[发明专利]基于自调整谱聚类和熵权法的水下声呐图像目标分割方法

说明书

基于自调整谱聚类和熵权法的水下声呐图像目标分割方法，属于水下声呐图像目标分割技术领域。为了解决现有声呐图像分割方法中的单目标分割精度差和难以准确分割多目标的问题。本发明首先通过自调整谱聚类对水下声呐图像的像素点进行聚类处理，使图像划分成多个独立的区域，然后对各独立的区域提取平移、旋转和缩放不变性的多个特征，并利用熵权法对提取的特征计算各区域的综合加权分数，即可从多个待选区域中筛选出最优的目标区域，最后利用最优目标区域与各区域匹配多特征的相似度，再对各区域匹配的相似度利用自适应阈值迭代法计算最佳的阈值，即可自动得到要分割的所有目标区域。本发明适用于水下声呐图像目标分割。

技术领域

本发明属于水下声呐图像目标分割技术领域，具体涉及一种基于自调整谱聚类和熵权法的水下声呐图像目标分割方法。

背景技术

水下声呐图像目标分割的目的是从复杂背景区域中提取出显著性的目标，如提取水雷、沉船以及鱼群等显著性的目标并保留目标区域的原始边缘信息。受复杂的水下环境和声呐设备性能的影响，使声呐图像普遍存在分辨率低以及噪声污染严重的问题，给水下目标物体的准确分割带来了严峻的挑战。目前常用的图像分割方法主要有基于阈值的分割、基于模板匹配的分割、基于统计量的分割和基于无监督学习的聚类分割等。其中，基于阈值的分割方法是通过比较图像的像素灰度是否超过设定的阈值进行实现目标物体的分割，而声呐图像的灰度分布非常集中，且目标区域与背景区域存在相互混叠的灰度值，导致该方法很难寻找到声呐图像中的准确分类阈值；基于模板匹配的分割只对具有规则形状的人造目标和噪声干扰不严重的情况下有良好的效果，而水下声呐图像的目标物体具有边缘复杂以及受噪声污染严重的特点，且水下待分割的目标形状通常是未知的；基于统计量的分割需要提前考虑图像相邻像素间的依赖关系找到目标物体的近似分布规律，而声呐图像具有分辨率低和背景环境复杂，且不同目标物体的像素分布规律不同，无法有效地确定出统一有效的像素分布规律；基于无监督学习的聚类分割方法虽然是当前图像分割领域中的研究热点，但该方法依然存在聚类控制参数的自适应性差和分割精度低的问题。

综上所述，将常用的图像分割方法应用到复杂的水下声呐图像目标分割中效果并不理想，所以，如何在不受背景干扰区域以及成像设备自身所带来的噪声干扰影响情况下提高水下声呐图像目标分割的准确性是亟需解决的问题。

发明内容

本发明的目的是为了解决现有声呐图像分割方法中的单目标分割精度差和难以准确分割多目标的问题，而提出的一种基于自调整谱聚类和熵权法的水下声呐图像目标分割方法。

基于自调整谱聚类和熵权法的水下声呐图像目标分割方法，包括以下步骤：

步骤一、获取水下目标的原始声呐图像对应的灰度图像，然后利用自调整谱聚类理论对灰度图像的像素点进行聚类处理，得到具有不规则形状的多个独立区域，每个独立的区域用不同数字标识的掩膜图像表示；

步骤二、根据步骤一得到的掩膜图像中的各独立区域的像素点位置坐标对应原灰度图像中的相同位置坐标上的像素值，进行统计原灰度图像的每个独立区域的亮度、对比度、信息熵、狭长度、灰度分布直方图、7个Hu不变矩、周径比和灰度共生矩阵的纹理多个特征；

步骤三、对步骤二统计的各独立区域中的亮度、对比度、信息熵和狭长度这四个特征构建全部区域的多特征数据矩阵η，然后利用熵权法对多特征数据矩阵η计算四个特征的权重，最后利用加权公式得到各独立区域的综合分数，根据综合分数得到一个最优的目标区域；

步骤四、利用最优目标区域与各独立区域进行匹配灰度分布直方图、7个Hu不变矩、周径比和灰度共生矩阵的纹理4类特征的相似度，并根据每个区域匹配的4类特征相似度值确定平均相似度；

步骤五、基于步骤四得到的所有独立区域匹配的平均相似度值，利用自适应阈值迭代法计算最佳的阈值，根据该阈值就判断哪些区域是最终的目标区域，实现了水下声呐图像的目标分割。

进一步地，步骤一的具体过程包括以下步骤：