[发明专利]一种利用改进直觉模糊聚类算法提取红外目标的方法

权利要求书

1.一种利用改进直觉模糊聚类算法提取红外目标的方法，其特征在于：该方法具体步骤如下：

步骤一：确定目标大致区域；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目标大致位置；

步骤二：采用SLIC超像素分割的方法对目标区域进行超像素分割，产生多个小区域；

步骤三：采用基于配准的镜像对称检测方法完成目标对称轴检测；

步骤四：采用改进的直觉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，α_j表示像素点x_j与其所在区域R_j的平均灰度值的相似性，x_j与区域R_j的灰度值越接近，则α_j越大，否则α_j越小；β_j表示像素点x_j与其对称像素点x_jm的灰度值的相似性，x_j与x_jm灰度值越接近，则说明对称性越好，则β_j越大，否则，β_j越小；α_j和β_j的计算公式如下：

其中，σ为图像灰度值的方差，为区域R_j内所有像素点的平均灰度值，为x_j的邻域像素点的平均灰度值，为对称像素点x_jm邻域内所有像素点的平均灰度值；

d^IFS(x_j,v_i)、和d^IFS(x_jm,v_i)为直觉模糊距离，定义如下：

d^IFS(x_j,v_i)＝(μ(x_j)-μ(v_i))²+(υ(x_j)-υ(v_i))²+(π(x_j)-π(v_i))² (4)

μ(x_j)，υ(x_j)，π(x_j)分别为直觉模糊聚类算法中像素点x_j的隶属度，非隶属度和犹豫度；分别为直觉模糊聚类算法中区域R_j的隶属度，非隶属度和犹豫度；分别为直觉模糊聚类算法中对称像素点邻域的隶属度，非隶属度和犹豫度；其计算公式分别如下：

π(x_j)＝1-μ(x_j)-υ(x_j) (9)

μ(v_i)，υ(v_i)，π(v_i)分别为聚类中心v_i的隶属度，非隶属度和犹豫度；

目标函数及上述计算公式中各符号定义如下：N为像素点总数；j为像素点位置坐标；c为类别数；i为类别序数；u_ij为第j个像素点相对于第i类的隶属度；v_i为第i类的聚类中心；μ(v_i)为聚类中心v_i的隶属度；υ(v_i)为聚类中心v_i的非隶属度；π(v_i)为聚类中心v_i的犹豫度；m为模糊因子；W_ij为权重系数；x_j为第j个像素点的像素值；μ(x_j)为x_j的隶属度；υ(x_j)为x_j的非隶属度；π(x_j)为x_j的犹豫度；R_j为x_j所在小区域；为x_j所在小区域的平均灰度值；为的隶属度；为的非隶属度；为的犹豫度；x_jm为x_j的对称点；为的隶属度；为的非隶属度；为的犹豫度；x_min为图像灰度最小值；x_max为图像灰度最大值；为所有区域中灰度最小值；为所有区域中灰度最大值；为所有对称像素点邻域平均灰度的最小值；为所有对称像素点邻域平均灰度的最大值；α_j为一自适应常数，表示像素点x_j与其所在区域R_j的平均灰度值的相似性；β_j为一自适应常数，表示像素点x_j与其对称像素点x_jm的灰度值的相似性；为x_j的邻域像素点的平均灰度值；λ为常数；

权重系数W_ij的计算过程如下：

R_ij为区域信息约束，S_ij为对称性约束，其计算过程如下：

其中，代表像素点x_j所在的区域R_j的平均隶属度，L_i代表在区域R_j中属于第i类的像素点的个数，L代表区域R_j中总像素点个数；为x_j的邻域像素点的平均灰度值；

γ_j表示空间距离约束，像素点距离目标中心越远，则γ_j越小，像素点距离目标中心越近，则γ_j越大；其计算过程如下：

其中(p_j,q_j)表示x_j的空间坐标，(p₀,q₀)代表目标中心的空间坐标，a表示椭圆的长轴，b表示椭圆的短轴；ξ为一小的常数，设为0.2；

利用拉格朗日乘数法，根据目标函数求导，可推导出隶属度u_ij和聚类中心v_i的隶属度μ(v_i)、非隶属度υ(v_i)、犹豫度π(v_i)迭代公式：

其中v_k代表第k类的聚类中心；

步骤五：步骤四得到的图像分割结果为二值图像，前景为1，背景为0；但得到的前景中可能包含非目标区域；为了提取出红外目标，需要对步骤四得到的图像分割结果进后续处理,剔除非目标区域；后续处理包括根据以下内容：

(1).区域面积小于某个阈值，则剔除该区域；

(2).根据区域的长宽比剔除非目标区域；

(3).剔除与图像边界相连的区域。