基于加权信息熵和马尔可夫随机场的红外目标分割方法

摘要

本发明涉及一种基于加权信息熵和马尔可夫随机场的红外目标分割方法，技术特征在于：首先利用加权信息熵得到感兴趣区域，继而利用高斯马尔可夫随机场在感兴趣区域内建模来捕捉图像的上下文信息，并在迭代中采用ICM优化算法，使得解空间大大减小、噪声干扰大大降低，从而迭代步数减少、分割精度有明显的改善、分割速度大大提高。许多红外目标分割实验，都验证了本发明的有效性。

主权项

1.一种基于加权信息熵和马尔可夫随机场的红外目标分割方法，其特征在于步骤如下：步骤1基于加权信息熵的感兴趣区域提取：步骤a：以大小为m×n的图像块来平分M×N图像，m＝2^k，n＝2^l，k，l＝1，2，3，...，得到平分后的若干个子图像；步骤b：对每幅子图像F(u，v)，其中0≤u≤M/m-1，0≤v≤N/n-1，利用$H\left(s\right)=-\underset{S=0}{\overset{255}{\Sigma }}{(s-\bar{s})}^2*p_s*\log \left(p_s\right)$when p_s＝0，let p_s*log(p_s)＝0计算每幅子图像的加权信息熵WIE值H(u，v)，得到M/(m-1)×N/(n-1)大小的熵图像，并计算出熵图像的均值μ和方差δ；其中s表示灰度值，s∈[0，255]，p_s表示每种灰度级对应的概率，表示红外图像的灰度平均值；步骤c：当最大的熵值的熵图像H(u，v)≥H_T作为种子，其中H_T＝μ+6×δ；如果H(u，v)＜H_T，将m＝m/2，n＝n/2，重复步骤a～b，直到熵图像的最大值满足H(u，v)≥H_T或m＝2或n＝2；步骤d：在熵图像H(u，v)上，结合种子利用四邻域进行区域增长，得到包含目标的矩形区域；步骤2：在矩形区域内利用马尔可夫随机场建模，然后做随机初始分割，利用ICM进行迭代优化得到目标区域与背景区域的分割图像；所述迭代优化中的权值修正方案为W＝800*0.97^t+1，其中：t表示迭代步数，最优分割问题转化为求解能量最小问题，能量表示为两部分加权和的形式：E＝W*E_f+E_r，其中表示能量中的特征成分，$E_r\left(x\right)=\underset{s}{\Sigma }{U}_s\left(x\right)=\underset{s}{\Sigma }\left[\beta \underset{t\in N_s}{\Sigma }\delta (x_s,x_t)\right]$表示能量中的区域部分，其中μ_m，σ_m分别代表第m类的均值和标准差；如果x_s＝x_t，则δ(x_s，x_t)＝-1；如果x_s≠x_t，则δ(x_s，x_t)＝1；β是事先定义好的常量。