【
技術(shù)領(lǐng)域：
】本發(fā)明涉及利用改進模糊聚類算法提取灰度不均勻紅外行人的方法，模糊聚類技術(shù)和圖像分割技術(shù)在圖像應(yīng)用領(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)：
：圖像分割是指根據(jù)圖像的灰度、紋理、顏色等特征將原始圖像劃分為互不重疊的區(qū)域。并且同一區(qū)域內(nèi)具有相似的性質(zhì)，不同區(qū)域之間則具有明顯的差異。圖像分割往往被作為圖像處理和分析的預(yù)處理。沒有正確的分割就不可能有正確的識別。準確的檢測和識別需要以準確有效的分割為基礎(chǔ)。因此，快速、有效且準確的圖像分割算法將會有重要的應(yīng)用意義。圖像分割方法根據(jù)原理不同大致可分為以下幾類：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等。紅外圖像能夠近似反映出圖像中目標和背景的溫度差異，由于其可全天候工作且能夠克服視覺障礙而探測目標的優(yōu)點，紅外圖像在圖像處理領(lǐng)域得到了廣泛應(yīng)用。但紅外圖像往往缺乏較好的對比度和分辨率，圖像邊緣較為模糊，過渡性較強，目標與背景之間界限不明顯。同時由于遮擋和散熱不均等原因，灰度不均勻也是紅外圖像中常見的現(xiàn)象，這對于紅外行人分割具有極大的影響。模糊聚類是一種基于目標函數(shù)優(yōu)化的數(shù)據(jù)聚類方法，在圖像分割領(lǐng)域得到了廣泛應(yīng)用。在模糊聚類方法中，數(shù)據(jù)點并不是硬性的劃分到某一類，而是以不同的程度屬于多類。因此，針對紅外圖像中過渡明顯和不確定性高的特點，采用模糊聚類的方法對紅外圖像進行分割具有一定的優(yōu)勢。模糊聚類算法在圖像分割領(lǐng)域已經(jīng)得到了廣泛的應(yīng)用。其中最經(jīng)典的算法是模糊c均值算法，模糊c均值(fcm)算法(參見文獻：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，1973,3(3):32-57.(j.c.dunn.afuzzyrelativeoftheisodataprocessanditsuseindetectingcompactwell-separatedclusters[j].journalofcybernetics,1973,3(3):32-57.))由j.c.鄧恩最先提出并經(jīng)貝茲德克推廣，是一種基于目標函數(shù)優(yōu)化的數(shù)據(jù)聚類算法。但該算法中并未考慮空間信息，因此對噪聲敏感，對于含噪圖像不能夠取得很好的分割結(jié)果。針對此問題，研究者提出了許多引入了空間信息的改進模糊聚類算法。例如艾哈邁德等人通過引入正則項來考慮鄰域信息提出的fcm_s算法(參見文獻：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得改進模糊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,andt.moriarty,“amodifiedfuzzyc-meansalgorithmforbiasfieldestimationandsegmentationofmridata,”ieeetrans.med.imag.,vol.21,pp.193–199,2002.))；在fcm_s的基礎(chǔ)上，陳松燦和張道強將均值濾波和中值濾波方法引入到算法中進一步提出了fcm_s1和fcm_s2算法(參見文獻：陳松燦，張道強.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.chenandd.zhang,“robustimagesegmentationusingfcmwithspatialconstraintsbasedonnewkernel-induceddistancemeasure,”ieeetrans.