0 A& X* L& w! N3 ^ [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.
9 ], ~: r+ w p1 O 阅读量: * f s1 d; m8 l& m
152
3 N+ \, X/ v! Q0 q 作者: 霍冠英,刘静,李庆武,周亮基
3 l" M) p" @" p8 H( V! I 摘要: 4 f7 N0 o/ {$ Y
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.
# q# k7 ^% V. k( B 展开 ( W) W6 t+ u( f5 F5 ^& V. Z8 Z; O) Z
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- }9 {! u) e% C' `9 L
DOI:
T5 `9 C9 S8 e" f z 10.3969/j.issn.0254-3087.2017.01.030 3 X% i' U$ {+ v5 b( ~4 G" k, c
被引量: 4; S+ g3 m6 R' F( ?" u
年份: 2017; x% `/ }/ f# @) x/ B t1 `$ x
2.1 FCM 算法
+ ]* X0 { G. `( M 2.2 马尔科夫随机场
# X8 r7 B8 P L: P 3.1 算法流程 1 y( H5 D, G. `
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:
' ?# N' q& y& d6 r& @; I! f. x9 y 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
7 i4 ? a0 W3 ]5 ? 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
E$ `& E0 S: f7 g2 K1 R 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。
7 S: t( w: f5 R 3.2 基于贝叶斯估计的 NSCT 域去噪算法 " U+ ^! z4 |9 C+ P
3.3 SCFFCM 算法 . p( C+ X$ u5 }5 B/ H& y
3.4 SCFFCM 与 MRF 相结合的侧扫声呐图像分割方法 - j1 Q% `# c+ h8 a4 X! D6 d
3.5 基于形态学运算的分割图像后处理 ( J$ S% }, i/ W0 @! c6 Y3 } o
4.1 模拟侧扫声呐图像分割
0 {# h% X2 F9 X$ j9 P# w 表 1 侧扫声呐模拟图像分割精度与运算时间对比 8 Q! i0 W* }$ `8 N, W; b
Table 1 The comparison of the segmentation precision and operation time for simulated side-scan sonar images 4 G9 q" [/ Z; _2 N* Z8 o
4.2 真实侧扫声呐图像分割 % A; J; U ~( X" r# l
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。 0 C& u: f; C* u$ _, j, X
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。 `) j+ K, M* {0 f& D5 O( y3 x
表 2 侧扫声呐图像分割精度与运算时间对比
, O/ H+ c) W2 m Table 2 The comparison of the segmentation precisionand operation time for side-scan sonar images # ~: G5 X& H% U: Z3 e! A
5.结论 ) s8 @5 {* M$ r- R
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。 8 ]4 s) Q S7 Q+ a [" ]+ x( b1 r4 C
7 B' w: q. o" T9 ?0 F6 K+ W1 Z9 o+ X# o$ Z% U$ n1 [' ^* v3 \% E
8 k4 X2 q7 y6 k* V
: W! B: f! X: v( p) X' y' O% _ |