[发明专利]基于量子多目标聚类的遥感图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及遥感图像分割技术领域的一种基于量子多目标的聚类分割方法。本发明可用于对光学遥感图像和合成孔径雷达SAR图像的分割以达到目标识别的目的。 

背景技术

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。目前，人们更多采用基于聚类分析的方法来进行图像分割。用基于聚类分析的方法分割图像是将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，从而达到图像分割的目的。 

西安电子科技大学在其专利申请“基于分水岭-量子进化聚类算法的图像分割方法”(专利申请号：200910023515.2，公开号：CN101625755A)中公开了一种分水岭初分割和量子进化聚类相结合的图像分割方法。该方法虽然能够减小普通进化聚类方法容易陷入局部最优对分割结果的影响，但仍存在的不足是，进化过程仅采用一个目标函数，导致该分割方法评价指标单一。此外，由于该方法只提取了小波特征，限制了该方法的细节保持性能及整体分割精度。 

为了更加准确、全面的获取图像分割信息，近几年出现了一些应用多目标聚类方法实现图像分割的技术，使不同目标函数间的互补信息得到更好的结合，达到了更好的分割结果和分割精度。 

西安电子科技大学在其专利申请“基于免疫多目标聚类的图像分割方法”(专利申请号：201010214613.7，公开号：CN101866489A)中公开了一种基于免疫多目标聚类的图像分割方法。该方法首先对传统的免疫克隆方法进行了改进，提出了一种加入局部搜索机制的免疫方法，并对克隆种群规模进行自适应化，然后将其用于图像分割，最后通过PBM指标获得最终的图像分割结果。虽然该方法在区域一致性和边缘保持方面有一定的改善效果，但是该方法仍然存在的不足是，由于采用了过多的进化技术，增加了整个分割过程的计算复杂度，使得分割速度较慢，同时，该方法选取的两 个目标函数不恰当，其中一个目标函数包含了另外一个目标函数，这未能充分体现评价指标的多样性。 

发明内容

本发明针对上述现有技术存在的不足，提出了一种基于量子多目标聚类的遥感图像分割方法。本发明通过量子计算与多目标优化结合的聚类方法来实现遥感图像分割，以解决现有图像分割技术中评价指标单一、计算复杂度高、细节保持性能不好等缺点，提高了图像分割的精度。 

本发明实现上述目的的思路是：在对输入的图像进行特征提取和分水岭分割获得聚类数据后，先采用量子编码获得量子种群，再选取两个互补的目标函数评价聚类性能，然后用非支配排序选择以及量子旋转门进化种群，最后对聚类获得的一组非支配解解码获得类别数和类别标号，并从这组非支配解中选择一个最优个体，最优个体所对应的类别标号作为像素的灰度值，得到图像分割结果。 

本发明的步骤包括如下： 

(1)输入待分割遥感图像 

(2)提取待分割图像特征 

2a)利用小波分解方法获取小波特征向量； 

2b)利用灰度共生矩阵方法提取纹理特征向量； 

2c)用小波特征向量和纹理特征向量表示待分割图像的每一个像素点； 

(3)产生聚类数据 

3a)用待分割图像的膨胀变换减去其腐蚀变换，得到形态梯度图像； 

3b)计算形态梯度图像与自身的点积，得到反映图像边缘的浮点活动图像； 

3c)用分水岭方法初分割浮点活动图像，得到不同的图像块； 

3e)对每一个图像块的所有像素点特征取平均值，获得代表初始聚类数据的每一块的特征值； 

(4)随机产生初始量子种群，完成初始化 

(5)获得二进制种群 

5a)在0到1间产生一个随机数； 

5b)判断随机数与量子种群中个体的幅度值的大小，如果随机数大于个体的幅度值，则二进制种群对应的位置上的值取1，否则取0； 

5c)重复步骤5a)、步骤5b)，直至观测完量子种群的每个个体的每一位，得到 观测后的二进制种群； 

(6)计算个体适应度值：按照紧凑性和连通性两个公式计算种群中的个体的适应度值 

(7)非支配排序选择 

7a)将当前种群和其前一代的种群组成临时种群； 

7b)用非支配排序方法对临时种群中的个体进行排序操作获得个体的支配面值和拥挤距离值；