[发明专利]基于流形距离的两阶段聚类算法的SAR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，涉及图像分割，可用于图像增强、模式识别、目标跟踪等技术领域中。

背景技术

作为图像处理过程中的一个重要步骤，图像分割的主要任务是将输入图像分割为一些不重叠的区域，使同一区域具有相同的属性，不同的区域具有不同的属性。对于图像分割问题，研究者已经提出了很多方法，但是鉴于图像种类多、数据量大、变化多端的特点，迄今为止还没有一种方法能够适用于所有的图像。数据聚类作为一种图像分割的方法，得到了广泛的应用。

聚类作为一种重要的分析数据的方法已在许多领域被广泛关注，它是按照一定的度量准则对数据进行分类的过程。度量准则的选取对聚类结果的影响至关重要，目前的聚类算法多采取欧氏距离作为相似性度量，应用最广泛的是K均值算法。

但是，基于欧氏距离的K均值聚类算法只对空间分布为球形或超球体的数据具有较好的性能，对空间分布复杂的数据聚类效果很差，这是基于欧式距离的相似性度量准则所导致的必然结果。然而，现实中的聚类问题，数据的结构分布复杂，欧氏距离往往无法正确反映。因此，一些研究者将流形距离引入聚类来解决这个问题，比如：Maoguo Gong等人提出了一种密度敏感的流形距离作为聚类的相似性度量，参见Maoguo Gong,Licheng Jiao,Ling Wang,Liefeng Bo,“Density-Sensitive EvolutionaryClustering,”In:Proceedings of the 11th Pacific-Asia Conference on Knowledge Discoveryand Data Mining，PAKDD07.Springer-Verlag,Lecture Notes in Computer Science,LNAI4426,pp.507-514,2007。虽然，以流形距离作为相似性度量准则的聚类算法对于空间分布复杂的数据聚类效果令人满意，然而，计算流形距离的过程中要应用到图论中计算最短距离的方法，其计算复杂度要远远高于欧氏距离的计算复杂度。随着数据集规模的增加，这个弊端尤为明显，使该方法无法应用于诸如图像处理等大规模数据集处理的问题上。

另外，在传统聚类方法中，如果初始化聚类中心的时候采用的是随机选取的方法，就很有可能对聚类结果的准确性造成较大的影响。为了降低聚类算法对于初始聚类中心的敏感性，Sheikh,R.H.等人将进化算法引入到聚类过程中，参见Sheikh,R.H.,Raghuwanshi,M.M.,Jaiswal,A.N.,“Genetic Algorithm Based Clustering:ASurvey，”Emerging Trends in Engineering and Technology，ICETET'08.First InternationalConference on16-18July2008,pp.314-319,2008。进化算法是一种并行的搜索技术，可以解决传统聚类方法对初始聚类中心敏感的缺点，并且提高其收敛到全局最优解的概率。也有一部分学者对于聚类算法初始值选取作了研究，参见Zhang,Chen,Xia,Shixiong,“K-means Clustering Algorithm with Improved Initial Center,”IEEE KnowledgeDiscovery and Data Mining,Second International Workshop on23-25Jan.2009pp.790-792,2009。但是，进化算法作为一种搜索算法，在寻找全局最优解的过程中容易受到局部最优解的干扰而出错。

由于上述传统聚类算法存在的缺点对聚类性能有很大的影响，限制了聚类算法在图像分割方面的应用，因此，研究一种行之有效的图像分割方法是本技术领域科技人员的当务之急。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于流形距离的两阶段聚类算法的SAR图像分割方法，以实现在图像分割中既能得到良好的结果，又能降低传统聚类分割方法对初始聚类中心的敏感度，使得图像聚类分割结果更稳定、边缘更平滑、区域一致性更好。