基于多阈值和自适应模糊聚类的红外图像分割方法

摘要

本发明公开了一种基于多阈值和自适应模糊聚类的红外图像分割方法，主要解决现有多阈值分割方法在分割过程中存在伪峰干扰，分割结果不理想的问题。其实现步骤是：(1)输入原始红外图像；(2)利用引入控制因子的多阈值算法对原始红外图像进行粗分割；(3)对粗分割后图像进行形态学平滑处理；(4)随机选取细分割图像所需的聚类中心并根据自适应函数确定聚类数目；(5)对平滑后图像的像素点进行模糊聚类，得到最终的分割结果图像。本发明能在保证分割效率的同时提高分割准确度，具有分割结果轮廓清晰、目标完整的优点，可有效应用于红外精确制导、目标识别与跟踪。

主权项

基于多阈值和自适应模糊聚类的红外图像分割方法，包括如下步骤：(1)输入原始红外图像I，计算其所有像素点数Co；(2)利用原始红外图像I的一维灰度统计直方图函数H(l)，计算其灰度级H；(3)对原始红外图像I进行粗分割：3a)对一维灰度统计直方图函数H(l)进行平滑处理，得到平滑后的灰度统计直方图函数H₁(l)，并求取H₁(l)的差分D；3b)寻找直方图函数H₁(l)的谷值点，即差分D由负到正的过零点位置，并将所有的谷值点连接起来，按从小到大排序，得到大小为1×p的谷值点矩阵M，其中p为谷值点个数；3c)确定阈值点和阈值矩阵Th：3c1)在多阈值算法中引入峰面积控制因子ψ和峰宽控制因子μ，通过峰面积控制因子ψ和峰宽控制因子μ分别计算得到灰度统计直方图H₁(l)中相邻谷值点的最小峰面积MA和最小峰宽MW；3c2)根据谷值点矩阵M计算相邻谷值点之间灰度统计直方图之和CT(n)及相邻谷值点的距离WT(n)，其中n＝1,2,…,p‑1；3c3)判断CT(n)＞MA且WT(n)＞MW是否满足，若满足，则将前一个谷值点标记为阈值点；若不满足，则合并两个谷值点，消去该波段，直至所有的谷值点全部标记完毕，得到阈值矩阵Th；3d)对原始红外图像I中的像素点进行遍历，将像素点灰度值在阈值矩阵Th中相邻值域之间的像素点合并成一类，标记每一个像素点的类别，并分别计算总类别数q、每一类的像素点总个数N_t以及每一类的像素点的灰度值总和S_t，其中t＝1,2，…，q；3e)计算合并后每个类别中的全部像素点的值域均值并用g_t代替原像素点的值，得到粗分割后图像I_mt及其像素点的值为g_j，其中j＝1,2，…，Co；(4)对粗分割后图像I_mt进行形态学平滑处理，得到平滑后图像I_ms；(5)对平滑后图像I_ms进行模糊聚类细分割：5a)设定迭代停止条件ε，其中0＜ε＜1，聚类数目的初始值c＝2，自适应函数初始值L(1)＝0，迭代次数的初始值k＝0，模糊加权指数m＝2；5b)随机初始化聚类中心矩阵：$V^{\left(0\right)}=\left[\begin{array}{ccccc}{v}_1^{\left(0\right)}& ...& v_i^{\left(0\right)}& ...& v_c^{\left(0\right)}\end{array}\right],$其中i＝1,2，…，c；5c)求取平滑后图像I_ms中第j个像素点与第i个聚类中心的第k次迭代的距离并计算第k次迭代的隶属度矩阵U^(k)和第k次迭代后的聚类中心矩阵V^(k+1)；5d)对V^(k)和V^(k+1)进行比较，如果||V^(k+1)‑V^(k)||＜ε，则迭代停止，执行步骤5e)，否则令k＝k+1，返回步骤5c)；5e)计算聚类数目为c时的自适应函数L(c)，当2＜c＜q时，若存在满足L(c‑1)＞L(c‑2)且L(c‑1)＞L(c)的点，则取聚类数目c＝c‑1时的聚类结果作为图像细分割的结果，否则令c＝c+1，返回步骤5b)；当c＞q时，则取聚类数目时的聚类结果作为图像细分割的结果，得到最终的分割结果图像。