一种基于量子粒子群优化的二维双阈值SAR图像分割方法

摘要

本发明公开了一种基于量子粒子群优化的二维双阈值SAR图像分割方法，其实现步骤为：（1）初始化粒子群种群规模M和最大迭代次数T

说明书

技术领域

本发明属于图像数据处理技术领域，具体地说是一种基于量子粒子群优化的二维双阈值SAR图像分割方法。 

背景技术

雷达概念形成于20世纪初，是利用电磁波探测目标的电子设备。其在第二次世界大战中得到迅速发展。合成孔径雷达（Synthetic Aperture Radar,SAR）是一种工作在微波波段的相干成像雷达，是一种主动式的微波遥感传感器。由于它具有全天候、全天时、远距离和宽广的观测带，以及易于从固定背景中区分运动目标的能力，因此被广泛应用于地质勘探、城市规划、军事探测、海洋监测、植被生长评估等众多领域。合成孔径雷达的发展对国民生活、国防技术现代化、国民经济建设具有十分重要的意义，雷达技术越来越受到国际上技术先进国家的重视，现在不仅已有各种实孔径成像雷达，而且已有包含信息更全面的极化合成孔径雷达(Polarimetrie Synthetie Aperture Radar，简写PolSAR)。 

SAR图像分割和分类是SAR图像处理的第一步，也是图像处理中最难解决的问题之一。因此，寻求高效、高精度的图像分割方法具有十分重要的意义。图像分割一直受到人们的高度重视，许多学者为此付出了巨大的努力，至今已经提出了各种类型的分割算法。经典的图像分割方法有：基于阈值化的分割法、基于边缘的分割、基于区域的分割、基于聚类的分割、基于形态学及其他分割方法等。在这些方法中阈值化图像分割方法操作简单，效率高，因此作为一种常见的直接检测区域分割方法一直受到很多相关方向研究学者的关注，是图像分割的一种重要方法。随着图像分割问题复杂度的提高，该方法分割的高耗时性已经严重影响了它的应用。那么，寻找一种高效的算法来解决上述问题具有重大的意义。 

粒子群优化算法简洁、易于实现、需要调整的参数较少，现已被成功的运用于非线性连续优化、组合优化等优化问题上。在分割复杂度较高的图像时，我们经常将多参量进行信息融合，在求解多参量最优值过程中，优化计算是重点也难点，把自然界中自然进化的特征应用到计算机算法当 中，很多难题将得到解决。粒子群优化算法的出现为解决这类问题提供了崭新且高效的方法。因此将两者结合在一起将推进图像分割算法高效、实时的实现。 

发明内容

本发明的目的在于提供一种基于量子粒子群优化的二维双阈值SAR图像分割方法，克服已有经典阈值化图像分割技术在SAR图像分割时分割效果较差且分割时间复杂度高的缺点。 

为实现上述目的，本发明提供了一种基于量子粒子群优化的二维双阈值SAR图像分割方法，包括如下步骤： 

（1）初始化粒子群种群规模M和最大迭代次数T_max，使用随机函数生成每个粒子初始位置(x_i1,x_i2,…,x_is)。 

（2）根据下式计算获得σ_B作为适应度函数，依据类内方差最大值得到当前粒子的最优位置pbest_id和本次迭代中的全局最优值gbest_d。 

$\left(\begin{array}{c}\mathrm{tr}\left({\sigma }_B\right)=\frac{{\omega }_1{[{\omega }_0{\mu }_{\mathrm{Ti}}-{\mu }_i(u_1,v_1)]}^2+{\omega }_0{[{\omega }_1{\mu }_{\mathrm{Ti}}-{\mu }_i(u_2,v_2)]}^2+{[{\omega }_1{\mu }_i(u_1,v_1)-{\omega }_0{\mu }_i(u_2,v_2)]}^2}{{\omega }_0\times {\omega }_1\times (1-{\omega }_0{-\omega }_1)}\\ \frac{{\omega }_1{[{\omega }_0{\mu }_{\mathrm{Tj}}-{\mu }_j(u_1,v_1)]}^2+{\omega }_0{[{\omega }_1{\mu }_{\mathrm{Tj}}-{\mu }_j(u_2,v_2)]}^2+{[{\omega }_1{\mu }_j(u_1,v_1)-{\omega }_0{\mu }_j(u_2,v_2)]}^2}{{\omega }_0\times {\omega }_1\times (1-{\omega }_0-{\omega }_1)}\end{array},+\right)$

