基于并行免疫克隆聚类的SAR图像分割方法

摘要

本发明公开了一种并行免疫克隆聚类的SAR图像分割技术方法，主要解决现有聚类技术在解决大规模SAR图像分割时速度慢、分割效果不理想问题。其实现过程是：1)对待分割的SAR图像提取特征得到输入数据样本；2)配置MATLAB并行计算环境；3)在并行计算环境中将数据样本向各个处理器进行并行任务划分；4)对各个处理器上的分块数据免疫克隆优化并迁移，得到聚类中心和相应聚类标签；5)将聚类标签与SAR图像像素点一一对应，得到分割结果。本发明能够有效克服现有聚类技术在运算量和存储空间上的瓶颈问题，对大规模SAR图像分割效果显著，适用于SAR图像目标检测和目标识别。

说明书

技术领域

本发明属于图像处理技术领域，涉及SAR图像分割，可用于雷达目标检测和目标识别。

背景技术

合成孔径雷达SAR具有全天时、全天候的探测与侦察能力。它利用脉冲压缩技术获得高的距离分辨率，利用合成孔径原理提高方位分辨率，从而相比真实孔径雷达在遥感领域具有独特的优势。对SAR图像的理解和解译属于图像处理范畴，还涉及信号处理，模式识别及机器学习等众多学科。SAR图像分割作为SAR图像处理的关键环节之一，在国防和民用领域正受到越来越广泛的关注。现有的SAR图像分割方法有阈值分割法、形态学的方法、聚类的方法、及随机场的方法等。

其中，基于聚类的SAR图像分割方法，是将SAR图像中具有某方面相似特征的区域尽量划分成一类。已经有很多成熟的聚类算法被用到SAR图像分割中。其中包括免疫克隆聚类算法，它具有并行性和搜索变化的随机性，在搜索中不易陷入局部最优值，能以较大的概率获得问题的全局最优解，且具有较快的收敛速度。但随着科学技术的发展，在实际SAR图像分割中，经常遇到大规模、超高维、复杂分布的数据，对于这些数据，现有的免疫克隆聚类算法由于受到算法里面操作算子复杂度的限制，在时间和分割效果上都显得力不从心，无法在有限的时间内给出令人满意的分割结果。

发明内容

本发明的目的在于克服上述已有技术的不足，提出了一种基于并行免疫克隆聚类的SAR图像分割方法，以减小聚类的时间和空间复杂度，从而能够有效快速的对大规模数据的SAR图像进行分割。

为实现上述目的，本发明包括以下步骤：

(1)对待分割的SAR图像进行3层平稳小波变换，图像像素点总个数为z，对每个像素点提取出10维子带能量特征，构成大小为z×10的输入数据样本X＝{x_i|i＝1，2，...，z}：

$>x_i=\frac{1}{M\times N}\underset{e=1}{\overset{M}{\Sigma }}\underset{u=1}{\overset{N}{\Sigma }}\left|\mathrm{coef}(e,u)\right|$>

其中，M×N为利用滑动窗口确定的子带大小，这里取值为16×16，coef(e，u)为平稳小波子带中第e行第u列的系数值；

(2)配置MATLAB7.8R2009(a)版本的并行计算环境：

2a)安装MATLAB7.8R2009(a)版本的并行计算工具箱和分布式计算服务器；

2b)在各个集群节点上用mdce start命令启动分布式计算服务器；

2c)在集群的主节点上用startjobmanager命令启动并行任务调度器；

2d)在各个处理器节点上用startworker命令启动工作进程；

(3)根据配置好的MATLAB7.8 R2009(a)版本并行计算环境，对输入数据样本X进行并行任务划分：

3a)根据配置好的MATLAB并行计算环境，使用findResource命令指定配置好的任务调度器，用createJob命令创建作业；

3b)在所创建的作业中，将规模为z×10的输入数据样本X用createTask命令均衡划分到p个处理器上，遇到不能整除的情况则将剩余的数据样本存放到最后一个节点上；

3c)使用submit命令提交作业，然后用waitForState命令将各个任务安排到相应的任务队列里等待各个处理器节点的执行，其中各个任务是指分配到各个处理器节点的分块数据将要执行的免疫克隆优化算法；

