% c2 j; w2 V1 E
[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.
0 A8 q4 A& W& o4 j6 d0 n 阅读量：
( s/ M, b2 \! p 152
' C& o$ E" N4 i( n; Q0 f' R. j( R 作者： 霍冠英，刘静，李庆武，周亮基
9 ~' W! b0 x0 z; c$ S" F 摘要：
1 h% T; v: h& v# `1 F4 ~7 C 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.
$ ^7 R' k. R& d2 T 展开 ' ^- `9 m1 Q) I+ K) Q L
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
1 }" g) Z- e$ L- [ DOI：
+ D) g3 l# p4 ]/ s" G/ e 10.3969/j.issn.0254-3087.2017.01.030
& _ @+ w% s0 `# D 被引量： 47 C: v; A$ q Z" E) Z
年份： 2017
) d* g; ]* I9 K* [: o 2.1 FCM 算法 " a# G. n5 C- K4 W) s4 }
2.2 马尔科夫随机场
1 V1 G0 N9 Q. ]/ B0 o 3.1 算法流程 + ^' s, u o) v; ~4 ]( M
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: : O9 s" ` y; B% w* v- E
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
% p X( @* X; W& } r. ` 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
7 ^: [0 [8 A8 h! j* d1 z8 a) G 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。 0 A6 g9 |9 l4 ?
3.2 基于贝叶斯估计的 NSCT 域去噪算法 % p& F) [& P. O/ u
3.3 SCFFCM 算法 + I9 z. @ N, k' B' K6 a
3.4 SCFFCM 与 MＲF 相结合的侧扫声呐图像分割方法 6 N* d4 _% V8 H# h% L- b6 _+ W
3.5 基于形态学运算的分割图像后处理 1 e/ t3 _* k6 m, F d
4.1 模拟侧扫声呐图像分割 & E* ~# ~4 L% H, i
表 1 侧扫声呐模拟图像分割精度与运算时间对比
, u' t3 I5 \9 j, \7 F: q Table 1 The comparison of the segmentation precision and operation time for simulated side-scan sonar images 3 t, g" V/ c. }& z& L k
4.2 真实侧扫声呐图像分割 o3 t2 M' r! j9 U% ~3 K! Z {
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。
+ t) l2 r1 c1 C7 c) B 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。 , q. s& s9 H1 Y1 t$ Z9 Y" H
表 2 侧扫声呐图像分割精度与运算时间对比
* _5 E5 M4 \ f5 D2 s. A# D Table 2 The comparison of the segmentation precisionand operation time for side-scan sonar images
4 ~" @7 `6 Y& a5 {- G! M 5.结论
. h, x ~% `" x* ?$ x# B3 ~ 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。
) S$ B" v; Z( O+ m8 k f! L
# ?5 p& q' j3 e e$ x5 o
3 M- L1 n- J- k' o$ O: E* ?
: M2 W+ H5 M7 I! R6 G" ]
X( q( p7 v/ S3 [ | 