（3）设φ是[0,1]之间的随机数，根据式p_id＝φ*pbest_id+(1-φ)*gbest_d计算P_id，根据式   计算mbest_d。 

（4）随机产生两个位置x_j，x_k，并且x_j≠x_k≠x_i，根据式x_id＝φ*(x_k-x_j)+(1-φ)gbest_d±α*|mbest_d-x_id|*ln(1/u)构造δ，另δ＝x_k-x_j，构造与维数相同的rand随机数组。 

（5）设R为界定值，判断其与rand值的关系，当R＞rand时，用式x_id＝φ*(pbest_id-gbest_d)+gbest_d±α*|mbest_d-x_id|*ln(1/u)即量子粒子群的位置更新公式来粒子位置，当R≤rand，用式 x_id＝φ*(x_k-x_j)+(1-φ)gbest_d±α*|mbest_d-x_id|*ln(1/u)来更新粒子的位置。 

（6）检查是否达到结束条件，即是否取得了适应度值或达到最大迭代次数；若达到结束条件则停止迭代，算法结束；否则返回步骤（2）； 

（7）gbest_d指向的粒子的两个维度里保存着所要寻找的一对最优阈值，根据该对阈值对SAR图像进行分割。 

本发明具有如下优点： 

A）该方法以阈值法为基础，但应用简单阈值分割已经不能满足复杂图像的分割问题，因此本文引入二维双阈值Otsu法来SAR图像进行分割，以获得更好的分割效果。 

B）在本发明中，主要的开销在目标函数的复杂度和评价次数等方面，此方法一是在程序运行中添加了判断语句，并没有增加目标函数的评价次数，只是在程序实现过程中添加了判断操作，这并不是算法的主要开销，是可以忽略的。二是使用了二维双阈值Otsu算法，但是算法的时间复杂度较高，所以文中采用QPSO及改进QPSO方法来提高运算速度。 

附图说明

图1是本发明的流程图； 

图2是本发明使用的两组原始SAR图像； 

图3是用本发明与基于量子粒子群优化的传统二维Otsu方法及二维双阈值Otsu方法对图2(a)分割的仿真结果图； 

图4是用本发明与基于量子粒子群优化的传统二维Otsu方法及二维双阈值Otsu方法对图2(b)分割的仿真结果图。 

具体实施方式

参照图1，本发明的具体实现步骤如下： 

步骤1，初始化粒子群种群规模M和最大迭代次数T_max，使用随机函数生成每个粒子初始位置(x_i1,x_i2,…,x_is)。 

步骤2，根据下式计算获得σ_B作为适应度函数，依据类内方差最大值得到当前粒子的最优位置pbest_id和本次迭代中的全局最优值gbest_d。 

$\left(\begin{array}{c}\mathrm{tr}\left({\sigma }_B\right)=\frac{{\omega }_1{[{\omega }_0{\mu }_{\mathrm{Ti}}-{\mu }_i(u_1,v_1)]}^2+{\omega }_0{[{\omega }_1{\mu }_{\mathrm{Ti}}-{\mu }_i(u_2,v_2)]}^2+{[{\omega }_1{\mu }_i(u_1,v_1)-{\omega }_0{\mu }_i(u_2,v_2)]}^2}{{\omega }_0\times {\omega }_1\times (1-{\omega }_0-{\omega }_1)}+\\ \frac{{\omega }_1{[{\omega }_0{\mu }_{\mathrm{Tj}}-{\mu }_j(u_1,v_1)]}^2+{\omega }_0{[{\omega }_1{\mu }_{\mathrm{Tj}}-{\mu }_j(u_2,v_2)]}^2+{[{\omega }_1{\mu }_j(u_1,v_1)-{\omega }_0{\mu }_j(u_2,v_2)]}^2}{{\omega }_0\times {\omega }_1\times (1-{\omega }_0-{\omega }_1)}\end{array}\right)$

