基于计算机图形图像形态学图像分割方法

山东省青岛第五十八中学 徐知涵

基于计算机图形图像形态学图像分割方法

山东省青岛第五十八中学 徐知涵

本文提出了一种基于计算机图形图像形态学图像分割的方法，该分割方法将图像的灰度直方图信息特征作为聚类对象，利用图划分粒子群优化的方法进行SAR图像的自动分割，该分割方法能够减小SAR图像的斑点噪声，提高分割的精度和准确率。

形态学；图像分割；粒子群；边缘检测

一、前言

随着科技的不断进步，图像处理技术越来越广泛的应用于我们的生产生活中，而作为图像处理领域的一个重要的分支，图像分割技术也越来越受到人们的重视。图像分割是图像解译过程中的一个关键步骤，图像分割技术是指对图像中有意义的特征部分进行提取的技术。常见的应用如：医学影像、卫星图像定位、人脸识别、指纹识别、交通控制系统、机器视觉等都是应用分割技术的例子，可见分割技术与我们的工作和生活息息相关，它能提高我们的工作效率和生活质量，给我们的生活带来极大地便利。合成孔径雷达具有高分辨、全候、强透射等特点，SAR图像的获取比较容易，但是对图像的解译却比较困难；SAR图像分割是图像解译的关键技术，SAR图像的自动分割对雷达遥感的发展具有重要的意义。 近年来，基于粒子群优化算法的图像分割方法开始应用于SAR图像的分割，包括人工免疫系统、粒子群优化和多智能体等进化范例，但是由于这种方法对SAR图像所含有的斑点噪声非常敏感，因此分割的结果并不理想。

二、算法流程与实现

本文提出的基于计算机图形图像形态学图像分割方法的流程如图1所示：

图1 算法流程

(1)输入原始待分割图像I，读取图像的灰度梯度信息。

(2)根据实验选择最优的数值，包括邻域窗口半径ds，搜索窗口半径Ds和高斯平滑参数h，并对待分割图像I进行非局部均值滤波去燥处理，得到梯度图像。其具体实现步骤如下：

b)高斯函数平滑参数取但不限于h＝10，控制着指数函数的衰减程度；

c)计算原始待分割图像I中所有像素的加权平均：

其中i为图像像素点的灰度级，取值为0～255, v ( j )为离散噪声图像；w(i , j )为权重，其由第i个像素和第j个像素的相似性决定：

美沙拉嗪缓释片单剂量与多剂量给药在Beagle犬体内的药动学研究 ……………………………………… 向荣凤等（16）：2198

d)将i个像素点灰度的加权平均值作为其新的灰度值，得到滤波后的图像。

(3)对梯度图像进行初分割，将其划分成互不重叠的N个区域，N〉100。其具体的实现步骤如下：

a)利用soble算子提取梯度图像的边界信息；

b)获取所提取图像的水平和垂直边界；

c)对边界图像进行形态学运算，包括图像的膨胀运算和腐蚀运算；

d)对形态学运算后的图像进行开运算和闭运算；

e)对开闭运算后的图像进行分水岭变换，得到图像的分水岭脊线，输出初分割后的SAR图像。

(4)求出梯度图像的最大类别数C，将此作为图像的灰度级。其实现的具体步骤如下：

a)根据初分割后的图像，建立其灰度直方图；

b)对灰度直方图进行局部平滑运算；

c)求出平滑后直方图的所有峰值，并计算其斜率均值；

d)对平滑后直图像进行开闭运算，并将其开闭运算的结果M与设定的阈值T＝0.01进行比较：若M＜T，则图像的灰度级C＝C+1；否则重复步骤b)和c)。

(5)将分割成的区域映射为无向加权图，以此构建能量函数。

a)对所分割成的N个进行区域映射，得到无向加权图，该无向加权图的顶点由像素点表示，像素点之间的相似性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，当输入图像是灰度图像时只有灰度分量；

b)根据像素点相似性建立能量函数的标号集Lp。

c)设P为像素点的集合，Lp为像素点P所属类的标号集，Np为P的相邻像素点的集合，构建无向加权图的能量函数fit(L)：

(6)利用粒子群优化算法对所构建的能量函数进行最优化求解，得到类别中心和类别数。

a)初始化粒子群的个体：设粒子数为np，随机初始化粒子速度和位置，随机初始化每个粒子的局部最优值pbestk，最大迭代数Nc＝20，其中，1＜k＜np；

b)初始粒子的位置xk和速度vk，将其限定在0～C之间，利用如下公式对粒子的速度vk和位置xk进行更新：

其中，vk+1为更新后粒子的速度，xk+1为更新后粒子的位置，c1是粒子个体的学习因子，c2粒子群体的学习因子，c1和c2的取值均为1.49，r1与r2是介于0～1之间相互独立的随机数，r1≠r2，w为惯性权重；

c)判断当前迭代次数Nc是否大于20，若是，则输出最优聚类个数和分割后的图像，否则，返回步骤b)。

三、实验与仿真

本文的仿真实验是在HP Compaq dx7408， CoreTM2Duo CPU E6550，CPU频率2.33GHz计算机，软件平台Matlab R2010b下进行测试。

用本文对类别数为2的SAR1图像进行实验测试，最后的分割结果如图2所示。

图2 SAR1图像分割测试

四、总结

本文采用非局部均值滤波对原始SAR图像进行平滑处理，能较好的保持图像的边缘信息，有利于后期的分割；本文采用的是基于图划分的机制，能够实现对图像的自动分割。由于采用了粒子群优化算法框架，直接对图像的灰度直方图进行编码而不是图像所有像素点进行编码，减少了算法的复杂度，加速了种群的更新速度，能得到最佳的收敛类别数。本文采用的分割算法相比其它分割算法能够更准确地对SAR图像进行分割，同时对图像的边缘保持较好，具有较强的鲁棒性。

[1]张小华,陈佳伟,孟红云,焦李成,孙翔.基于非下采样Shearlet和方向权值邻域窗的非局部均值SAR图像相干斑抑制[J].红外与毫米波学报,2012(02).

[2]辛芳芳,焦李成,王桂婷.基于Memetic算法的SAR图像变化检测[J].红外与毫米波学报,2012(01).

[3]颜学颖,焦李成,王凌霞,万红林.一种提高SAR图像分割性能的新方法[J].电子与信息学报,2011(07).

[4]安成锦,牛照东,李志军,陈曾平.典型Otsu算法阈值比较及其SAR图像水域分割性能分析[J].电子与信息学报,2010(09).

[5]张军,韦志辉.SAR图像去噪的分数阶多尺度变分PDE模型及自适应算法[J].电子与信息学报,2010(07).

[6]尹奎英,胡利平,刘宏伟,金林.一种复合的SAR图像去噪算法[J].西安电子科技大学学报,2010(02).