空间约束 FCM 与 MＲF 结合的侧扫声呐图像分割算法

[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.

/ x; [/ q; i* T

阅读量：

152

作者：

霍冠英，刘静，李庆武，周亮基

摘要：

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.

展开

2 }5 ?1 ~; x% D( {

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

DOI：

10.3969/j.issn.0254-3087.2017.01.030

被引量：

4

年份：

2017

2.1 FCM 算法

, a1 @5 q; D, n4 B

2.2 马尔科夫随机场

+ N+ v( B% Z* E

3.1 算法流程

/ r- W% L7 d3 m& w" l9 {4 b1 d4 n

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:

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

5 [: K5 t2 q8 n* L

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

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。

3.2 基于贝叶斯估计的 NSCT 域去噪算法

1 ~4 X/ r/ p8 r3 ~5 g* o. A

3.3 SCFFCM 算法

1 N: z& z. P2 J7 T' m$ |7 N

3.4 SCFFCM 与 MＲF 相结合的侧扫声呐图像分割方法

/ O" y8 H! n l. h; p+ y$ J9 k% Q

3.5 基于形态学运算的分割图像后处理

- D% t8 n* f* G

4.1 模拟侧扫声呐图像分割

7 n, J( U0 W7 O: N" F9 I

表 1 侧扫声呐模拟图像分割精度与运算时间对比

, c4 K% r& y0 O$ o6 }, O" U! y5 I. g" _* E# C

Table 1 The comparison of the segmentation precision and operation time for simulated side-scan sonar images

4.2 真实侧扫声呐图像分割

( g; ~) ~& a3 W: v- W! \7 [: t6 q2 _

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。

, n, G. H! N( J- ^4 V

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。

表 2 侧扫声呐图像分割精度与运算时间对比

Table 2 The comparison of the segmentation precisionand operation time for side-scan sonar images

, Z7 y7 R: B3 ~* F

5.结论

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。

2 U2 [4 F3 s" ^- W, x9 P, E+ S " a3 f2 I- W% E$ l