(4)对各个处理器节点上的分块数据进行免疫克隆局部优化，并在优化过程中对优秀抗体按亲和度值从大到小排序迁移，得到优化后的聚类中心和相应聚类标签；

(5)将聚类标签与SAR对象像素点一一对应，得到图像分割结果。

本发明与现有的技术相比具有以下优点：

1)本发明将MATLAB并行计算环境应用于并行免疫克隆聚类方法，能够有效解决现有聚类技术运算量过大、速度慢的问题；

2)本发明相对已有的SAR图像分割技术，设计的并行免疫克隆聚类方法能够充分发掘SAR图像的内在信息，获得更好的分割效果；

仿真实验结果表明，本发明提出的并行免疫克隆类方法能够有效地应用于SAR图像分割，并进一步应用于雷达目标检测和目标识别。

附图说明

图1是本发明的实现流程图；

图2是本发明的MATLAB并行计算环境示意图；

图3是本发明仿真使用的集群环境示意图；

图4是本发明与现有K-均值聚类算法和免疫克隆聚类算法应用于重庆嘉陵江流域SAR图像分割的对比实验结果图；

图5是本发明与现有K-均值聚类算法和免疫克隆聚类算法应用于福建厦门鼓浪屿SAR图像分割的对比实验结果图；

图6是本发明与现有K-均值聚类算法和免疫克隆聚类算法应用于北京故宫博物院SAR图像分割的对比实验结果图；

图7是本发明在3幅SAR图像上分割的并行加速比和效率示意图。

具体实施方式

参照图1，本发明的具体实施过程如下：

步骤1.对待分割SAR图像提取特征。

SAR图像不仅数据量大，在成像过程中不同的地物有不同的后向发射和散射特性，从而具有丰富的幅度、相位、极化和纹理信息，并且图像固有的相干斑噪声对于分割性能直接产生影响，因此，有必要在图像分割前对SAR图像进行纹理分析，提取有效的纹理特征进行聚类。

在以上分析基础上，先对待分割的SAR图像进行3层平稳小波变换，图像像素点总个数为z，对每个像素点提取出10维子带能量特征，构成大小为z×10的输入数据样本X＝{x_i|i＝1，2，...，z}：

$>x_i=\frac{1}{M\times N}\underset{e=1}{\overset{M}{\Sigma }}\underset{u=1}{\overset{N}{\Sigma }}\left|\mathrm{coef}(e,u)\right|$>

其中，M×N为利用滑动窗口确定的子带大小，这里取值为16×16，coef(e，u)为平稳小波子带中第e行第u列的系数值，这样，对于大小为256×256的SAR图像，就构成65536×10的矩阵作为并行免疫克隆聚类方法的输入数据。

步骤2.配置MATLAB7.8 R2009(a)版本的并行计算环境。

参照图2，本步骤的具体实现如下：

2a)在图3所示的64刀片集群环境中安装MATLAB 7.8 R2009(a)版本的并行计算工具箱和分布式计算服务器；

2b)在各个集群节点上用mdce start命令启动分布式计算服务器；

2c)在集群的主节点上用startjobmanager命令启动并行任务调度器；

2d)在各个处理器节点上用startworker命令启动工作进程。

步骤3.根据配置好的MATLAB7.8R2009(a)版本并行计算环境，对输入数据样本X进行并行任务划分。

3a)根据配置好的MATLAB并行计算环境，使用findResource命令指定配置好的任务调度器，用createJob命令创建作业，该作业是指由用户建立指定操作。

3b)在所创建的作业中，将规模为65536×10的输入数据样本X用createTask命令均衡划分到p个处理器上，遇到不能整除的情况则将剩余的数据样本存放到最后一个节点上；

3c)使用submit命令提交作业，然后用waitForState命令将各个任务安排到相应的任务队列里等待各个处理器节点的执行。

步骤4.对各个处理器节点上的分块数据进行免疫克隆局部优化，并在优化过程中对优秀抗体按亲和度值从大到小排序迁移，得到优化后的聚类中心和相应聚类标签。

4a)设置免疫克隆初始参数：迭代次数T＝9，抗体种群大小n＝20，克隆规模经验值n_c＝50，多项式变异概率p_m＝0.5；

4b)对每个处理器节点上的分块数据随机选取m个样本点实数编码作为初始抗体A_i＝(A₁，A₂，…，A_k)，i＝1，…，n，n表示选择抗体种群大小，k表示聚类中心个数，然后对每个初始抗体进行解码，得到n组候选聚类中心；

4c)根据候选聚类中心对初始抗体A_i按照PBM指标计算每个抗体的亲和度：

$>\mathrm{affinity}\left(A_i\right)={\left[\frac{1}{k}\frac{E\left(i\right)}{E\left(k\right)}{D}_{\max }\left(k\right)\right]}^2$>

其中，表示第i个聚类划分的误差平方和，u_ij表示原始输入数据样本Z的归属度矩阵，d(x_j，r_i)表示第j个样本x_j与第i个聚类中心r_i之间的距离，D_max(k)＝max{d(r_i，r_j)，i，j＝1，2，…，k}表示第i个聚类中心r_i与第j个聚类中心r_j之间的最大距离；

4d)用下式对原始抗体A_i克隆操作得到抗体A′：

$>A^{\text{′}}=T_c^C\left(A_i\right)={\left(\begin{array}{cccc}{T}_c^C\left(A_1\right)& T_c^C\left(A_2\right)& ···& T_c^C\left(A_n\right)\end{array}\right)}^T$>

其中，表示克隆算子，其中I_i为元素值为1的q_i维行向量，q_i为抗体A_i克隆后的规模大小，其值根据亲合度affinity(A_i)按下式自适应调整，即

$>q_i=\mathrm{Int}(n_c\times \frac{\mathrm{affinity}\left(A_i\right)}{\underset{j=1}{\overset{n}{\Sigma }}\mathrm{affinity}\left(A_i\right)}),i=1,...,n$>

