利用改进模糊聚类算法提取灰度不均匀红外行人的方法

摘要

本发明涉及一种利用改进模糊聚类算法提取灰度不均匀红外行人的方法，步骤一：确定行人大致区域；步骤二：采用改进的模糊聚类算法对红外图像进行聚类分割；改进的模糊聚类算法目标函数如下：步骤三：为了提取红外行人目标，需要对聚类结果进行后续处理：剔除非行人目标区域；聚类结果为二值图像，计算二值图像中每个连通域的长宽比，剔除长宽比不符合行人长宽比范围的连通域。本发明从在目标函数中加入正则项以考虑像素点和邻域的相似性和像素点和聚类中心的相似性；对于邻域窗口尺寸进行了扩展，考虑更多邻域信息；能够较好地分割灰度不均匀红外行人目标；具有广阔的市场前景与应用价值。

说明书

【技术领域】

本发明涉及利用改进模糊聚类算法提取灰度不均匀红外行人的方法，模糊聚类技术和图像分割技术在图像应用领域具有广泛的应用，隶属于数字图像处理领域。

【背景技术】

图像分割是指根据图像的灰度、纹理、颜色等特征将原始图像划分为互不重叠的区域。并且同一区域内具有相似的性质，不同区域之间则具有明显的差异。图像分割往往被作为图像处理和分析的预处理。没有正确的分割就不可能有正确的识别。准确的检测和识别需要以准确有效的分割为基础。因此，快速、有效且准确的图像分割算法将会有重要的应用意义。图像分割方法根据原理不同大致可分为以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。

红外图像能够近似反映出图像中目标和背景的温度差异，由于其可全天候工作且能够克服视觉障碍而探测目标的优点，红外图像在图像处理领域得到了广泛应用。但红外图像往往缺乏较好的对比度和分辨率，图像边缘较为模糊，过渡性较强，目标与背景之间界限不明显。同时由于遮挡和散热不均等原因，灰度不均匀也是红外图像中常见的现象，这对于红外行人分割具有极大的影响。模糊聚类是一种基于目标函数优化的数据聚类方法，在图像分割领域得到了广泛应用。在模糊聚类方法中，数据点并不是硬性的划分到某一类，而是以不同的程度属于多类。因此，针对红外图像中过渡明显和不确定性高的特点，采用模糊聚类的方法对红外图像进行分割具有一定的优势。

模糊聚类算法在图像分割领域已经得到了广泛的应用。其中最经典的算法是模糊C均值算法，模糊C均值(FCM)算法(参见文献：J.C.邓恩.一种和ISODATA算法相关的模糊图像处理方法及其应用于检测紧凑易分离聚类.控制论学报，1973,3(3):32-57.(J.C.Dunn.AFuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters[J].Journal of Cybernetics,1973,3(3):32-57.))由J.C.邓恩最先提出并经贝兹德克推广，是一种基于目标函数优化的数据聚类算法。但该算法中并未考虑空间信息，因此对噪声敏感，对于含噪图像不能够取得很好的分割结果。针对此问题，研究者提出了许多引入了空间信息的改进模糊聚类算法。例如艾哈迈德等人通过引入正则项来考虑邻域信息提出的FCM_S算法(参见文献：穆罕默德·N·艾哈迈德，萨迈赫·亚马尼，内文·穆罕默德等人.一种用于偏置场估计得改进模糊C均值算法和其应用于MRI图像分割.IEEE医学影像学.21卷.193-199,2002.(M.Ahmed,S.Yamany,N.Mohamed,A.Farag,andT.Moriarty,“A modified fuzzy C-means algorithm for bias field estimation andsegmentation of MRI data,”IEEE Trans.Med.Imag.,vol.21,pp.193–199,2002.))；在FCM_S的基础上，陈松灿和张道强将均值滤波和中值滤波方法引入到算法中进一步提出了FCM_S1和FCM_S2算法(参见文献：陈松灿，张道强.一种稳定的基于核函数的结合空间信息模糊C均值图像分割算法.IEEE系统控制处理汇刊.34卷.1907-1916，2004.(S.Chen andD.Zhang,“Robust image segmentation using FCM with spatial constraints basedon new kernel-induced distance measure,”IEEE Trans.Syst.,Man,Cybern.,vol.34,pp.1907–1916,2004.))；斯泰里奥斯和瓦西利斯提出了FLICM算法，该算法引入了新的邻域信息因子，同时避免了参数选择问题，使算法鲁棒性更好。(参见文献：斯泰利奥斯，瓦西利斯.一种结合局部空间信息的稳定的改进模糊C均值算法.美国电气电子工程师学会图像处理汇刊.19，1328-1337，2010年5月.(S.Krinidis and V.Chatzis,A robust fuzzy localinformation c-means clustering algorithm,IEEE Trans.Imag.Process.,vol.19,no.5,pp.1328–1337,May 2010.))；除此之外，刘国英等人将区域信息引入到FCM算法来改善FCM算法的分割结果(参见文献：刘国英，张云，王爱民.一种结合区域空间信息的改进模糊聚类算法用于图像分割.美国电气电子工程师学会图像处理汇刊，3990-4000,2015年11月.(Guoying Liu,Yun Zhang,and Aimin Wang,Incorporating Adaptive LocalInformation Into Fuzzy Clustering for Image Segmentation,IEEETrans.Imag.Process.,vol.24,no.11,pp.3990-4000,Novermber 2015))，等等。