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，該算法引入了新的鄰域信息因子，同時避免了參數(shù)選擇問題，使算法魯棒性更好。(參見文獻：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.krinidisandv.chatzis,arobustfuzzylocalinformationc-meansclusteringalgorithm,ieeetrans.imag.process.,vol.19,no.5,pp.1328–1337,may2010.))；除此之外，劉國英等人將區(qū)域信息引入到fcm算法來改善fcm算法的分割結(jié)果(參見文獻：劉國英，張云，王愛民.一種結(jié)合區(qū)域空間信息的改進模糊聚類算法用于圖像分割.美國電氣電子工程師學(xué)會圖像處理匯刊，3990-4000,2015年11月.(guoyingliu,yunzhang,andaiminwang,incorporatingadaptivelocalinformationintofuzzyclusteringforimagesegmentation,ieeetrans.imag.process.,vol.24,no.11,pp.3990-4000,novermber2015))，等等。上述改進算法在抗噪性和分割結(jié)果方面都取得了一定的改善，但也存在一定的問題。由于遮擋或散熱不均等原因，灰度不均勻是紅外圖像中的常見的缺陷，會嚴重影響紅外行人目標的分割效果。針對此問題，為了能夠有效地提取出行人目標，本發(fā)明提出了一種使用改進模糊聚類算法提取灰度不均勻紅外行人的方法。技術(shù)實現(xiàn)要素：1、目的：模糊聚類方法在圖像分割領(lǐng)域已得到了廣泛應(yīng)用，但由于該算法未考慮空間信息對噪聲敏感的缺點，因此對于含噪圖像模糊聚類算法往往不能得到正確的聚類結(jié)果。而在紅外圖像中，灰度不均勻區(qū)域從一定程度上來說可視為“噪聲”，因此，模糊c均值算法并不能很好地處理灰度不均勻問題。同時，紅外圖像中灰度不均勻問題導(dǎo)致傳統(tǒng)的圖像分割算法無法成功提取紅外行人目標，對于灰度不均勻紅外行人進行分割時易產(chǎn)生“破碎”問題。針對紅外圖像中行人灰度不均勻的問題，本發(fā)明提出了利用改進模糊聚類算法提取灰度不均勻紅外行人的方法，該方法首先以像素點隸屬度和圖像本身灰度特征兩方面為基礎(chǔ)，對同一像素點的不同類的隸屬度賦予不同的權(quán)重；其次，在目標函數(shù)中加入正則項以考慮像素點和鄰域的相似性和像素點和聚類中心的相似性。同時對于鄰域窗口尺寸進行了擴展，以考慮更多鄰域信息。改進算法中充分考慮了隸屬度信息和鄰域信息，因此對于灰度不均勻的紅外行人分割，分割結(jié)果取得了明顯的改善。2、技術(shù)方案：為了實現(xiàn)這個目的，本發(fā)明的技術(shù)方案如下，首先利用顯著性算法確定紅外行人在紅外圖像中的大致區(qū)域。再使用改進的模糊聚類算法對紅外行人區(qū)域進行聚類分割。最后，通過行人長寬比限制剔除非行人區(qū)域。改進算法中充分考慮了隸屬度信息和鄰域信息，因此分割質(zhì)量得到了明顯提高。本發(fā)明是一種利用改進模糊聚類算法提取灰度不均勻紅外行人的方法，該方法具體步驟如下：步驟一：確定行人大致區(qū)域。采用顯著性算法得到紅外圖像的顯著圖，通過對顯著圖進行閾值分割得到行人大致位置。其中，步驟一具體包括如下步驟：1.1采用侯曉迪和喬納森·哈雷爾等人提出的基于圖像簽名的顯著性方法產(chǎn)生紅外圖像的顯著圖(參見文獻：侯曉迪，喬納森·哈雷爾，克里斯托弗·科赫.