其中，Int(·)表示取整操作，n_c＞n，n_c为克隆规模有关的经验值，n表示抗体种群大小；

4e)用Deb提出的多项式变异方法对克隆后的抗体A′按概率p_m变异生成新抗体A_i″；

4f)对变异后的新抗体A_i″按亲和度公式求其亲和度值affinity(A_i″)，根据变异后的亲和度值选择最优抗体B_i，B_i＝{A_ij|affinity(A_ij)＝max affinity(A_i″)}，其中j＝1，2，...，q_i，q_i为步骤4d所述抗体A_i克隆后的规模大小，如果有affinity(A_i)＜affinity(B_i)，则用抗体B_i取代原始抗体A_i；

4g)循环步骤4d-4f三次，对每个处理器节点上得到的抗体A_i根据亲和度值affinity(A_i)排序，用单向环拓扑将前20％优秀抗体迁移至下一个处理器，以代替这个处理器中后20％的抗体；

4h)循环步骤4d-5g三次，得到优化后的聚类中心和相应聚类标签。

步骤5.将聚类标签重新组合成和原待分割图像尺寸相同的矩阵，将矩阵元素作为分割结果图像的灰度值并显示出来，得到最终分割结果。

本发明的效果可以通过如下仿真实验进行验证：

(一)实验条件设置

选择3幅不同的SAR图像进行验证，免疫克隆聚类算法和并行免疫克隆聚类算法的参数设置为：迭代次数T＝9，抗体种群规模n＝20，克隆规模n_c＝50，多项式变异概率p_m＝0.5。

(二)仿真内容及结果

A)用现有的K-均值聚类算法、免疫克隆聚类算法和本发明方法对图4(a)进行仿真实验，该4(a)为重庆市嘉陵江沿岸地区RadarSAT-2卫星、HV极化的C波段SAR图像，分辨率为3m，它包含河流、河流沿岸、桥梁、船舶等目标物。

仿真分割结果如图4(b)-4(d)所示，其中4(b)为现有的K-均值聚类方法的分割结果，图4(c)为现有的免疫克隆聚类算法的分割结果，图4(d)为本发明分割结果，处理器个数为16。

可以看出，图4(c)免疫克隆聚类算法结果相比于图4(b)K-均值聚类算法的分割结果，在桥梁和右侧沿岸的某些细节处理方面较优。尽管并行免疫克隆聚类算法采用了数据划分的策略，但加上随机数模版处理后进行分块搜索和块间迁移，使得16个处理器并行的情况下分割效果图4(d)跟串行分割效果图4(c)基本趋于一致。这说明提出的面向图像分割问题的数据并行策略是有效的。

B)用现有的K-均值聚类算法、免疫克隆聚类算法和本发明方法对图5(a)进行仿真实验，该5(a)是福建厦门鼓浪屿地区RadarSAT-2卫星、HH极化、多视精细的C波段SAR图像，分辨率为8m，显示了福建厦门岛思明区的一部分和鼓浪屿的全部，主要包括右下角的丘陵高地、上方的城区平地以及海洋等地形。

仿真分割结果如图5(b)-5(d)所示，其中5(b)为现有的K-均值聚类方法的分割结果，图5(c)为现有的免疫克隆聚类算法的分割结果，图5(d)为本发明分割结果，处理器个数为16。

从图5(b)可以看出K-均值聚类方法将丘陵地带的一些区域误分成了平地，而图5(c)免疫克隆聚类算法和图5(d)本发明方法则对整幅图像的完整分割有较好的把握，区域一致性好。

C)用现有的K-均值聚类算法、免疫克隆聚类算法和本发明方法对图6(a)进行仿真实验，该6(a)是北京故宫博物院TerraSAR、HH极化的X波段SAR图像，分辨率为2m，显示了北京故宫博物院的鸟瞰视图。

仿真分割结果如图6(b)-6(d)所示，其中图6(b)为现有的K-均值聚类方法的分割结果，图6(c)为现有的免疫克隆聚类算法的分割结果，图6(d)为本发明分割结果，处理器个数为16。

从分割结果可以看出，图6(c)免疫克隆聚类算法较之图6(b)K-均值聚类方法有较好的细节处理能力。图6(d)本发明方法不仅保持了图6(c)聚类算法的优良特性，并且对太和殿前广场的分割区域一致性较好。

D)用本发明对3幅SAR图像4(a)、5(a)、6(a)的分割作并行加速比和效率曲线，如图7所示。图7(a)是并行加速比，其衡量的是并行算法的执行速度相对于串行算法的执行速度加快了多少倍，图7(b)是效率曲线图，其衡量的是单个处理器的计算能力被有效利用的比率。

从图7(a)可以看出，数据规模在几十万时能够获得较好的加速比。当数据规模增大时，各个处理器进程间的消息阻塞和消息延迟，以及内存使用和数据共享等因素影响了加速比的进一步提高。从图7(b)的效率曲线可以看出，处理器个数在16-18之间的时候，综合考虑各种影响因素，能够获得较好的并行效率。