上述改进算法在抗噪性和分割结果方面都取得了一定的改善，但也存在一定的问题。由于遮挡或散热不均等原因，灰度不均匀是红外图像中的常见的缺陷，会严重影响红外行人目标的分割效果。针对此问题，为了能够有效地提取出行人目标，本发明提出了一种使用改进模糊聚类算法提取灰度不均匀红外行人的方法。

【发明内容】

1、目的：模糊聚类方法在图像分割领域已得到了广泛应用，但由于该算法未考虑空间信息对噪声敏感的缺点，因此对于含噪图像模糊聚类算法往往不能得到正确的聚类结果。而在红外图像中，灰度不均匀区域从一定程度上来说可视为“噪声”，因此，模糊C均值算法并不能很好地处理灰度不均匀问题。同时，红外图像中灰度不均匀问题导致传统的图像分割算法无法成功提取红外行人目标，对于灰度不均匀红外行人进行分割时易产生“破碎”问题。

针对红外图像中行人灰度不均匀的问题，本发明提出了利用改进模糊聚类算法提取灰度不均匀红外行人的方法，该方法首先以像素点隶属度和图像本身灰度特征两方面为基础，对同一像素点的不同类的隶属度赋予不同的权重；其次，在目标函数中加入正则项以考虑像素点和邻域的相似性和像素点和聚类中心的相似性。同时对于邻域窗口尺寸进行了扩展，以考虑更多邻域信息。改进算法中充分考虑了隶属度信息和邻域信息，因此对于灰度不均匀的红外行人分割，分割结果取得了明显的改善。

2、技术方案：为了实现这个目的，本发明的技术方案如下，首先利用显著性算法确定红外行人在红外图像中的大致区域。再使用改进的模糊聚类算法对红外行人区域进行聚类分割。最后，通过行人长宽比限制剔除非行人区域。改进算法中充分考虑了隶属度信息和邻域信息，因此分割质量得到了明显提高。

本发明是一种利用改进模糊聚类算法提取灰度不均匀红外行人的方法，该方法具体步骤如下：

步骤一：确定行人大致区域。采用显著性算法得到红外图像的显著图，通过对显著图进行阈值分割得到行人大致位置。

其中，步骤一具体包括如下步骤：

1.1采用侯晓迪和乔纳森·哈雷尔等人提出的基于图像签名的显著性方法产生红外图像的显著图(参见文献：侯晓迪，乔纳森·哈雷尔，克里斯托弗·科赫.图像签名:突出稀疏显著区域.美国电气电子工程师学会模式分析与机器智能汇刊.34(1)2012,194-201.(X.D.Hou,J.Harel,C.Koch,Image signature:highlighting sparse salient regions,IEEE Trans.Pattern Anal.Mach.Intell.34(1)(2012)194–201.))，该方法提取显著图的过程中所用的梯度算子为Sobel算子。

1.2采用大津阈值法对显著图分割，分割结果为二值图像。根据分割结果中不为0的区域

确定红外行人在原图中的大致区域，得到行人区域的图像，即待分割区域。

步骤二：采用改进的模糊聚类算法对红外图像进行聚类分割。改进的模糊聚类算法目标函数如下：

其中目标函数中各参数含义如表1所示：

表1参数定义

N像素点总数j像素点位置坐标c类别总数i类别序数u_ij第j个像素点相对于第i类的隶属度v_i第i类的聚类中心m模糊因子W_ij权重系数x_j第j个像素点的像素值x_r邻域像素点N_j当前像素点的邻域β_r邻域相似系数f_r空间距离权重系数

权重系数W_ij的计算过程如下：

W_ij＝(M_ij×G_ij)/Z

M_ij为隶属度约束，G_ij为图像灰度特征约束，Z为归一化常数。M_ij，G_ij及Z的计算过程如下：

M_ij＝exp(-(u_i1×u_i2+u_i3×u_i4))

