[发明专利]基于自调整谱聚类和熵权法的水下声呐图像目标分割方法

权利要求书

1.基于自调整谱聚类和熵权法的水下声呐图像目标分割方法，其特征在于，包括以下步骤：

步骤一、获取水下目标的原始声呐图像对应的灰度图像，然后利用自调整谱聚类理论对灰度图像的像素点进行聚类处理，得到具有不规则形状的多个独立区域，每个独立的区域用不同数字标识的掩膜图像表示；

步骤二、根据步骤一得到的掩膜图像中的各独立区域的像素点位置坐标对应原灰度图像中的相同位置坐标上的像素值，进行统计原灰度图像的每个独立区域的亮度、对比度、信息熵、狭长度、灰度分布直方图、7个Hu不变矩、周径比和灰度共生矩阵的纹理多个特征；

步骤三、对步骤二统计的各独立区域中的亮度、对比度、信息熵和狭长度这四个特征构建全部区域的多特征数据矩阵η，然后利用熵权法对多特征数据矩阵η计算四个特征的权重，最后利用加权公式得到各独立区域的综合分数，根据综合分数得到一个最优的目标区域；

步骤四、利用最优目标区域与各独立区域进行匹配灰度分布直方图、7个Hu不变矩、周径比和灰度共生矩阵的纹理4类特征的相似度，并根据每个区域匹配的4类特征相似度值确定平均相似度；

步骤五、基于步骤四得到的所有独立区域匹配的平均相似度值，利用自适应阈值迭代法计算最佳的阈值，根据该阈值就判断哪些区域是最终的目标区域，实现了水下声呐图像的目标分割。

2.根据权利要求1所述的基于自调整谱聚类和熵权法的水下声呐图像目标分割方法，其特征在于，步骤一的具体过程包括以下步骤：

步骤一一、假设给定图像中的n点集合为V＝{v₁,v₂,...v_n}，对于每一点v_i∈V，计算相应的局部尺度参数σ_i；

v_i到v_j的距离度量为d(v_i,v_j)/σ_i，v_j到v_i的距离度量为d(v_j,v_i)/σ_j，邻接矩阵A中的元素A_ij为：

步骤一二、定义对角阵D，对角阵D主对角线上的

构造标准化的邻接矩阵A_N：

其中，A是邻接矩阵，A_N表示对称标准化后的邻接矩阵；

步骤一三、计算A_N的特征向量，将前k个特征向量组成矩阵X为：X＝[x₁,x₂,...x_k]，k是最大分类数；

步骤一四、对每种可能出现的分类数，寻找旋转矩阵R使得特征向量矩阵X的列能够达到最佳排列模式，即利用梯度下降法求得的旋转矩阵R乘以特征向量矩阵X得到的矩阵Z＝XR的每一行中，最多有一个非零条目；

旋转矩阵R通过梯度下降法获取，其目标函数就是要使下面的代价函数达到最小：

M_i＝max_jZ_ij；

其中，Z_ij是旋转后的矩阵Z中第i行第j列的元素；

通过计算不同分类数下的代价函数的值，利用梯度下降法计算所设置的分类数范围能够使目标函数达到最小值对应的分类数，最终的最佳分类数就是代价函数为最小时对应的分类数，记为c；

步骤一五、当且仅当时，对应点v_i被归为c类；

其中，Z_ic是旋转后的矩阵Z中的第i行第c列的元素，Z_ic所在列对应的列向量代表分类后的一个簇类；

步骤一六、通过以上自调整谱聚类算法聚类后的掩膜图像表示为L(col,row)，其中，col和row分别为原灰度图像的横纵坐标，掩膜图像的多个独立区域的区域标识可表示为a_m，m∈[1,c]。

3.根据权利要求2所述的基于自调整谱聚类和熵权法的水下声呐图像目标分割方法，其特征在于，在确定最佳分类数的过程中，对于不同的分类数，如果代价函数值相同，最终的分类数选择其中较大的分类数。