[发明专利]一种基于改进的粗糙集聚类算法的卫星图像分割方法

说明书

本发明属于图像分析及分割技术领域，公开了一种基于改进的粗糙集聚类算法的卫星图像分割方法，初始化，对蚂蚁进行量子编码；量子蚁群中的每只蚂蚁进行选择要移动的目标，蚂蚁的移动用量子旋转门实现；每只蚂蚁通过信息素路径选择规则选择出一条路径，计算出其对应的的适应度值；记录最优解；更新局部信息素和全局信息素，并用Pauli‑Z变异；是否满足收敛条件；将得到的聚类中心作为粗糙集FCM方法初始化聚类中，初始化各参数；计算粗糙集FCM隶属度；输出分割结果。本发明克服了FCM算法对初始参数敏感性的不足，与其他算法相比较有显著的效果。

技术领域

本发明属于图像分析及分割技术领域，尤其涉及一种基于改进的粗糙集聚类算法的卫星图像分割方法。

背景技术

图像分割技术作为一种从图像中提取有用信息的手段，将图像划分成多个目标子区域，继而通过更抽象和紧凑的方式还原原始图像，使得卫星图像的高层次表达和应用成为可能。同时，分割图像的质量好坏直接决定了后续图像特征提取等系列工作的精度。由此可见，对于图像处理而言，其最为重要的关键点便是图像分割技术，因而该技术目前已经成为了图像处理领域研究的热点，尤其是针对卫星图像的分割技术已经成为当前的热点研究论题。现阶段，随着国内外研究人员在图像分割技术上的精力投入，提出了针对不同领域需求的分割算法，相关学者对此方面的研究主要是从以下三个方面着手：第一，即最为重要的图像分割技术；第二，集中于研究使用图像分割技术所实现的改进和优化；最后则是对图像分割评价方面规则的制定。

图像分割方法涵盖了经典的分割方法以及在特种理论基础上提出的新的图像分割方法。且伴随着当前遗传算法、模糊理论、聚类理论等多种思维理念和模型概念的发展，研究人员也在不断进行新理论与成熟理论的结合，在图像分割中得到很多的应用，目前主要有以下技术：

(1)基于区域的图像分割方法。

利用事先规定好的相似性准则，把具有共同属性的像素或区域集合在一起，以实现图像区域分割的过程，即是区域分割方法的基本思想。目前较为常用的区域图像分割法如下：

区域生长法：该方法的思想是：首先对需要分割的图像，在需要分割的区域中选取合适的像素作为种子像素并将其按照某种生长法则在该像素周围的邻域中进行像素搜索，将符合预定义规则的相邻像素与设置的种子像素进行合并处理，将合并之后获得的像素作为新种子，继续在周围图像中搜索符合规范的像素，并实现满足规范像素的合并过程。

分水岭变换法：这种算法的理念起源于地理学，并通过数学形态作为研究基础。该理念中将图像视为测地学中的地貌拓扑，图像中不同的像素点视为海拔高度，每个区域出现的极小值以及产生影响的区域视为集水盆，则集水盆边缘

(2)基于聚类法的图像分割

对于图像分割领域而言，聚类法首先需要设定一定的规则，然后将像素灰度等性质按照这一特定规则映射到几个区域的特征空间，在此之后，则根据像素的特点判定其属于哪个区域空间，并完成图像分割的一系列过程。一般所使用的聚类方法主要包括模糊C均值(Fuzzy C-means Clustering，FCM)、谱聚类、模糊聚类等多种方法。

(3)基于人工神经网络的图像分割

人工神经网络是由很多网络节点连接而成的非线性智能系统，它是一种模仿人类大脑结构和功能的计算模型，具有自组织、自学习、以及自适应等良好性能。当利用人工神经网络技术进行图像分割时，由于各个节点之间相互连通，蕴藏了很多的空间信息，所以适用于解决背景内容不确切或者场景复杂的图像。其基本思想是：首先通过样本集对神经网络进行训练来得到各节点之间的连接与权值，接着利用已经训练好的神经网络对像素点进行归类，从而达到分割图像的目的。

但是，现有技术存在的问题是：