G_ij＝1-exp(-I_j×g_i)^1/i

g_i＝exp(-a_i²)

u_i1u_i3u_i4u_i2

其中，u_i1，u_i2，u_i3和u_i4代表4邻域中邻域像素点对于第i类的隶属度，N_j代表当前像素点的邻域，x_r为邻域像素点，a_i为所有属于第i类的像素点的灰度均值，Z起到归一化作用。

f_r和β_r的计算过程定义如下：

其中，s_rj表示邻域像素点x_r与中心像素点x_j的空间距离，N_r为邻域像素点x_r的邻域，x_rn为N_r中的像素点。因此，可以推导出，x_r与x_j的空间距离越小，相似性越大，则f_r和β_r越大，即邻域像素点对中心像素点的影响越大。

可推导得隶属度矩阵和聚类中心的迭代公式为：

其中v_k代表第k类的聚类中心。

改进算法步骤为：

2.1定义c为分类类别数，T为最大迭代次数，ε为迭代停止阈值。

2.2对隶属度U和聚类中心V进行初始化。

2.3根据计算公式更新权重系数W_ij的值。

2.4由迭代公式计算聚类中心和隶属度矩阵，计算目标函数J的值。

2.5若|J(t+1)-J(t)|＜ε，则停止迭代，进行步骤2.6；否则继续进行步骤2.4，直至满足迭代停止条件。其中J代表计算得到的目标函数的值，t代表迭代次数。

2.6去模糊化，完成红外图像行人分割。

步骤三：为了提取红外行人目标，需要对聚类结果进行后续处理：剔除非行人目标区域。聚类结果为二值图像，计算二值图像中每个连通域的长宽比，剔除长宽比不符合行人长宽比范围的连通域。行人长宽比范围设定为1～4。

3、优点及功效：模糊C均值算法未考虑空间信息，不能很好地处理含噪图像，对于含噪图像无法得到正确的分割结果。灰度不均匀是红外图像中常见的现象，相对于红外图像中行人的高亮区域，灰度不均匀区域可视为噪声，传统的模糊C均值算法不能够很好地处理该问题，因此，有时不能得到理想的分割结果。本发明提出的改进模糊聚类算法中从隶属度信息和图像本身灰度特征两个方面对像素点的分类进行了约束，在目标函数中加入正则项以考虑像素点和邻域的相似性和像素点和聚类中心的相似性。同时，对于邻域窗口尺寸进行了扩展，以考虑更多邻域信息。改进算法中充分考虑了隶属度信息和邻域信息，因此能够较好地分割灰度不均匀红外行人目标。具有广阔的市场前景与应用价值。

【附图说明】

图1为本发明使用改进的模糊聚类算法提取灰度不均匀红外行人的方法原理框图。

图2a是本发明确定红外图像中行人大致区域过程的原图。

图2b是本发明确定红外图像中行人大致位置过程中产生的显著图。

图2c是本发明利用显著性确定的行人区域，即待分割区域。

图2d是本发明利用显著性确定的行人区域，即待分割区域。

图3a是本发明应用于红外图像的分割结果的原图。

图3b是本发明应用于红外图像的分割结果的原图。

图3c是本发明应用于红外图像的分割结果的聚类结果图

图3d是本发明应用于红外图像的分割结果的聚类结果图

图4a是本发明后续处理过程所用的聚类结果图。

图4b是本发明后续处理过程所用的聚类结果图。

图4c是本发明后续处理过程所用的最终分割结果图。

图4d是本发明后续处理过程所用的最终分割结果图。

图5a是本发明用于提取灰度不均匀红外行人的原图。

图5b是本发明用于提取灰度不均匀红外行人的原图。

图5c是本发明用于提取灰度不均匀红外行人的原图。

图5d是本发明用于提取灰度不均匀红外行人的原图。

图5e是本发明用于提取灰度不均匀红外行人的最终结果。

图5f是本发明用于提取灰度不均匀红外行人的最终结果。

图5g是本发明用于提取灰度不均匀红外行人的最终结果。

图5h是本发明用于提取灰度不均匀红外行人的最终结果。

【具体实施方式】

为了更好地理解本发明的技术方案，以下结合附图对本发明的实施方式作进一步描述。

本发明的原理框图如图1所示，本发明的具体实施步骤如下：

步骤一：使用显著性检测算法确定红外图像中行人所在区域作为待分割区域，具体步骤如下：

1)本发明采用侯晓迪和乔纳森·哈雷尔等人提出的基于图像签名的显著性方法产生红外图像的显著图(参见文献：侯晓迪，乔纳森·哈雷尔，克里斯托弗·科赫.图像签名:突出稀疏显著区域.美国电气电子工程师学会模式分析与机器智能汇刊.34(1)2012,194-201.(X.D.Hou,J.Harel,C.Koch,Image signature:highlighting sparse salientregions,IEEE Trans.Pattern Anal.Mach.Intell.34(1)(2012)194–201.))，该方法提取显著图的过程中所用的梯度算子为Sobel算子。