步骤3,设φ是[0,1]之间的随机数，根据式p_id＝φ*pbest_id+(1-φ)gbest_d计算p_id，根据式   计算mbest_d。 

步骤4，随机产生两个位置x_j，x_k，并且x_j≠x_k≠x_i，根据式x_id＝φ*(x_k-x_j)+(1-φ)gbest_d±α*|mbest_d-x_id|*ln(1/u)构造δ，另δ＝x_k-x_j，构造与维数相同的rand随机数组。 

步骤5，设R为界定值，判断其与rand值的关系，当R＞rand时，用式x_id＝φ*(pbest_id-gbest_d)+gbest_d±α|mbest_d-x_id|*ln(1/u)即量子粒子群的位置更新公式来粒子位置，当R≤rand，用式x_id＝φ*(x_k-x_j)+(1-φ)*gbest_d±α|mbest_d-x_id|*ln(1/u)来更新粒子的位置。 

步骤6，检查是否达到结束条件（取得较好的适应度值或达到最大迭代次数）。若达到结束条件则停止迭代，算法结束；否则返回步骤（2）。 

步骤7，gbest_d指向的粒子的两个维度里保存着所要寻找的一对最优阈值。根据该对阈值对SAR图像进行分割。 

本发明的效果通过以下实验仿真进一步说明。 

1.实验条件与方法 

实验仿真环境为：MATLAB7.0.4，Intel(R)Pentium(R)1CPU2.4GHz， Window XP Professional。 

实验方法：分别有基于量子粒子群优化的传统二维Otsu方法及二维双阈值Otsu方法和本发明。 

2.实验内容及结果 

实验内容：本发明分别使用图2所示两幅SAR图像做测试实验，分别是图2(a)和图2(b)。 

实验一，用现有基于量子粒子群优化的传统二维Otsu方法及二维双阈值Otsu方法与本发明对图2(a)图像进行仿真，分割结果见图3，其中，图3(a)是基于量子粒子群优化的传统二维Otsu方法分割的结果图，图3(b)为二维双阈值Otsu方法分割的结果图，3(c)为本发明分割结果。 

由于SAR图像信息量大、背景复杂，传统Otsu算法已经不能满足分割精度的要求，对比上述实验结果可以看出本发明可以更好的将背景和目标更好的分割出来。由于目前对图像分割效果还还没有统一的评价标准，因此本文选择两种常用的评价指标：最佳分割阈值、时间复杂度来评价三种算法的性能，如下表1所示。由图3和表1我们首先可以看出本文算法与QPSO优化的传统Otsu方法相比能将图像划分的更为合理；其次本发明与直接采用二维双阈值Otsu方法分割的图像相比，大大缩短了运算时间，分割效果也略好些。综合以上两点考虑，本发明分割效率高，分割效果也较理想。 

表1图2(a)图像三种算法性能评价结果 

实验二，用现有的基于量子粒子群优化的传统二维Otsu方法及二维双阈值Otsu方法与本发明对图2(b)仿真，分类结果见图4，其中，图4(a)是基于量子粒子群优化的传统二维Otsu方法分割的结果，图4(b)为二维双阈值Otsu方法分割的结果图，图4(c)是本发明分割的结果。 

从图4可以看出，本发明的结果明显好于现有的两种经典方法分类的结果，区域划分更加细致且更加精确，且分割速度较快。 

综上所述，本发明提出的对SAR数据的分割，在对复杂图像的分割过程中能取得更合理的分割结果，通过QPSO优化降低了算法计算复杂，而且本发明思想比较简单，容易理解与应用。 

以上例举仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。 

本实施例没有详细叙述的工艺步骤属于本领域公知技术或常用手段，这里不一一叙述。