大則分割不精確，這里取為6。 流形距離伸縮因子P用來控制數(shù)據(jù)點的疏密程度，使距離近的數(shù)據(jù)點彼此更接 近，距離遠的數(shù)據(jù)點彼此更疏遠，根據(jù)圖像數(shù)據(jù)特點，P設(shè)為3。
步驟2、對圖像使用標記分水嶺算法進行粗分割。 標記分水嶺算法是一種基于內(nèi)外標記的形態(tài)學分割算法，按如下步驟進行
2a)對待分割圖像進行中值濾波和形態(tài)學開_閉濾波；
2b)求濾波后待分割圖像的梯度圖； 2c)選取濾波后待分割圖像的內(nèi)部標記尋找濾波后圖像的局部最小值區(qū)域，局 部最小值區(qū)域是指灰度值在一個灰度范圍內(nèi)，即在閾值T內(nèi)的連續(xù)區(qū)域，且此區(qū)域附近的 像素灰度值均大于這個區(qū)域內(nèi)的像素灰度值； 2d)選取濾波后待分割圖像的外部標記本發(fā)明所選取的外部標記是內(nèi)部標記的 分水嶺變換； 2e)修正濾波后待分割圖像的梯度利用強制最小技術(shù)，對濾波后圖像梯度圖的 值進行修正，忽略梯度圖上與內(nèi)部標記不重合的局部最小值，使梯度圖上的局部最小區(qū)域 僅出現(xiàn)在內(nèi)部標記位置上； 2f)對修正后的梯度圖進行分水嶺變換，得到待分割圖像的粗分割結(jié)果。
步驟3、提取待分割圖像粗分割后的特征。 首先，提取待分割圖像離散小波三層變換的子帶能量f，作為待分割圖像像素點的 特征向量，ftht表示特征向量的維數(shù)，本實例為離散小波三層變換，故t = 10， 子帶能量為<formula>formula see original document page 7</formula> 其中，MXN為子帶大小，(i，j)表示子帶系數(shù)的索引，x(i，j)表示該子帶中第i行 第j列的系數(shù)值。 然后，求粗分割圖像中每個圖像小塊內(nèi)像素點的特征向量中值，將其作為該圖像 塊的特征向量。 步驟4、以圖像塊的特征為待處理數(shù)據(jù)，依次選取令聚類誤差最小的K個待處理數(shù) 據(jù)點作為初始聚類中心。 4a)由一類聚類c = l，c-K開始，從數(shù)據(jù)集X二 中選擇與該數(shù)據(jù)集 的中心最接近的數(shù)據(jù)點Xn，作為一類初始聚類中心，其中N為樣本個數(shù)；
4b)對c值加l，將N個數(shù)據(jù)點序列(Xil，xi2，... ，xi(c—d，Xi)，i = 1，2，... ，N分別 作為c類聚類的初始聚類中心，計算聚類誤差Ei的上限Ei《E-bi，其中E是c類聚類的聚
類誤差，h用來測量聚類誤差下降量A -tmax^" -|x, -x」f，0) ， d?！?為數(shù)據(jù)點Xj與其
所屬的聚類中心的距離平方，選取使Ei最小、或使bi最大的數(shù)據(jù)點Xi。作為新聚類的初始化 中心，并將其與c-1類聚類的初始聚類中心合并，得到c類聚類的最優(yōu)初始聚類中心(Xil，
<formula>formula see original document page 7</formula> 4c)判斷c與K是否相等，若相等，將數(shù)據(jù)點序列(Xil， xi2， . . . ， xi(e—d， xie)作為所 求K類聚類的初始聚類中心，否則，返回步驟4b)。
步驟5、計算任意兩點間的流形距離。 5a)計算數(shù)據(jù)點對Xi與Xj間的歐氏距離ED(Xi， Xj)，以圖3為例，數(shù)據(jù)點對a與e 間的歐式距離ED(a， e) = ^， ^為a與e間的線段長度； 5b)計算數(shù)據(jù)點對Xi與xj間流形上的線段長度"x,, x》=//D(x''~} -1 ，其中， ED(Xi， Xj)為Xi與Xj之間的歐氏距離，P > 1為伸縮因子；