2)采用大津阈值法对显著图分割，分割结果为二值图像。根据分割结果中不为0的区域确定红外行人在原图中的大致区域，得到行人区域的图像，即待分割区域。

图2a为原图，图2b为对应的显著图，图2c为得到的行人区域图，即待分割区域。图2d为得到的行人区域图，即待分割区域。

步骤二：采用改进的模糊聚类算法对红外图像进行聚类分割。改进模糊聚类算法目标函数如下：

目标函数中各参数含义如表2所示：

表2参数定义

N像素点总数j像素点位置坐标c类别总数i类别序数u_ij第j个像素点相对于第i类的隶属度v_i第i类的聚类中心m模糊因子W_ij权重系数x_j第j个像素点的像素值x_r邻域像素点N_j当前像素点的邻域β_r邻域相似系数f_r空间距离权重系数

权重系数W_ij的计算过程如下：

W_ij＝(M_ij×G_ij)/Z

M_ij为隶属度约束，G_ij为图像灰度特征约束，Z为归一化常数。M_ij，G_ij及Z的计算过程如下：

M_ij＝exp(-(u_i1×u_i2+u_i3×u_i4))

G_ij＝1-exp(-I_j×g_i)^1/i

g_i＝exp(-a_i²)

u_i1u_i3u_i4u_i2

其中，u_i1，u_i2，u_i3和u_i4代表4邻域中邻域像素点对于第i类的隶属度，N_j代表当前像素点的邻域，x_r为邻域像素点，a_i为所有属于第i类的像素点的灰度均值，Z起到归一化作用。

f_r和β_r的计算过程定义如下：

其中，s_rj表示邻域像素点x_r与中心像素点x_j的空间距离，N_r为邻域像素点x_r的邻域，x_rn为N_r中的像素点。因此，可以推导出，x_r与x_j的空间距离越小，相似性越大，则f_r和β_r越大，即邻域像素点对中心像素点的影响越大。

可推导得隶属度矩阵和聚类中心的迭代公式为：

其中k表示类别序数，v_k代表第k类的聚类中心。

改进算法步骤为：

2.1定义c为分类类别数，T为最大迭代次数，ε为迭代停止阈值。

2.2对隶属度U和聚类中心V进行初始化。

2.3根据计算公式更新权重系数W_ij的值。

2.4由迭代公式计算聚类中心和隶属度矩阵，计算目标函数J的值。

2.5若|J(t+1)-J(t)|＜ε，则停止迭代，进行步骤2.6；否则继续进行步骤2.4，直至满足迭代停止条件。其中J代表计算得到的目标函数的值，t代表迭代次数。

2.6去模糊化，完成红外图像行人分割。

图3给出了原图和聚类结果图。图3a是本发明应用于红外图像的分割的原图。图3b是本发明应用于红外图像的分割的原图。从图2c中可看出，显著性确定的区域并不一定只包含行人，从图3c和图3d可以看出，聚类结果为二值图像，聚类结果中还含有部分非行人连通域，因此需要对聚类结果进行后续处理以提取红外行人目标。

步骤三：为了提取红外行人目标，需要对聚类结果进行进一步处理：剔除非行人目标区域。聚类结果为二值图像，计算二值图像中每个连通域的长宽比，剔除长宽比不符合行人长宽比范围的连通域。行人长宽比范围设定为1～4。

图4给出了后续处理前后的对比图。图4a是后续处理过程所用的聚类结果图。图4b是后续处理过程所用的聚类结果图。图4c是续处理过程的最终分割结果图。图4d是后续处理过程的最终分割结果图。

为了展示本发明的效果，图5给出了原图和分割结果的对比图，由分割结果可以看出，采用改进的模糊聚类算法得到的分割结果能够成功地提取出红外行人目标。其中，图5a是本发明用于提取灰度不均匀红外行人的原图。图5b是本发明用于提取灰度不均匀红外行人的原图。图5c是本发明用于提取灰度不均匀红外行人的原图。图5d是本发明用于提取灰度不均匀红外行人的原图。图5e是本发明用于提取灰度不均匀红外行人的最终结果。图5f是本发明用于提取灰度不均匀红外行人的最终结果。图5g是本发明用于提取灰度不均匀红外行人的最终结果。图5h是本发明用于提取灰度不均匀红外行人的最终结果。从图5可看出，选取的图像中红外行人具有明显的灰度不均匀现象，这对于红外行人的分割具有极大影响。传统的模糊C均值算法在分割此种红外行人时易产生“破碎”现象，本发明提出的算法充分考虑了隶属度信息、红外图像本身灰度特征和邻域信息，因此能够很好地抑制灰度不均匀对聚类过程的影响，从而能够取得较好的分割结果。