圖像簽名:突出稀疏顯著區(qū)域.美國電氣電子工程師學(xué)會模式分析與機器智能匯刊.34(1)2012,194-201.(x.d.hou,j.harel,c.koch,imagesignature:highlightingsparsesalientregions,ieeetrans.patternanal.mach.intell.34(1)(2012)194–201.))，該方法提取顯著圖的過程中所用的梯度算子為sobel算子。1.2采用大津閾值法對顯著圖分割，分割結(jié)果為二值圖像。根據(jù)分割結(jié)果中不為0的區(qū)域確定紅外行人在原圖中的大致區(qū)域，得到行人區(qū)域的圖像，即待分割區(qū)域。步驟二：采用改進的模糊聚類算法對紅外圖像進行聚類分割。改進的模糊聚類算法目標函數(shù)如下：其中目標函數(shù)中各參數(shù)含義如表1所示：表1參數(shù)定義n像素點總數(shù)j像素點位置坐標c類別總數(shù)i類別序數(shù)uij第j個像素點相對于第i類的隸屬度vi第i類的聚類中心m模糊因子wij權(quán)重系數(shù)xj第j個像素點的像素值xr鄰域像素點nj當前像素點的鄰域βr鄰域相似系數(shù)fr空間距離權(quán)重系數(shù)權(quán)重系數(shù)wij的計算過程如下：wij＝(mij×gij)/zmij為隸屬度約束，gij為圖像灰度特征約束，z為歸一化常數(shù)。mij，gij及z的計算過程如下：mij＝exp(-(ui1×ui2+ui3×ui4))gij＝1-exp(-ij×gi)1/igi＝exp(-ai2)ui1ui3ui4ui2其中，ui1，ui2，ui3和ui4代表4鄰域中鄰域像素點對于第i類的隸屬度，nj代表當前像素點的鄰域，xr為鄰域像素點，ai為所有屬于第i類的像素點的灰度均值，z起到歸一化作用。fr和βr的計算過程定義如下：其中，srj表示鄰域像素點xr與中心像素點xj的空間距離，nr為鄰域像素點xr的鄰域，xrn為nr中的像素點。因此，可以推導(dǎo)出，xr與xj的空間距離越小，相似性越大，則fr和βr越大，即鄰域像素點對中心像素點的影響越大?？赏茖?dǎo)得隸屬度矩陣和聚類中心的迭代公式為：其中vk代表第k類的聚類中心。改進算法步驟為：2.1定義c為分類類別數(shù)，t為最大迭代次數(shù)，ε為迭代停止閾值。2.2對隸屬度u和聚類中心v進行初始化。2.3根據(jù)計算公式更新權(quán)重系數(shù)wij的值。2.4由迭代公式計算聚類中心和隸屬度矩陣，計算目標函數(shù)j的值。2.5若|j(t+1)-j(t)|＜ε，則停止迭代，進行步驟2.6；否則繼續(xù)進行步驟2.4，直至滿足迭代停止條件。其中j代表計算得到的目標函數(shù)的值，t代表迭代次數(shù)。2.6去模糊化，完成紅外圖像行人分割。步驟三：為了提取紅外行人目標，需要對聚類結(jié)果進行后續(xù)處理：剔除非行人目標區(qū)域。聚類結(jié)果為二值圖像，計算二值圖像中每個連通域的長寬比，剔除長寬比不符合行人長寬比范圍的連通域。行人長寬比范圍設(shè)定為1～4。3、優(yōu)點及功效：模糊c均值算法未考慮空間信息，不能很好地處理含噪圖像，對于含噪圖像無法得到正確的分割結(jié)果?；叶炔痪鶆蚴羌t外圖像中常見的現(xiàn)象，相對于紅外圖像中行人的高亮區(qū)域，灰度不均勻區(qū)域可視為噪聲，傳統(tǒng)的模糊c均值算法不能夠很好地處理該問題，因此，有時不能得到理想的分割結(jié)果。本發(fā)明提出的改進模糊聚類算法中從隸屬度信息和圖像本身灰度特征兩個方面對像素點的分類進行了約束，在目標函數(shù)中加入正則項以考慮像素點和鄰域的相似性和像素點和聚類中心的相似性。同時，對于鄰域窗口尺寸進行了擴展，以考慮更多鄰域信息。