5c)按下式計算數(shù)據(jù)點對Xi與Xj間的流形距離 <formula>formula see original document page 7</formula> p = {Pl， p2，， Pl} G V表示加權(quán)無向圖G = (V， E)上的一條連接點Pl與Pl的 路徑，V為G的頂點集合，V = {Xl， . . . ， xN} ， i = 1，2， . . . ， N， E = {Wd為G的邊集合，表 示每一對數(shù)據(jù)點間的流形上的線段長度，(Pk，Pk+1)是連接點Pk與Pka的邊，(Pk，Pk+1) G E， 1《k < 1-1， Pi, j表示連接數(shù)據(jù)點Xi與Xj的所有路徑的集合。 流形距離可以測量沿著流形上的最短路徑，使位于同一流形上的兩點可以用許多 較短的邊相連接，而位于不同流形上的兩點要用較長的邊相連接，實現(xiàn)放大位于不同流形 上的數(shù)據(jù)點間的距離，縮短位于同一流形上的數(shù)據(jù)點間的距離的目的。以圖3為例，數(shù)據(jù)點 對a與e間的流形距離D (a， e) = ^+^+召+:。
步驟6、將待處理數(shù)據(jù)以流形距離進行聚類。 待處理數(shù)據(jù)聚類的過程為比較序列(D1，D2，...，DK)中各元素的大小，D,，q二 1， 2，. . . ，K為數(shù)據(jù)點Xi， i = 1，2，. . . ，N到第q個聚類中心的流形距離，選出序列中的最小值 為D，，將數(shù)據(jù)點Xi歸為第qm類。
步驟7、更新聚類中心。 參照圖2，更新第g類聚類中心的過程實現(xiàn)如下 將每類中的所有數(shù)據(jù)點分別作為該類的聚類中心，按下式計算類內(nèi)距離和 Ag=2X (3)
產(chǎn)i 其中，Dig， g = 1， . . . ， K表示以第g類的第i個數(shù)據(jù)作為該類聚類中心得到的類 內(nèi)距離和，表示第i個數(shù)據(jù)點與第j個數(shù)據(jù)點之間的流形距離，ng表示第g個聚類的大 ??； 選取使Dig最小的待處理數(shù)據(jù)點xig作為第g類新的聚類中心。
步驟8、判斷是否達到終止條件。 將當前新的聚類與上次聚類相比，求取聚類誤差的變化率，若該變化率未達到聚 類終止條件e，返回步驟(6)，其中e設(shè)為10—1Q，否則，將當前次聚類結(jié)果作為最終聚類結(jié)果， 進行步驟(9)。 步驟9、由待處理數(shù)據(jù)的最終聚類結(jié)果得到待分割圖像的分割結(jié)果，并將分割結(jié)果 圖輸出。 本發(fā)明的效果可通過以下仿真進一步說明
1.仿真條件及仿真內(nèi)容 本實例在Intel (R) Core (TM) 2 Duo CPU 2.33GHz Windows XP系統(tǒng)下，
Matlab7. O運行平臺上，完成本發(fā)明以及遺傳聚類方法(Genetic Algorithm-based
Clusteringtechnique， GAC)和K均值方法(k-means， KM)的圖像分割仿真實驗。 2.仿真實驗內(nèi)容 A.本發(fā)明圖像分割方法的仿真 將本發(fā)明應用在如圖4所示350X350的SAR圖像上，該SAR圖像可以大致分為建 筑、跑道和土地三大區(qū)域，故K設(shè)為3。圖5為用本發(fā)明方法對圖4進行圖像分割得到的仿 真實驗結(jié)果圖，白色區(qū)域代表建筑，灰色區(qū)域代表土地，黑色區(qū)域代表跑道。
B.現(xiàn)有GAC和KM圖像聚類分割方法的仿真 將現(xiàn)有的遺傳聚類方法應用在如圖4所示350X350的SAR圖像上，仿真實驗結(jié)果
