山東省青島第五十八中學(xué) 徐知涵

基于計算機圖形圖像形態(tài)學(xué)圖像分割方法

山東省青島第五十八中學(xué) 徐知涵

本文提出了一種基于計算機圖形圖像形態(tài)學(xué)圖像分割的方法，該分割方法將圖像的灰度直方圖信息特征作為聚類對象，利用圖劃分粒子群優(yōu)化的方法進行SAR圖像的自動分割，該分割方法能夠減小SAR圖像的斑點噪聲，提高分割的精度和準確率。

形態(tài)學(xué)；圖像分割；粒子群；邊緣檢測

一、前言

隨著科技的不斷進步，圖像處理技術(shù)越來越廣泛的應(yīng)用于我們的生產(chǎn)生活中，而作為圖像處理領(lǐng)域的一個重要的分支，圖像分割技術(shù)也越來越受到人們的重視。圖像分割是圖像解譯過程中的一個關(guān)鍵步驟，圖像分割技術(shù)是指對圖像中有意義的特征部分進行提取的技術(shù)。常見的應(yīng)用如：醫(yī)學(xué)影像、衛(wèi)星圖像定位、人臉識別、指紋識別、交通控制系統(tǒng)、機器視覺等都是應(yīng)用分割技術(shù)的例子，可見分割技術(shù)與我們的工作和生活息息相關(guān)，它能提高我們的工作效率和生活質(zhì)量，給我們的生活帶來極大地便利。合成孔徑雷達具有高分辨、全候、強透射等特點，SAR圖像的獲取比較容易，但是對圖像的解譯卻比較困難；SAR圖像分割是圖像解譯的關(guān)鍵技術(shù)，SAR圖像的自動分割對雷達遙感的發(fā)展具有重要的意義。 近年來，基于粒子群優(yōu)化算法的圖像分割方法開始應(yīng)用于SAR圖像的分割，包括人工免疫系統(tǒng)、粒子群優(yōu)化和多智能體等進化范例，但是由于這種方法對SAR圖像所含有的斑點噪聲非常敏感，因此分割的結(jié)果并不理想。

二、算法流程與實現(xiàn)

本文提出的基于計算機圖形圖像形態(tài)學(xué)圖像分割方法的流程如圖1所示：

圖1 算法流程

(1)輸入原始待分割圖像I，讀取圖像的灰度梯度信息。

(2)根據(jù)實驗選擇最優(yōu)的數(shù)值，包括鄰域窗口半徑ds，搜索窗口半徑Ds和高斯平滑參數(shù)h，并對待分割圖像I進行非局部均值濾波去燥處理，得到梯度圖像。其具體實現(xiàn)步驟如下：

b)高斯函數(shù)平滑參數(shù)取但不限于h＝10，控制著指數(shù)函數(shù)的衰減程度；

c)計算原始待分割圖像I中所有像素的加權(quán)平均：

其中i為圖像像素點的灰度級，取值為0～255, v ( j )為離散噪聲圖像；w(i , j )為權(quán)重，其由第i個像素和第j個像素的相似性決定：

美沙拉嗪緩釋片單劑量與多劑量給藥在Beagle犬體內(nèi)的藥動學(xué)研究 ……………………………………… 向榮鳳等（16）：2198

d)將i個像素點灰度的加權(quán)平均值作為其新的灰度值，得到濾波后的圖像。

(3)對梯度圖像進行初分割，將其劃分成互不重疊的N個區(qū)域，N〉100。其具體的實現(xiàn)步驟如下：

a)利用soble算子提取梯度圖像的邊界信息；

b)獲取所提取圖像的水平和垂直邊界；

c)對邊界圖像進行形態(tài)學(xué)運算，包括圖像的膨脹運算和腐蝕運算；

d)對形態(tài)學(xué)運算后的圖像進行開運算和閉運算；

e)對開閉運算后的圖像進行分水嶺變換，得到圖像的分水嶺脊線，輸出初分割后的SAR圖像。

(4)求出梯度圖像的最大類別數(shù)C，將此作為圖像的灰度級。其實現(xiàn)的具體步驟如下：

a)根據(jù)初分割后的圖像，建立其灰度直方圖；

b)對灰度直方圖進行局部平滑運算；

c)求出平滑后直方圖的所有峰值，并計算其斜率均值；

d)對平滑后直圖像進行開閉運算，并將其開閉運算的結(jié)果M與設(shè)定的閾值T＝0.01進行比較：若M＜T，則圖像的灰度級C＝C+1；否則重復(fù)步驟b)和c)。