改進算法中充分考慮了隸屬度信息和鄰域信息，因此能夠較好地分割灰度不均勻紅外行人目標。具有廣闊的市場前景與應(yīng)用價值?！靖綀D說明】圖1為本發(fā)明使用改進的模糊聚類算法提取灰度不均勻紅外行人的方法原理框圖。圖2a是本發(fā)明確定紅外圖像中行人大致區(qū)域過程的原圖。圖2b是本發(fā)明確定紅外圖像中行人大致位置過程中產(chǎn)生的顯著圖。圖2c是本發(fā)明利用顯著性確定的行人區(qū)域，即待分割區(qū)域。圖2d是本發(fā)明利用顯著性確定的行人區(qū)域，即待分割區(qū)域。圖3a是本發(fā)明應(yīng)用于紅外圖像的分割結(jié)果的原圖。圖3b是本發(fā)明應(yīng)用于紅外圖像的分割結(jié)果的原圖。圖3c是本發(fā)明應(yīng)用于紅外圖像的分割結(jié)果的聚類結(jié)果圖圖3d是本發(fā)明應(yīng)用于紅外圖像的分割結(jié)果的聚類結(jié)果圖圖4a是本發(fā)明后續(xù)處理過程所用的聚類結(jié)果圖。圖4b是本發(fā)明后續(xù)處理過程所用的聚類結(jié)果圖。圖4c是本發(fā)明后續(xù)處理過程所用的最終分割結(jié)果圖。圖4d是本發(fā)明后續(xù)處理過程所用的最終分割結(jié)果圖。圖5a是本發(fā)明用于提取灰度不均勻紅外行人的原圖。圖5b是本發(fā)明用于提取灰度不均勻紅外行人的原圖。圖5c是本發(fā)明用于提取灰度不均勻紅外行人的原圖。圖5d是本發(fā)明用于提取灰度不均勻紅外行人的原圖。圖5e是本發(fā)明用于提取灰度不均勻紅外行人的最終結(jié)果。圖5f是本發(fā)明用于提取灰度不均勻紅外行人的最終結(jié)果。圖5g是本發(fā)明用于提取灰度不均勻紅外行人的最終結(jié)果。圖5h是本發(fā)明用于提取灰度不均勻紅外行人的最終結(jié)果?！揪唧w實施方式】為了更好地理解本發(fā)明的技術(shù)方案，以下結(jié)合附圖對本發(fā)明的實施方式作進一步描述。本發(fā)明的原理框圖如圖1所示，本發(fā)明的具體實施步驟如下：步驟一：使用顯著性檢測算法確定紅外圖像中行人所在區(qū)域作為待分割區(qū)域，具體步驟如下：1)本發(fā)明采用侯曉迪和喬納森·哈雷爾等人提出的基于圖像簽名的顯著性方法產(chǎn)生紅外圖像的顯著圖(參見文獻：侯曉迪，喬納森·哈雷爾，克里斯托弗·科赫.圖像簽名:突出稀疏顯著區(qū)域.美國電氣電子工程師學(xué)會模式分析與機器智能匯刊.34(1)2012,194-201.(x.d.hou,j.harel,c.koch,imagesignature:highlightingsparsesalientregions,ieeetrans.patternanal.mach.intell.34(1)(2012)194–201.))，該方法提取顯著圖的過程中所用的梯度算子為sobel算子。2)采用大津閾值法對顯著圖分割，分割結(jié)果為二值圖像。根據(jù)分割結(jié)果中不為0的區(qū)域確定紅外行人在原圖中的大致區(qū)域，得到行人區(qū)域的圖像，即待分割區(qū)域。圖2a為原圖，圖2b為對應(yīng)的顯著圖，圖2c為得到的行人區(qū)域圖，即待分割區(qū)域。圖2d為得到的行人區(qū)域圖，即待分割區(qū)域。步驟二：采用改進的模糊聚類算法對紅外圖像進行聚類分割。改進模糊聚類算法目標函數(shù)如下：目標函數(shù)中各參數(shù)含義如表2所示：表2參數(shù)定義n像素點總數(shù)j像素點位置坐標c類別總數(shù)i類別序數(shù)uij第j個像素點相對于第i類的隸屬度vi第i類的聚類中心m模糊因子wij權(quán)重系數(shù)xj第j個像素點的像素值xr鄰域像素點nj當前像素點的鄰域βr鄰域相似系數(shù)fr空間距離權(quán)重系數(shù)權(quán)重系數(shù)wij的計算過程如下：wij＝(mij×gij)/zmij為隸屬度約束，gij為圖像灰度特征約束，z為歸一化常數(shù)。