如圖6所示，其中白色區(qū)域代表建筑，灰色區(qū)域代表土地，黑色區(qū)域代表跑道。 將現(xiàn)有的K均值方法應用在如圖4所示350X350的SAR圖像上，仿真實驗結(jié)果如
圖7所示，其中白色區(qū)域代表建筑，灰色區(qū)域代表土地，黑色區(qū)域代表跑道。 3.仿真實驗結(jié)果 從圖5可以看出，本發(fā)明得到的仿真實驗結(jié)果有較好的主觀視覺效果，錯誤分割 出現(xiàn)較少，邊緣平滑清晰，區(qū)域一致性高，尤其對于圖4中的重要信息——跑道主干部分分 割比較準確。本發(fā)明對圖4的仿真實驗用時僅為30. 693秒。 從圖6可以看出，現(xiàn)有遺傳聚類方法得到的仿真實驗結(jié)果主觀視覺效果較差，錯 誤分割嚴重，邊緣模糊不清，區(qū)域一致性低，無法準確區(qū)分圖4中的三類區(qū)域。遺傳聚類方 法對圖4的仿真實驗用時多達99. 847秒。 從圖7可以看出，現(xiàn)有K均值方法得到的仿真實驗結(jié)果主觀視覺效果優(yōu)于遺傳聚 類算法得到的仿真實驗結(jié)果，區(qū)域一致性較好，但與本發(fā)明得到的仿真實驗結(jié)果相比，錯誤分割較為嚴重，邊緣不夠平滑準確。K均值算法對圖4的仿真實驗用時為32. 618秒。
由以上的仿真實驗可以說明，針對SAR圖像的分割，本發(fā)明存在一定的優(yōu)勢，克服 了現(xiàn)有KM和GAC聚類分割技術(shù)應用在SAR圖像上的不足，不論是視覺效果還是分割時間， 本發(fā)明均優(yōu)于現(xiàn)有的GAC和KM聚類分割技術(shù)。 綜上所述，本發(fā)明針對SAR圖像的分割效果明顯優(yōu)于現(xiàn)有的KM和GAC聚類分割技 術(shù)對SAR圖像的分割效果。
權(quán)利要求
一種基于全局流形原型聚類算法與分水嶺算法的SAR圖像分割方法，包括如下步驟(1)設(shè)定聚類終止條件e為10-10，給定分水嶺標記閾值T、流形距離伸縮因子ρ運行參數(shù)；(2)輸入待分割圖像，使用標記分水嶺算法對其進行粗分割；(3)提取待分割圖像離散小波三層變換的子帶能量，作為待分割圖像的特征向量，并將粗分割圖像中每個圖像小塊內(nèi)點的小波特征中值作為該圖像塊的特征；(4)以圖像塊的特征為待處理數(shù)據(jù)，依次選取令聚類誤差最小的K個待處理數(shù)據(jù)點作為初始聚類中心，K為聚類類數(shù)；(5)計算任意兩個待處理數(shù)據(jù)點間的流形距離；(6)以待處理數(shù)據(jù)間的流形距離作為相似性度量對待處理數(shù)據(jù)進行聚類；(7)將每類中的所有待處理數(shù)據(jù)點分別作為該類的聚類中心，計算類內(nèi)距離和，選取使類內(nèi)距離和最小的待處理數(shù)據(jù)點，作為該類新的聚類中心；(8)將當前新的聚類與上次聚類相比，求取聚類誤差的變化率，若該變化率未達到聚類終止條件e，返回步驟(6)，否則，將當前次聚類結(jié)果作為最終聚類結(jié)果，進行步驟(9)；(9)由待處理數(shù)據(jù)的最終聚類結(jié)果得到待分割圖像的分割結(jié)果，并將分割結(jié)果圖輸出。
2. 根據(jù)權(quán)利要求1所述的基于全局流形原型聚類算法與分水嶺算法的圖像分割方法， 其中步驟(1)所述的運行參數(shù)，包括分水嶺算法中選取內(nèi)部標記時的閾值T，流形距離中的 伸縮因子P > 1，其中T設(shè)為6， P設(shè)為3。
