[发明专利]基于分解进化多目标优化和FCM的SAR图像分割方法

权利要求书

1.一种基于分解进化多目标优化和FCM的SAR图像分割方法，其特征在于：包括以下步骤： 

步骤1：输入待分割遥感图像； 

步骤2：提取待分割图像特征：利用Gabor滤波器提取图像的Gabor特征向量，利用灰度共生矩阵方法提取图像的灰度共生特征向量，并将两种特征向量级联之后的特征向量作为待分割图像的每一个像素点的特征向量； 

步骤3：产生待聚类数据features：用分水岭算法对待分割图像进行分水岭粗分割，得原图的超像素；对每一个超像素所包含的所有像素点特征取平均值，来代表初始聚类数据的每一个超像素的特征向量，用所有超像素的特征向量的集合作为待聚类数据features，features的大小是Nf×fl，其中Nf表示粗分割之后的超像素的个数，fl表示每一个超像素的特征向量的维数； 

步骤4：利用待聚类数据初始化大小为N的初始种群X={x₁,x₂,…,x_N}，每个个体x_n都代表一个聚类中心，同时也代表了一个分割结果，n=1,2,…,N，N为初始种群大小； 

步骤5：分别根据指标XB和Jm计算每个个体的目标函数值F_n：把根据指标XB得出的值作为目标函数值F_n的第一个目标值，把根据指标Jm得出的值作为目标函数值F_n的第二个目标值： 

F_n=[F1,F2]=[XB,Jm] 

步骤6：初始化理想点Z^*； 

其中是第1个目标函数XB到目前为止找到的最小值，是第2个目标函数Jm到目前为止找到的最小值； 

步骤7：将多目标问题F(x)=min(F1(x),F2(x))用切比雪夫分解方法分解成N个子问题，具体的每一个子问题的目标函数如下： 

其中，是当前的参考点，即每一个目标当前的最优值组成的向量，本发明中m的值是2；表示第j个子问题的目标函数；是第j个子问题的权值； x表示一个种群个体，f_ji(x)表示第j个子问题的个体对应的第i个目标函数的值； 

步骤8：根据每一个子问题的权值λ^j，计算每一个子问题的s_n个邻居子问题Nbor(j)=(Nbor_j1,Nbor_j2,…,Nbor_{js_n})，Nbor_ji表示第j个子问题的第i个邻居子问题的索引，所以Nbor_ji的取值是整数；取s_n=10；i=1,2,…,s_n； 

步骤9：将每一个子问题的个体P_j(t)初始化为x_j，x_j∈X，其中t为迭代次数，t=0；并计算个体P_j(t)对应的目标函数值Ft_j； 

步骤10：对每一个子问题对应的个体P_j(t)进行进化操作得到临时个体P_j(t+1)″ 

10.1在第j个子问题的s_n个邻居子问题Nbor(j)中随机选择3个邻居子问题s,k,l，对第s,k,l个邻居子问题的个体P_s(t)，P_k(t)，P_l(t)进行模拟二进交叉操作，得到一个新的临时子代个体P_j(t+1)′； 

10.2对临时个体P_j(t+1)′进行多项式变异操作，得到个体P_j(t+1)″； 

步骤11：对得到的个体P_j(t+1)″用FCM算法进行一次迭代操作得到新的个体P_j(t+1)； 

步骤12：计算新的临时个体P_j(t+1)的两个目标函数值newF_j，并根据newF_j更新理想点Z^*；通过新的临时个体P_j(t+1)和其目标值newF_j来更新第j个子问题的所有s_n个邻居子问题Nbor(j)分别对应的个体以及每个个体对应的目标函数值； 

步骤13：判断当前迭代次数t是否满足t<Tmax，如满足，则执行步骤13；否则，令迭代次数t加一次t=t+1，返回步骤11，其中Tmax为最大迭代次数，取Tmax=20； 

步骤14：从种群中选择合适的个体作为聚类中心：将每一个子问题的父代个体P_j(t)取出，把每一个个体作为将要聚类的超像素的聚类中心，把这些聚类中心作为最终的输出解集；并根据第三方指标PBM从最终的输出解集中选择一个个体作为聚类中心； 

步骤15：得到每个像素的类别号：计算每个像素的特征向量与从步骤15中得到的聚类中心的欧式距离，把该像素归到距离它的欧氏距离最小的聚类中心的类别中，得到每一个像素的类别； 

步骤16：输出分割图像。