mij，gij及z的計算過程如下：mij＝exp(-(ui1×ui2+ui3×ui4))gij＝1-exp(-ij×gi)1/igi＝exp(-ai2)ui1ui3ui4ui2其中，ui1，ui2，ui3和ui4代表4鄰域中鄰域像素點對于第i類的隸屬度，nj代表當前像素點的鄰域，xr為鄰域像素點，ai為所有屬于第i類的像素點的灰度均值，z起到歸一化作用。fr和βr的計算過程定義如下：其中，srj表示鄰域像素點xr與中心像素點xj的空間距離，nr為鄰域像素點xr的鄰域，xrn為nr中的像素點。因此，可以推導(dǎo)出，xr與xj的空間距離越小，相似性越大，則fr和βr越大，即鄰域像素點對中心像素點的影響越大。可推導(dǎo)得隸屬度矩陣和聚類中心的迭代公式為：其中k表示類別序數(shù)，vk代表第k類的聚類中心。改進算法步驟為：2.1定義c為分類類別數(shù)，t為最大迭代次數(shù)，ε為迭代停止閾值。2.2對隸屬度u和聚類中心v進行初始化。2.3根據(jù)計算公式更新權(quán)重系數(shù)wij的值。2.4由迭代公式計算聚類中心和隸屬度矩陣，計算目標函數(shù)j的值。2.5若|j(t+1)-j(t)|＜ε，則停止迭代，進行步驟2.6；否則繼續(xù)進行步驟2.4，直至滿足迭代停止條件。其中j代表計算得到的目標函數(shù)的值，t代表迭代次數(shù)。2.6去模糊化，完成紅外圖像行人分割。圖3給出了原圖和聚類結(jié)果圖。圖3a是本發(fā)明應(yīng)用于紅外圖像的分割的原圖。圖3b是本發(fā)明應(yīng)用于紅外圖像的分割的原圖。從圖2c中可看出，顯著性確定的區(qū)域并不一定只包含行人，從圖3c和圖3d可以看出，聚類結(jié)果為二值圖像，聚類結(jié)果中還含有部分非行人連通域，因此需要對聚類結(jié)果進行后續(xù)處理以提取紅外行人目標。步驟三：為了提取紅外行人目標，需要對聚類結(jié)果進行進一步處理：剔除非行人目標區(qū)域。聚類結(jié)果為二值圖像，計算二值圖像中每個連通域的長寬比，剔除長寬比不符合行人長寬比范圍的連通域。行人長寬比范圍設(shè)定為1～4。圖4給出了后續(xù)處理前后的對比圖。圖4a是后續(xù)處理過程所用的聚類結(jié)果圖。圖4b是后續(xù)處理過程所用的聚類結(jié)果圖。圖4c是續(xù)處理過程的最終分割結(jié)果圖。圖4d是后續(xù)處理過程的最終分割結(jié)果圖。為了展示本發(fā)明的效果，圖5給出了原圖和分割結(jié)果的對比圖，由分割結(jié)果可以看出，采用改進的模糊聚類算法得到的分割結(jié)果能夠成功地提取出紅外行人目標。其中，圖5a是本發(fā)明用于提取灰度不均勻紅外行人的原圖。圖5b是本發(fā)明用于提取灰度不均勻紅外行人的原圖。圖5c是本發(fā)明用于提取灰度不均勻紅外行人的原圖。圖5d是本發(fā)明用于提取灰度不均勻紅外行人的原圖。圖5e是本發(fā)明用于提取灰度不均勻紅外行人的最終結(jié)果。圖5f是本發(fā)明用于提取灰度不均勻紅外行人的最終結(jié)果。圖5g是本發(fā)明用于提取灰度不均勻紅外行人的最終結(jié)果。圖5h是本發(fā)明用于提取灰度不均勻紅外行人的最終結(jié)果。從圖5可看出，選取的圖像中紅外行人具有明顯的灰度不均勻現(xiàn)象，這對于紅外行人的分割具有極大影響。傳統(tǒng)的模糊c均值算法在分割此種紅外行人時易產(chǎn)生“破碎”現(xiàn)象，本發(fā)明提出的算法充分考慮了隸屬度信息、紅外圖像本身灰度特征和鄰域信息，因此能夠很好地抑制灰度不均勻?qū)垲愡^程的影響，從而能夠取得較好的分割結(jié)果。當前第1頁12