基于K-means聚类和偏振信息提取的伪装目标识别方法

摘要

本发明公开了一种基于K-means聚类和偏振信息提取的伪装目标识别方法，首先获得目标偏振参量图像数据，然后获得偏振度图像、偏振角图像和椭率角图像，对于得到的多维图像I(P，θ，ε)用K-means进行聚类，计算新的聚类中心C_mi，重复计算新的聚类中心，直至聚类中心C_mi不再变化，迭代终止，得到最终的聚类融合图像。本发明在主观视觉和客观评价上有了很大的提高，聚类融合的结果由于融入了偏振度，偏振角和椭率角信息，使得图像中的偏振信息更完整。

主权项

一种基于K‑means聚类和偏振信息提取的伪装目标识别方法，其特征在于步骤如下：步骤1，获得目标偏振参量图像数据：利用偏振成像系统对目标进行偏振成像，得到偏振成像系统中偏振片的透光轴与水平方向的夹角分别为0°、45°、90°、135°的线偏振分量光强图像I₀、I₄₅、I₉₀和I₁₃₅，加上1/4波片后，分别测量左旋和右旋圆偏振分量光强图像I_L和I_R，进而得到斯托克斯参量图像数据I、Q、U、V；步骤2，获得偏振度图像、偏振角图像和椭率角图像：由步骤1中的斯托克斯参量图像数据I、Q、U、V计算得到偏振度图像I(P)、偏振角图像I(θ)和椭率角图像I(ε)；步骤3，对于步骤2中得到的多维图像I(P，θ，ε)用K‑means进行聚类，随机选取初始聚类中心C_1i(P₀，θ₀，ε₀)，i＝1，2...k，其中k为类别数，下标1表示第一次迭代，P₀，θ₀，ε₀分别表示选取的偏振度图像、偏振角图像和椭率图像中某一位置像素的像素值；求解每个样本数据与初始聚类中心C_1i的欧几里得距离$d_i=\sqrt{{(P_j-C_{1i}\left(1\right))}^2+{({\theta }_j-C_{1i}\left(2\right))}^2+{({ϵ}_j-C_{1i}\left(3\right))}^2},$i＝1，2...k，j＝1，2...N，N为每幅图像中的总像素数，其中C_1i(1)、C_1i(2)和C_1i(3)分别表示初始聚类中心C_1i的第一、二、三个元素，P_j、θ_j和ε_j分别表示偏振度图像、偏振角图像和椭率图像中像素按每行叠加后第j个像素的像素值；将每个数据对象分配到离该数据对象最近的初始聚类中心C_1i(P₀，θ₀，ε₀)，i＝1，2...k；步骤4，计算新的聚类中心其中m为迭代次数，r_i表示离C_(m‑1)i，i＝1，2...k最近的像素点个数，C_(m‑1)i，i＝1，2...k为第(m‑1)次迭代的第i类中心；并将每个数据对象分配到离它最近的聚类中心C_mi，i＝1，2...k；计算各个聚类中心之间的欧几里得距离d(C_i，C_j)，i，j＝1，2...k，i≠j，C_i，C_j分别表示第i类和第j类聚类中心；步骤5：重复步骤4，直至聚类中心C_mi不再变化，迭代终止，得到最终的聚类融合图像。