[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

说明书

技术领域

本发明属于智能图像处理领域，涉及到遥感图像分割技术，具体是一种基于分解进化多目标优化和FCM的SAR图像分割方法，用于对光学遥感图像和合成孔径雷达(SAR)图像的分割以达到目标识别的目的，可用于遥感测绘、导弹末制导、海洋资源监测、军事侦察、地矿物资源勘探、城市规划、抗震救灾等多个领域。

背景技术

随着计算机视觉理论的兴起，对图像的分割已成为图像理解领域关注的一个热点，图像分割作为前沿学科充满了挑战，吸引了众多的学者从事这一领域研究。图像分割就是根据图像的特征，把图像分割成若干特定的，独特性质的区域并提取出感兴趣的目标的技术和过程。它的应用非常广泛，几乎出现在有关图像处理的所有领域。

图像分割方法按照采用的优化目标函数的个数可以分为利用单一目标函数的单目标优化算法和利用多目标同时优化的多目标优化算法，在实际应用中，如果知道关于问题的明确求解目标，可以采用单目标优化算法，但是，实际图像的像素分布往往比较难以估计和建模，较为理想的方式就是从多个方向同时搜索，这就启发研究者们采用更为宽泛的多目标优化算法来提高求解问题的综合性能。所以，多目标优化问题在实际中的应用越来越受到人们的重视，将多目标优化算法用于图像分割领域逐渐成为学者们研究的一个热点。

近几年出现了一些应用多目标方法实现的图像分割技术，多个互斥并同时互补的目标相结合，利用更多的图像信息来达到更好的分割结果和分割精度，例如“基于免疫多目标聚类的图像分割算法”，该算法是一种基于免疫多目标聚类的图像分割算法，提出了一种加入局部搜索极值的免疫方法，并对克隆种群规模进行自适应化然后将其用于图像分割，虽然该方法在区域一致性和边缘保持方面有一定的优势，但是存在的不足是，由于采用了过多的进化技术，增加了整个分割过程的计算复杂度，使得分割速度较慢，同时，该方法选用的两个目标函数不恰当，一个目标函数包含另一个目标函数，这样就不能体现多目标算法的优势之处，所以导致分割结果并不理想。

发明内容

本发明的目的是：针对上述的单目标优化问题评价指标单一导致图像信息利用较少和一些多目标优化算法在计算复杂度高，图像细节保持性能不好等不足，提出了一种基于分解进化多目标优化和FCM的SAR图像分割方法。本发明中提取融合特征作为带聚类数据，能达到较好的性能互补的特征提取能力，更好的保持图像细节；选取两个互补的目标函数，就能从多个方向同时搜索优化，使得算法可以在更为宽广的区域搜索，避免算法陷入局部最优解，改善现有的方法中目标函数单一的缺点；并充分利用了FCM算法快速收敛的特性，减少了算法的时间复杂度。

本发明的技术方案是：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，并将这两个特征向量级联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：