(5)將分割成的區(qū)域映射為無向加權(quán)圖，以此構(gòu)建能量函數(shù)。

a)對所分割成的N個進行區(qū)域映射，得到無向加權(quán)圖，該無向加權(quán)圖的頂點由像素點表示，像素點之間的相似性S(m , n)：

其中，Imy代表像素m的灰度分量，Imcb和Imcr代表像素的色差分量，當(dāng)輸入圖像是灰度圖像時只有灰度分量；

b)根據(jù)像素點相似性建立能量函數(shù)的標號集Lp。

c)設(shè)P為像素點的集合，Lp為像素點P所屬類的標號集，Np為P的相鄰像素點的集合，構(gòu)建無向加權(quán)圖的能量函數(shù)fit(L)：

(6)利用粒子群優(yōu)化算法對所構(gòu)建的能量函數(shù)進行最優(yōu)化求解，得到類別中心和類別數(shù)。

a)初始化粒子群的個體：設(shè)粒子數(shù)為np，隨機初始化粒子速度和位置，隨機初始化每個粒子的局部最優(yōu)值pbestk，最大迭代數(shù)Nc＝20，其中，1＜k＜np；

b)初始粒子的位置xk和速度vk，將其限定在0～C之間，利用如下公式對粒子的速度vk和位置xk進行更新：

其中，vk+1為更新后粒子的速度，xk+1為更新后粒子的位置，c1是粒子個體的學(xué)習(xí)因子，c2粒子群體的學(xué)習(xí)因子，c1和c2的取值均為1.49，r1與r2是介于0～1之間相互獨立的隨機數(shù)，r1≠r2，w為慣性權(quán)重；

c)判斷當(dāng)前迭代次數(shù)Nc是否大于20，若是，則輸出最優(yōu)聚類個數(shù)和分割后的圖像，否則，返回步驟b)。

三、實驗與仿真

本文的仿真實驗是在HP Compaq dx7408， CoreTM2Duo CPU E6550，CPU頻率2.33GHz計算機，軟件平臺Matlab R2010b下進行測試。

用本文對類別數(shù)為2的SAR1圖像進行實驗測試，最后的分割結(jié)果如圖2所示。

圖2 SAR1圖像分割測試

四、總結(jié)

本文采用非局部均值濾波對原始SAR圖像進行平滑處理，能較好的保持圖像的邊緣信息，有利于后期的分割；本文采用的是基于圖劃分的機制，能夠?qū)崿F(xiàn)對圖像的自動分割。由于采用了粒子群優(yōu)化算法框架，直接對圖像的灰度直方圖進行編碼而不是圖像所有像素點進行編碼，減少了算法的復(fù)雜度，加速了種群的更新速度，能得到最佳的收斂類別數(shù)。本文采用的分割算法相比其它分割算法能夠更準確地對SAR圖像進行分割，同時對圖像的邊緣保持較好，具有較強的魯棒性。

[1]張小華,陳佳偉,孟紅云,焦李成,孫翔.基于非下采樣Shearlet和方向權(quán)值鄰域窗的非局部均值SAR圖像相干斑抑制[J].紅外與毫米波學(xué)報,2012(02).

[2]辛芳芳,焦李成,王桂婷.基于Memetic算法的SAR圖像變化檢測[J].紅外與毫米波學(xué)報,2012(01).

[3]顏學(xué)穎,焦李成,王凌霞,萬紅林.一種提高SAR圖像分割性能的新方法[J].電子與信息學(xué)報,2011(07).

[4]安成錦,牛照東,李志軍,陳曾平.典型Otsu算法閾值比較及其SAR圖像水域分割性能分析[J].電子與信息學(xué)報,2010(09).

[5]張軍,韋志輝.SAR圖像去噪的分數(shù)階多尺度變分PDE模型及自適應(yīng)算法[J].電子與信息學(xué)報,2010(07).

[6]尹奎英,胡利平,劉宏偉,金林.一種復(fù)合的SAR圖像去噪算法[J].西安電子科技大學(xué)學(xué)報,2010(02).