[发明专利]基于图划分粒子群优化的SAR图像自动分割方法

权利要求书

1.一种基于图划分粒子群优化的SAR图像自动分割方法，其特征在于，包括：

(1)输入原始待分割的图像I，读取图像的灰度梯度信息；

(2)根据实验选择最优的数值，包括邻域窗口半径d_s，搜索窗口半径D_s和高斯平滑参数h，并对待分割图像I进行非局部均值滤波去噪处理，得到梯度图像；

(3)对梯度图像进行初分割，将其划分成互不重叠N个的区域，N>100；

(4)求出梯度图像的最大类别数C，将此作为图像的灰度级，设其初始值C＝0，按如下步骤进行：

(4.1)根据输入图像I，建立图像的灰度直方图；

(4.2)对灰度直方图进行局部平滑运算；

(4.3)求出平滑后直方图的所有峰值，并计算其斜率均值；

(4.4)对平滑后直图像进行开闭运算，并将其开闭运算的结果M与设定的阈值T＝0.01进行比较：若M＜T，则C＝C+1；否则重复步骤(4.2)和(4.3)；

(5)将分割成的N个区域块映射为无向加权图，该无向加权图的顶点由像素点表示，像素点之间的相似性S(m,n)表示无向加权图边的权值：

式中，I_my代表像素m的灰度分量，I_mcb和I_mcr代表像素的色差分量，当输入图像是灰度图像时只有灰度分量；

(6)构建无向加权图的能量函数fit(L)：

式中，P为像素点的集合，L_p为像素点p所属类的标号集，N_p代表P的相邻像素点的集合；等式右边第一项是数据项，表征的是像素与其所属类的符合程度；第二项为约束项，用来估计相邻的像素属于不同标号的惩罚值，其值越大表明相邻像素点越相似；

(7)利用粒子群优化算法对图像的标号进行最优化求解，得到类别中心和类别数；

(8)判断迭代次数是否小于20，如果是则重复步骤(7)，继续更新粒子的位置和速度，否则，迭代结束输出最优聚类个数和分割后的图像。

2.根据权利要求1所述的方法，其特征在于，其中步骤(2)中对原始SAR图像进行非局部均值滤波处理，按如下步骤进行：

(2.1)设置邻域搜索窗口半径d_s＝2，全局搜索窗口半径D_s＝10；

(2.2)设高斯函数平滑参数h＝10，其值决定指数函数的衰减程度；

(2.3)计算输入图像所有像素点的加权平均值：

NL[υ](i)＝∑_j∈Iω(i,j)υ(j)

式中，i为图像像素点的灰度级，取值为0～255,υ(j)为离散噪声图像；

ω(i,j)为权重，其由第i个像素和第j个像素的相似性决定：

其满足∑_jω(i,j)＝1，其中0≤ω(i,j)≤1；

Z(i)是归一化常数：

式中h过滤参数，它决定着滤波函数变化的快慢，是相似性，a＞0，是高斯核的标准偏差；

(2.4)将i个像素点灰度的加权平均值作为其新的灰度值，得到最终的滤波图像。

3.根据权利要求1所述的方法，其特征在于，其中步骤(3)中采用分水岭算法对SAR图像进行初分割，将SAR图像划分成互不重叠的区域，步骤如下：

(3.1)利用sobel算子提取梯度图像的边界信息；

(3.2)获取所提取图像的水平和垂直边界；

(3.3)对边界图像进行形态学运算，包括图像的膨胀运算和腐蚀运算；

(3.4)对形态学运算后的图像进行开运算和闭运算；

(3.5)对开闭运算后的图像进行分水岭变换，得到图像的分水岭脊线，输出初分割后的SAR图像。

4.根据权利要求1所述的方法，其特征在于，其中步骤(7)中利用粒子群优化算法对图像的标号进行最优化求解，按如下步骤进行：

(5.1)初始化粒子群的个体：设粒子数为n_p，随机初始化粒子速度和位置：v₀^k、x₀^k，其中，1＜k＜n_p，随机初始化每个粒子的局部最优值pbest_k，最大迭代数N_c＝20；

(5.2)初始粒子的位置x_k和速度v_k，将其限定在0～C之间，利用如下公式对粒子的速度和位置进行更新：

v_k+1＝w×v_k+c₁×r₁×(pbest_k-x_k)+c₂×r₂×(pbest_k-x_k)

x_k+1＝x_k+v_k+1

其中，v_k+1为更新后粒子的速度，x_k+1为更新后粒子的位置，c₁是粒子个体的学习因子，c₂粒子群体的学习因子，c₁和c₂的取值均为1.49，r₁与r₂是介于0～1之间相互独立的随机数，r₁≠r₂，w为惯性权重；

(5.3)判断当前迭代次数N_c是否大于20，若是，则输出最优聚类个数和分割后的图像，否则，返回步骤(5.2)。