3. 根據(jù)權(quán)利要求1所述的基于全局流形原型聚類算法與分水嶺算法的圖像分割方法， 其中步驟(2)所述的使用標記分水嶺算法對其進行粗分割，按如下步驟進行(3a)對待分割圖像進行中值濾波和形態(tài)學開-閉濾波； (3b)求濾波后待分割圖像的梯度圖；(3c)選取待分割圖像中灰度值范圍在閾值T內(nèi)的局部最小值作為內(nèi)部標記；(3d)以內(nèi)部標記的分水嶺變換作為外部標記；(3e)對待分割圖像梯度圖的梯度值進行修正，使梯度圖上的局部最小區(qū)域僅出現(xiàn)在內(nèi) 部標記位置上；(3f)對修正后的梯度圖進行分水嶺變換，得到待分割圖像的粗分割結(jié)果。
4. 根據(jù)權(quán)利要求1所述的基于全局流形原型聚類算法與分水嶺算法的圖像分割方法， 其中步驟(4)所述的以圖像塊的特征為待處理數(shù)據(jù)，依次選取令聚類誤差最小的K個待處 理數(shù)據(jù)點作為初始聚類中心，按如下步驟進行(4a)由一類聚類c二 1，c《K開始，從數(shù)據(jù)集X二 {Xl，...，xN}中選擇與該數(shù)據(jù)集的 中心最接近的數(shù)據(jù)點Xn，作為一類初始聚類中心，其中N為樣本個數(shù)；(4b)對c值加l，將N個數(shù)據(jù)點序列(Xil， xi2， . . . ， xifc—d， Xi) ， i = 1，2， . . . ， N分別作 為c類聚類的初始聚類中心，計算該初始聚類中心的聚類誤差與c-1類聚類相比的下降量， 并將下降量最大的數(shù)據(jù)點xie與c-1類聚類的初始聚類中心合并，得到c類聚類的最優(yōu)初始聚類中心(Xn， Xi2， ， Xi(c—d， Xic);(4c)判斷c與K是否相等，若相等，將數(shù)據(jù)點序列(Xil，xi2，...，Xi(。—d，&。)作為所求K 類聚類的初始聚類中心，否則，返回步驟(4b)。
5.根據(jù)權(quán)利要求1所述的基于全局流形原型聚類算法與分水嶺算法的圖像分割方法， 其中步驟(5)所述的計算任意兩個待處理數(shù)據(jù)點間的流形距離，按如下歩驟進行(5a)計算所有數(shù)據(jù)點對Xi與Xj間的歐氏距離ED(Xi， Xj);(5b)計算所有數(shù)據(jù)點對Xi與Xj間流形上的線段長度<formula>formula see original document page 3</formula>(5c)選取Xi與Xj間流形上線段長度和最小的一條通路，該線段長度之和即為Xi與x」 間的流形距離。
全文摘要
本發(fā)明公開一種基于全局流形原型聚類算法與分水嶺算法的SAR圖像分割方法，主要解決現(xiàn)有聚類分割方法計算量大和分割結(jié)果不穩(wěn)定的問題。其實現(xiàn)步驟為(1)設(shè)定終止條件，給運行參數(shù)；(2)輸入待分割圖像，對其進行粗分割；(3)提取粗分割后得到的圖像塊的特征；(4)以圖像塊的特征為待處理數(shù)據(jù)，選取初始聚類中心；(5)計算任意兩個待處理數(shù)據(jù)點間的流形距離；(6)以待處理數(shù)據(jù)間的流形距離作為相似性度量對待處理數(shù)據(jù)進行聚類；(7)更新聚類中心；(8)判斷是否達到終止條件，未達到則返回步驟(6)，否則，輸出分割結(jié)果圖。本發(fā)明具有用時短，分割結(jié)果準確、穩(wěn)定的優(yōu)點，可用于圖像增強、模式識別、目標跟蹤等技術(shù)領(lǐng)域中。
文檔編號G06T7/00GK101710422SQ200910219449
公開日2010年5月19日 申請日期2009年12月11日 優(yōu)先權(quán)日2009年12月11日
發(fā)明者公茂果, 劉芳, 張向榮, 李陽陽, 焦李成, 王爽, 金曉慧, 馬萌 申請人:西安電子科技大學