* G( y" f7 f# M* B c* B7 g; N
[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):10.8 y: h4 \! ~7 {5 l: [: e5 v
阅读量: 8 n7 I$ F4 }7 t! A6 r" H0 K5 l
152 0 Y. P& n+ Q; \$ ?0 {( ]' s
作者: 霍冠英,刘静,李庆武,周亮基
7 w8 [" m" @5 N/ C8 S 摘要: 7 @0 w4 g6 ]9 y
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.
( `) \" @1 s# ?' R+ S* A 展开
# I0 T D8 U% e% q 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
s* }" o( R# H9 {- e% q! f DOI: - r; r0 ^$ S( a
10.3969/j.issn.0254-3087.2017.01.030 0 G- n1 K$ Z2 o
被引量: 4
- s+ B' e' u3 f- J! z- q- ` 年份: 2017
$ K" B7 L$ d8 g: t+ F5 b# K 2.1 FCM 算法
' ]: U/ w/ Y* @. c9 ] 2.2 马尔科夫随机场 : \# L7 B* z$ n, k& O$ H0 l! w/ s
3.1 算法流程
. S0 `3 @5 T0 s. ^ 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:
2 A! I& _6 h& _7 q, ^0 I& d 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 9 G3 v, V7 S+ W: S, o
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
8 J5 X% p( @$ x6 C$ D( P 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。
, U& ~: \- U" [, b6 G 3.2 基于贝叶斯估计的 NSCT 域去噪算法 ( ?3 d$ [3 z$ x; Y
3.3 SCFFCM 算法
1 f3 J( L8 j/ h) z) [; J 3.4 SCFFCM 与 MRF 相结合的侧扫声呐图像分割方法 / ~: T8 G! {- X- W6 v
3.5 基于形态学运算的分割图像后处理
! p2 P3 s7 R" [! s8 f- b 4.1 模拟侧扫声呐图像分割 & D* T. j! U1 ~. v, d% y
表 1 侧扫声呐模拟图像分割精度与运算时间对比 , W1 j4 P5 I6 x+ g/ V; `
Table 1 The comparison of the segmentation precision and operation time for simulated side-scan sonar images
% w+ N& _3 C1 w$ R& ]5 _- y 4.2 真实侧扫声呐图像分割 : @1 A3 Q/ c+ N1 I) U
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。
- \4 x" ?9 ]9 i! S 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。 0 m0 j% i' }2 `' K5 T6 B
表 2 侧扫声呐图像分割精度与运算时间对比
9 r: |1 V8 _! ?) ~& K( [3 d, L Table 2 The comparison of the segmentation precisionand operation time for side-scan sonar images
. E/ h* E) U. T( Y% i/ Y 5.结论 " m+ U* f e' J; S
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。 ; l6 j$ l5 @" N8 u3 w" p) U- T$ y
0 Q$ c% K4 H2 D6 `# G- E% C, k x% v- {9 f* @( n& p
1 l: }1 p* J8 G& P+ @/ U; n# u% Z1 k" ]8 p
|