[发明专利]一种基于模态MRF随机场的水下前视声纳图像分割方法

说明书

本发明涉及一种基于模态MRF随机场的水下前视声纳图像分割方法。本发明的核心是利用模态Potts网络对图像进行建模和分割。具体步骤包括：初始化Potts态；用EM算法估计类条件参数；每个Potts单元根据热浴动力进行更新,Potts单元的内场满足Markov依赖,Potts的外场是像素的类条件概率的对数；更新Potts单元之间的交互参数，以及Potts单元与外场之间的交互参数；根据参数的收敛程度判断是否退出。本发明采用基于热浴动力的Potts网络进行图像分割，符合大脑的认知机制；本发明在去除斑块噪声的同时能几乎完美的保留目标的边缘信息。

技术领域

本发明属于水下声纳图像处理领域，具体说是一种基于模态Markov随机场的前视声纳图像分割方法。

背景技术

水下机器人是探索水下未知环境、执行水下特定任务的载体。由于光电信号在海水中的作用距离十分有限，声纳就成为了水下机器人感知水下环境的基本必备工具。声纳图像在海洋环境监测、海底资源勘探、水声情报搜集和协助水下工程作业等方面发挥着非常重要的角色。而其中，前视声纳是近距离调查和作业的首选工具。

然而，受到水体的反射和声波的散射等因素的干扰，前视声纳图像中包含大量的斑块噪声。因此，前视声纳图像处理的最大难点在于如何在去除斑块噪声的同时尽可能的保留目标区域的完整轮廓信息。

Markov随机场模型(Markov random field,MRF)和基于均值场近似的期望最大算法(Expectation-Maximization with Mean-Field approximation,EMMF)算法在声纳图像中取得了不错的效果。但是，却存在如下的缺点：(1)MRF模型处理斑块噪声的能力有限，在绝大多数情况下都需要进行形态学后处理去除先验概率较大的噪声。(2)EMMF算法虽然具有较好的平滑效果，但是却存在过平滑的现象，会丢失大量的轮廓信息。

发明内容

本发明目的是提供一种水下前视声纳图像分割方法，在去除斑块噪声的同时尽可能的保留目标区域的轮廓信息。

本发明为实现上述目的所采用的技术方案是：一种基于模态MRF随机场的水下前视声纳图像分割方法，包括以下步骤：

1)采用模糊C均值聚类算法对声纳图像进行聚类得到隶属度矩阵，并用隶属度矩阵初始化当前图像每个Potts单元的激活向量Q为Potts单元的状态数即类的个数，i为像素序号；

2)设置交互参数的当前学习速率η₀为设定的初始学习速率，t为当前迭代次数；

3)采用期望最大算法估计条件参数Θ_k～(π_k；μ_k,∑_k)；

4)根据热浴动力更新Potts单元；

5)根据热平衡原理更新交互参数；返回步骤3)，直到交互参数的变化量Δβ≤ε且Δλ≤ε为止，ε为常数，此时得到的图像为分割后的图像。

所述采用期望最大算法估计条件参数Θ_k～(π_k；μ_k,∑_k)包括以下步骤：

(1)计算每个像素x_{i＝1,...,H×W}属于每个类k＝1,...,Q的概率：

其中，π_k为先验概率，μ_k为均值，∑_k为方差；f(x_i|Θ_k)是第i个Potts单元属于第k个类的概率，服从高斯分布；H和W分别为图像的高度和宽度；

(2)根据似然概率最大求取条件参数：