8 o' } s; w3 ^; i! e% P, f$ s0 x [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.. j5 E0 d& Y0 ~
阅读量:
' ]# }0 J' @( U4 `" Y% \ 152 ( O6 k+ y' g% Q0 w! \& s9 A
作者: 霍冠英,刘静,李庆武,周亮基
# b: K3 k/ N* \ L: P- v 摘要: 6 A( H m- l! ~. k6 ~5 ^
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.
2 E2 U/ O6 y; X7 I/ l. ~* r/ U 展开
8 |* }0 l4 W. F5 c; e/ F% R/ J 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: d+ N. ` @- t
DOI:
1 R: ^* T+ g4 z5 \7 n! y 10.3969/j.issn.0254-3087.2017.01.030 . \6 y3 Q3 i7 b q7 @' n# G5 B2 w7 u
被引量: 4
( i! ^* ?6 N) W, g8 z 年份: 20178 [6 j% Y5 ~3 O! E
2.1 FCM 算法
! @7 b# _: \. m8 Y5 q, e" \+ i 2.2 马尔科夫随机场 : k* o, A+ G5 C% i" C! t
3.1 算法流程 6 y6 @ y& m( U, F9 i) y, n# k( Q% Q
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:
5 f/ \/ x; ?( ?. z1 a' k( 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 ) I6 D9 k+ D: m% B( ~0 a- d2 I
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 0 l4 n; l- I2 m. ^, w/ f
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。
" n2 S% R/ c" f 3.2 基于贝叶斯估计的 NSCT 域去噪算法
, T; D- W9 A+ e5 l" ?( `, p. H 3.3 SCFFCM 算法 5 O; J- S! I0 d6 l# @
3.4 SCFFCM 与 MRF 相结合的侧扫声呐图像分割方法
! e0 A: D3 G: S 3.5 基于形态学运算的分割图像后处理 9 o4 `3 r8 o" T4 b7 K9 z( Q- C/ r+ m
4.1 模拟侧扫声呐图像分割 " _6 `/ Z+ L# }0 z, K9 F$ f
表 1 侧扫声呐模拟图像分割精度与运算时间对比
$ }: |0 H* n# Q7 q Y Table 1 The comparison of the segmentation precision and operation time for simulated side-scan sonar images
* k' z( n3 c( c6 a8 ^ 4.2 真实侧扫声呐图像分割
" F: G1 a6 J" a. Y 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。
6 E8 m" U! ?8 R4 ^ 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。 1 U7 V4 V1 }3 ?9 C& S
表 2 侧扫声呐图像分割精度与运算时间对比
8 Q# u0 ^3 d% q' ^9 N' [3 p' T Table 2 The comparison of the segmentation precisionand operation time for side-scan sonar images 3 O! c1 W6 B. o. x& p$ E
5.结论
/ {# s) ?) D1 b+ U+ N5 I! c9 O% 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。 & {$ i' y: i( y0 |. j! J
, `4 J/ q7 x9 i' h3 W) _& v; I3 k( h. `0 |5 i+ b- o
. ]( b$ R: G, u7 m* Y7 B9 j1 Z2 f& Y. i! J" z7 g. L1 G
|