7 K+ ~ ~! b! |7 T1 A [1]霍冠英, 刘静, 李庆武,等. 空间约束FCM与MRF结合的侧扫声呐图像分割算法[J]. 仪器仪表学报, 2017, 38(1):10.
- z1 b* i4 a- J 阅读量: 3 m+ X0 e, u% }" ?6 d1 {9 o
152
- y( t/ q5 U7 h4 s1 A- z 作者: 霍冠英,刘静,李庆武,周亮基
4 i( b Y) K% o- Y6 [9 ~5 ?4 d0 c 摘要: / w/ {( j# F% I! y' J* A8 q" P' L; T
针对侧扫声呐图像斑点噪声强,目标分割困难的问题,提出了一种基于空间约束的快速模糊C均值聚类(SCFFCM)与马尔可夫随机场(MRF)相结合的分割算法.为克服噪声干扰,该算法首先基于贝叶斯最大后验概率理论在非下采样Contourlet变换域去除声呐图像中的强斑点噪声;然后为加快分割速度,提出SCFFCM算法,该算法用于给出一个较好的初始分割;接着由初始分割计算MRF模型的约束场,再根据图像邻域内灰度波动情况自适应更新结合权值,进而求解得到FCM模糊场与MRF约束场的联合场,并基于最大概率准则得到分割结果;最后,采用形态学去除分割结果中的孤立噪点,并完成孔洞填充.对仿真及实际的侧扫声呐图像的分割实验结果表明,所提算法较FCM和现有的一些FCM改进算法有更强的抗噪能力,更高的分割精度以及更快的运算速度.
" D, Q+ k$ ?: y( ] 展开 9 C. ]8 J/ U3 U I: \
关键词: 侧扫声呐图像分割 空间约束 快速模糊C均值聚类算法 初始分割 马尔可夫随机场3 Q1 G" i3 r3 e1 q- ]2 t
DOI:
5 w7 y, H* q) k6 [ 10.3969/j.issn.0254-3087.2017.01.030 6 ], W Q& l9 E1 P" h- q8 v/ F
被引量: 4# V$ D$ {" b6 _2 _
年份: 2017* l% ^; H) X/ d% ~ h6 l
2.1 FCM 算法 8 f z* O5 D+ |8 R+ V; `& o7 ]
2.2 马尔科夫随机场 % h% W. b) E$ { S. r) j/ ^. g5 B
3.1 算法流程
; H4 Y9 {! o+ r* J: v5 D& b4 G" C 针对侧扫声呐图像斑点噪声强,分割困难的问题,提出了一种新的分割算法,该算法主要包含 4 个处理步骤: * O& x) q a) u' k; d ~" O
1) 首先基于贝叶斯最大后验概率理论在 NSCT 域对图像进行去噪; 2) 然后根据空间约束的快速 FCM 算法获取声
/ r" K3 H/ O" C- o4 S0 g2 } 呐图像的初始分割结果,进而计算出马尔科夫模型的空间约束场; 3) 接着根据邻域内灰度波动情况更新结合权 : i, v, s- K5 [2 e; s: v& d
值,求解 FCM 模糊场与 MRF 约束场的联合场; 4) 最后用形态学开闭运算对分割结果进行优化。 9 k. \9 L# i' f2 k0 a$ ?
3.2 基于贝叶斯估计的 NSCT 域去噪算法
5 f. D7 F( t' q 3.3 SCFFCM 算法
% y, I4 p- G/ b5 q3 [ 3.4 SCFFCM 与 MRF 相结合的侧扫声呐图像分割方法
# [# V# s& z: Y% ~1 m 3.5 基于形态学运算的分割图像后处理 $ d6 M) I) ]2 W; G% e
4.1 模拟侧扫声呐图像分割
4 V0 Y* j5 p' {+ H( \ 表 1 侧扫声呐模拟图像分割精度与运算时间对比
2 P$ V& l# p0 f3 V$ ?2 Q: h Table 1 The comparison of the segmentation precision and operation time for simulated side-scan sonar images , H& p& e9 W! V Y, E
4.2 真实侧扫声呐图像分割 % f5 ~" K' Q( O% D
在对真实侧扫声呐图像进行分割时,以手动分割 的结果作为正确分割率的参考标准,对各分割结果进行定量分析。通过选取不同大小( 图 3 为 262 × 262,图 4 为 281 × 231,图 5 为 147 × 285,图 6 为 293 × 314) 、不 同目标的侧扫声呐图像进行大量实验,对比分析各算 法的分割精度以及运行时间,以说明本文算法的优越性。 ! k+ e: m; P* l, d9 p
3 不同算法分割结果比较( 262 × 262) Fig.3 The comparison of the segmentation results for different methods( 262 × 262) 4 不同算法分割结果比较( 281 × 231) Fig.4 The comparison of the segmentation results for different methods( 281 × 231) 5 不同算法分割结果比较( 147 × 285) Fig.5 The comparison of the segmentation results for different methods( 147 × 285)图 6 不同算法分割结果比较( 293 × 314) Fig.6 The comparison of the segmentation results for different methods( 293 × 314)图 3 ~ 6 分别为大小不同的真实声呐图像,图( a) 为原始图像,图( b) 为手动分割效果图,图( c) ~ ( h) 分别为 采用 FCM、快速 FCM、SCFFCM、FCM-MRF、FLICM 及本文 算法得到的分割结果图。从图 3 ~ 6 中的图( e) 可知,SCFFCM 在各种情况下均能以较快的速度( 见表 2) 提供一个不错的初始分割结果,而 FCM、快速 FCM 以及 FCM- MRF 算法只对噪声相对较弱的部分图像具有较好的分割效果,算法的鲁棒性有待提高。FLICM 算法及本文算法鲁棒性较好,在各种情况下均能够取得较好的分割效果。较之 FLICM 算法,本文算法在显著降低运算时间的同时,分割精度也略有提升。表 2 为不同声呐图像各分割结果的定量比较,从表 2 中的定量指标可以看出,本文算法在保证较高分割精度的同时大大降低了算法的运行时间,算法快速而准确。 3 t/ O3 G4 `5 g/ K& R! A9 k0 U
表 2 侧扫声呐图像分割精度与运算时间对比
! F" T( D# s" o! s+ ]5 C0 G Table 2 The comparison of the segmentation precisionand operation time for side-scan sonar images . X1 V- a2 ^6 ]8 _ \
5.结论 * c2 L- `4 D+ L8 s. n5 @
针对侧扫声呐图像分割问题,提出了一种基于空间约束的快速 FCM 与 MRF 的分割算法。该算法充分考虑了图像的灰度及空间信息,通过引入直方图对聚类数据空间进行压缩,大大降低了算法的计算复杂度。通过与MRF 模型结合进一步提高算法抗噪性,最后通过引入形态学后处理优化分割结果。实验结果表明,所提算法在对侧扫声呐图像进行分割时,不仅速度较快,而且精度也较高。
( m0 K1 E. a; I3 n ?. V
- {, U4 I0 I" _* I- y7 y
9 R8 Z+ G* y' G: g( f& f! L
: G; E: p2 f& I" c; D
! }3 ]$ B, Q1 G) B5 m4 O* J- ~9 `( J |