. w; g* A V1 x, t# O; y' ` @5 ?' z# ]
[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 M' C( E$ P2 u$ W, Q5 K
阅读量: & R9 U) k* c5 x
152
- H& \9 z( e4 h2 |& a 作者: 霍冠英,刘静,李庆武,周亮基
( ]) Z! D$ P& K8 C 摘要: 7 `- @) u' ]) b
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. ; L0 ?* A) d* A) E: A: Q5 o% u
展开 : O4 G6 o7 ?1 y6 C
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
Y. B! A* B0 P DOI:
( |! {% |$ A* c8 A# e, O$ X 10.3969/j.issn.0254-3087.2017.01.030 / T( S% s- F$ n2 V
被引量: 4
7 S$ [5 ]+ U- K, @ 年份: 2017
0 \' w5 ?1 A4 v7 r" Z, z- }: x$ s 2.1 FCM 算法 * v3 i$ }3 g' e, c- r c
2.2 马尔科夫随机场 % Y* C2 X. D5 G$ V0 ^* K2 j
3.1 算法流程
$ O% J9 N9 Y8 T8 j$ G* _: z) \" _ 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 \$ w- F! Y1 N& E+ m, i, J! V
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 I9 I8 y- O8 D: G% J
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 M I6 L9 R/ j" w' [" f& G! g+ C( [' ~
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。
5 ~+ F q) U; }, o" l9 A7 Q# @# y$ P 3.2 基于贝叶斯估计的 NSCT 域去噪算法 4 H0 G! w( k" _; H
3.3 SCFFCM 算法
0 m' H4 W& e# v4 o7 c! d6 E 3.4 SCFFCM 与 MRF 相结合的侧扫声呐图像分割方法
5 G0 a$ T# ]' _" p% K 3.5 基于形态学运算的分割图像后处理
# r+ _% @* N0 a8 L6 { p 4.1 模拟侧扫声呐图像分割 9 @# h$ v; ?' N1 u, W" O
表 1 侧扫声呐模拟图像分割精度与运算时间对比
8 |) m. G7 d# O* b* c9 s5 `! y Table 1 The comparison of the segmentation precision and operation time for simulated side-scan sonar images 0 F# i5 `9 Y0 a0 J
4.2 真实侧扫声呐图像分割
- i! c3 Q, g' B0 Y1 O7 T0 X* w/ [# x 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。
3 d" z$ J: T2 ?$ s8 f8 \7 W 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。 2 r3 A1 x9 }" Y& _# {0 t) O& p+ o
表 2 侧扫声呐图像分割精度与运算时间对比
3 O) M9 ~1 v3 H# ]! `4 l9 p Table 2 The comparison of the segmentation precisionand operation time for side-scan sonar images 0 j4 V u! K0 v3 K* l; I: f& R
5.结论
; `1 V/ H5 m0 @" p @ 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。
, w5 m; S7 ^+ [: o2 p
$ ~$ ^) `0 Y d4 l& v& a2 M8 }; Z+ t/ X8 S: s" T+ w( z4 {0 ^7 g
) m6 h6 l/ {' E4 `
& v0 l' d8 R' I3 P V2 f
|