/ x! Z" ?. q: G$ G5 \ [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.
/ q5 y- C( q6 M f- b- B 阅读量：
& ]5 R8 m9 Z) z 152 - w+ \( h0 J6 A
作者： 霍冠英，刘静，李庆武，周亮基+ n" ^% H3 ~5 n
摘要：
% x/ A4 a5 l# C2 l3 L2 A* S! i9 u 针对侧扫声呐图像斑点噪声强,目标分割困难的问题,提出了一种基于空间约束的快速模糊C均值聚类(SCFFCM)与马尔可夫随机场(MRF)相结合的分割算法.为克服噪声干扰,该算法首先基于贝叶斯最大后验概率理论在非下采样Contourlet变换域去除声呐图像中的强斑点噪声;然后为加快分割速度,提出SCFFCM算法,该算法用于给出一个较好的初始分割;接着由初始分割计算MRF模型的约束场,再根据图像邻域内灰度波动情况自适应更新结合权值,进而求解得到FCM模糊场与MRF约束场的联合场,并基于最大概率准则得到分割结果;最后,采用形态学去除分割结果中的孤立噪点,并完成孔洞填充.对仿真及实际的侧扫声呐图像的分割实验结果表明,所提算法较FCM和现有的一些FCM改进算法有更强的抗噪能力,更高的分割精度以及更快的运算速度.
( E4 r, z/ ?/ e; T; f x: D* F 展开 5 W/ k# V( ~4 |4 s" [
关键词： 侧扫声呐图像分割 空间约束 快速模糊C均值聚类算法 初始分割 马尔可夫随机场
2 z+ G) ]2 u' L DOI： Y( |. u3 ~4 I! Q& c
10.3969/j.issn.0254-3087.2017.01.030 5 x1 A# p& S d/ H( O! f
被引量： 4( b! y( `6 n5 x- n R }" P' V
年份： 20172 \) e$ a; k" F3 {3 W; A+ g& {+ x4 L
2.1 FCM 算法 ! z' q0 @: r6 B3 E4 h' u
2.2 马尔科夫随机场
) [! B8 f& M) p6 N* Q* F' H4 ] 3.1 算法流程 2 e+ p! W, N4 p+ c% s2 \
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:
9 `2 _" ]9 B `' M$ j N8 J0 R; k 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
4 r1 h/ v% ?' U6 u1 w. I' T 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 ! m0 F: \0 ^3 B3 i
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。 # X/ B8 a o% ]: o- I
3.2 基于贝叶斯估计的 NSCT 域去噪算法
6 D4 V- J7 H( g6 `( `& i- {5 a* }2 H 3.3 SCFFCM 算法 * F; Y. T8 i8 V- v# a! W
3.4 SCFFCM 与 MＲF 相结合的侧扫声呐图像分割方法
, Y( `, i0 @2 p% ] 3.5 基于形态学运算的分割图像后处理 - }" q, }+ G& |4 `* z
4.1 模拟侧扫声呐图像分割
- i/ ~6 w$ U- [( @ 表 1 侧扫声呐模拟图像分割精度与运算时间对比 2 |& N5 v. u- @( ?
Table 1 The comparison of the segmentation precision and operation time for simulated side-scan sonar images 1 ]; `0 r$ o, r3 E0 O5 L/ C9 w
4.2 真实侧扫声呐图像分割 * X+ Z1 d$ L; M$ b9 _
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。 8 u; l! W+ H8 |4 [) b! _2 [: y
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。 6 ~$ v5 ~& t5 y7 s
表 2 侧扫声呐图像分割精度与运算时间对比
/ Y* L6 U2 _0 j v$ m# l Table 2 The comparison of the segmentation precisionand operation time for side-scan sonar images
* ~, e, h( d% l! L( I 5.结论 4 J3 p: |: u j
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。
/ c g ?% O+ k. s7 p+ @' S' E3 O+ T# y5 t4 p4 `0 h
, ~2 ]) H; U4 N
, `% }% q! V1 [) e% ^ S( b% `' i
% d5 x' w# r3 j y9 E' {! O$ y) Q | 
