[发明专利]基于多阈值和自适应模糊聚类的红外图像分割方法

权利要求书

1.基于多阈值和自适应模糊聚类的红外图像分割方法，包括如下步骤：

(1)输入原始红外图像I，计算其所有像素点数Co；

(2)利用原始红外图像I的一维灰度统计直方图函数H(l)，计算其灰度级H；

(3)对原始红外图像I进行粗分割：

3a)对一维灰度统计直方图函数H(l)进行平滑处理，得到平滑后的灰度统计直方图函数H₁(l)，并求取H₁(l)的差分D；

3b)寻找直方图函数H₁(l)的谷值点，即差分D由负到正的过零点位置，并将所有的谷值点连接起来，按从小到大排序，得到大小为1×p的谷值点矩阵M，其中p为谷值点个数；

3c)确定阈值点和阈值矩阵Th：

3c1)在多阈值算法中引入峰面积控制因子ψ和峰宽控制因子μ，通过峰面积控制因子ψ和峰宽控制因子μ分别计算得到灰度统计直方图H₁(l)中相邻谷值点的最小峰面积MA和最小峰宽MW；

3c2)根据谷值点矩阵M计算相邻谷值点之间灰度统计直方图之和CT(n)及相邻谷值点的距离WT(n)，其中n＝1,2,...,p-1；

3c3)判断CT(n)＞MA且WT(n)＞MW是否满足，若满足，则将前一个谷值点标记为阈值点；若不满足，则合并两个谷值点，即用前一个谷值点代替后一个谷值点，直至所有的谷值点全部标记完毕，得到阈值矩阵Th；

3d)对原始红外图像I中的像素点进行遍历，将像素点灰度值在阈值矩阵Th中相邻值域之间的像素点合并成一类，标记每一个像素点的类别，并分别计算总类别数q、每一类的像素点总个数N_t以及每一类的像素点的灰度值总和S_t，其中t＝1,2,...,q；

3e)计算合并后每个类别中的全部像素点的值域均值并用g_t代替原像素点的值，得到粗分割后图像I_mt；

(4)对粗分割后图像I_mt进行形态学平滑处理，得到平滑后图像I_ms及其像素点的值为g_j，其中j＝1,2,...,Co；

(5)对平滑后图像I_ms进行模糊聚类细分割：

5a)设定迭代停止条件ε，其中0＜ε＜1，聚类数目的初始值c＝2，自适应函数初始值L(1)＝0，迭代次数的初始值k＝0，模糊加权指数m＝2；

5b)随机初始化聚类中心矩阵：其中i＝1,2,...,c；

5c)求取平滑后图像I_ms中第j个像素点与第i个聚类中心的第k次迭代的距离并计算第k次迭代的隶属度矩阵U^(k)和第k次迭代后的聚类中心矩阵V^(k+1)；

5d)对V^(k)和V^(k+1)进行比较，如果||V^(k+1)-V^(k)||＜ε，则迭代停止，执行步骤5e)，否则令k＝k+1，返回步骤5c)；

5e)计算聚类数目为c时的自适应函数L(c)，当2＜c＜q时，若存在满足L(c-1)＞L(c-2)且L(c-1)＞L(c)的点，则取聚类数目c＝c-1时的聚类结果作为图像细分割的结果，否则令c＝c+1，返回步骤5b)；当c＞q时，则取聚类数目时的聚类结果作为图像细分割的结果，得到最终的分割结果图像。

2.根据权利要求1所述的基于多阈值和自适应模糊聚类的红外图像分割方法,其特征在于，步骤3c)所述的最小峰面积MA和最小峰宽MW，分别按下式计算：

MA＝ψ*Co，

MW＝μ*H，

其中，ψ表示峰面积控制因子，μ表示峰宽控制因子。