% b! m: `$ A% p
[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.
( \2 j, ~; g& J9 I 阅读量：
3 |3 x6 H5 r( W9 U h, x 152
' e8 X' Y$ p9 I 作者： 霍冠英，刘静，李庆武，周亮基
5 D' J B8 z: G# G" v; V! ^ 摘要： % Q7 U \: F# u( N- e7 K
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. 0 N$ f1 X, B' G4 N8 F8 `, h& _
展开
) h; V, g' O" F% t' ^$ N! s4 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' H! k: u# `" X" R4 f$ F- V; A) f' H
DOI：
: f& w$ {8 q! S3 d K 10.3969/j.issn.0254-3087.2017.01.030
; h3 w/ t+ E: Z" j4 Z" P, T 被引量： 4: T" `- b8 h8 Q) t
年份： 20170 c& U8 j; l: {1 h) q7 V1 R( [
2.1 FCM 算法
3 o1 v, o) `* w# U0 [ 2.2 马尔科夫随机场 6 }1 G9 b( e8 U0 A
3.1 算法流程
3 q$ R3 ]# e3 w8 X6 ]. S7 i 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: 0 O" h* B, k. L: t
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 # d( R6 u6 I6 C8 y
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 # k, \2 }2 t4 t7 C) S
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。
6 E5 w0 `6 s9 O8 C( C0 o 3.2 基于贝叶斯估计的 NSCT 域去噪算法
& a( @' U, z1 d0 P: w3 I! y: X 3.3 SCFFCM 算法 . O8 j$ ^$ o' ~6 ]8 V
3.4 SCFFCM 与 MＲF 相结合的侧扫声呐图像分割方法 `7 ]1 m% b0 k- f3 o0 R9 h) j
3.5 基于形态学运算的分割图像后处理
) _1 R6 j- N$ Y! w# F! f- @0 U 4.1 模拟侧扫声呐图像分割 & Y: b# r* u$ M5 _" T% a$ a+ c* ^
表 1 侧扫声呐模拟图像分割精度与运算时间对比 3 C0 q n/ J; x) o
Table 1 The comparison of the segmentation precision and operation time for simulated side-scan sonar images
7 ?% {/ e- b! S$ D1 Y* W, t 4.2 真实侧扫声呐图像分割
* e3 {5 ^, R+ p `% s% s, S! c# @ 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" U! H2 A* @/ a
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。
9 a, h* E" J P0 ` 表 2 侧扫声呐图像分割精度与运算时间对比
2 n; \8 p4 l# {; Y# Q8 N Table 2 The comparison of the segmentation precisionand operation time for side-scan sonar images
( B. o6 E$ ?) J/ O u6 G% k 5.结论 l }2 d9 x3 ]2 ~/ k; X
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。
% f$ q: H& J* M& v2 D8 W2 j, m0 O; \, B0 o
, T X% {- Q8 o' z- \" P) y6 M
: O2 C$ i' S7 \+ D: i; B/ X
0 \. x; t/ T0 p; h1 t
| 
